Vectron: dejé de pedirles que lo imaginaran

Doy un curso de inteligencia artificial casi todos los meses: cuatro sesiones de hora y media cada una. En algún punto de la primera sesión llego siempre al mismo lugar: le pido a la audiencia que se imagine un modelo de lenguaje. No como una base de datos tradicional, de tablas y filas, sino como algo más parecido a un espacio. El problema es que yo no controlo esa imaginación. Cada persona en el salón se construye una metáfora distinta, y varias de esas metáforas están mal.

Lo noté rápido: cuando en vez de pedirles que se lo imaginaran, se los mostraba —aunque fuera con un dibujo improvisado en el pizarrón— la sesión cambiaba. De ahí, con el tiempo, creció un sistema completamente didáctico. Ese sistema es Vectron.

Qué es, sin metáforas

Vectron es un mapa 3D público del significado, en vivo en vectron.kilowatto.com. Cada partícula del cubo es una palabra real de un corpus de 20,473 conceptos, y su posición sale de un embedding real de 1,024 dimensiones que genera bge-m3 (Workers AI), comprimido a 3 coordenadas por PCA.

No es una maqueta ni una animación pregrabada. Escribes una frase y se tokeniza de verdad, con el mismo BPE (cl100k_base) que usa un modelo real. Fijas una partícula y sus vecinos salen de una búsqueda vectorial real en Cloudflare Vectorize, en las 1,024 dimensiones completas, no en las 3 que ves en pantalla. Comparas dos conceptos y el coseno que te muestra es el coseno real. La pila completa: Workers, Vectorize, D1, R2 y Workers AI, con el frontend en Three.js sobre WebGPU —20,473 partículas en una sola llamada de dibujo— y un corpus que crece solo, cada 30 minutos, vía cron.

Por qué no lo dejé como curiosidad de fin de semana

Llevo más de 25 años en tecnología, la mayoría del tiempo construyendo empresas —Ignia Cloud, mis inversiones, Yucatech Festival. Vectron no nació de esa misma ambición. Nació exactamente del mismo lugar que la frustración del salón de clases: si algo se puede mostrar en vez de describir, hay que mostrarlo bien, aunque eso signifique meterse a fondo en shaders, PCA y renderizado GPU en vez de dejarlo como un experimento de fin de semana.

Enseñar también dónde miente

La parte del proyecto de la que estoy más orgulloso no es la que se ve bonita. Es la que mide, con números reales sobre el corpus, cuánto le puedes creer a lo que estás viendo.

Lo que Vectron mide sobre sí mismo: los 3 ejes visibles retienen apenas 11.69% de la varianza real (16 componentes completos no llegan al 26%). Alrededor de 31% de los vecinos que la pantalla sugiere son inventados por la proyección (trustworthiness de 0.694 a k=10). El coseno entre dos palabras sin ninguna relación es 0.412 — el cero no existe. Y hay concentración real: un concepto aparece en 77 listas de vecinos contra una media de 10.

De ahí sale la decisión de diseño más importante del producto: la promesa se ata a la consulta que tú haces, no a la posición en la que caen los puntos. Las líneas que conectan conceptos son el canal honesto —coseno real en 1,024 dimensiones—; la posición es el canal deshonesto —11.69% de varianza—. Por eso conservamos las líneas, con correcciones: tope de cuántas se dibujan, grosor proporcional al coseno real, una etiqueta que declara qué preguntaste, y líneas cortadas cuando la relación no es recíproca.

El momento en que supe que iba a funcionar

No fue cuando terminé el renderizado, ni cuando el corpus llegó a su meta de 20,473 conceptos. Fue en un curso, mostrándoselo a mis alumnos, cuando fijaron una palabra y vieron a sus vecinos reales encenderse en el espacio. Esa cara de “ahhh, ya entiendo” que llevaba años persiguiendo con dibujos en el pizarrón, por fin la vi en tiempo real, sin que yo tuviera que explicar nada más.

Lo que sigue

Vectron no se queda en un solo nivel. Hay una versión para quien nunca ha tocado un modelo de lenguaje —sin jerga, con 300 conceptos curados en vez de los 20,473 completos, porque menos elementos producen más aprendizaje real. Hay una versión intermedia, con tokens, embeddings y un laboratorio de fallos. Y hay una versión avanzada, para quien quiere el instrumento completo: la matemática sin editar y control del corpus. Separar por nivel de pericia, en vez de por dificultad, es lo que distingue a un novato mirando rasgos superficiales de un experto mirando principios profundos.

Y el proyecto se sigue corrigiendo a sí mismo. Cuando una de las auditorías que le hice —seis en total, con más de 190 referencias verificadas— encontró que el corpus no probaba nada sobre bilingüismo real, corrí el protocolo correcto y salió que el español acertaba 50.7% de las veces contra 100% del inglés: un hueco enteramente entre idiomas. Se corrigió embebiendo ambas formas, y hoy es 99.3%.

Esa es, creo, la idea real detrás de Vectron: una herramienta educativa sobre inteligencia artificial que se aplica a sí misma el mismo escrutinio que le enseña a la gente a exigirle a cualquier IA. Entren, jueguen con él y díganme qué tan bien —o mal— les explica algo que antes solo les pedía imaginar: vectron.kilowatto.com.