El viaje en el tiempo a través de la IA: cuando un estudiante descubrió historia real de 1834 por accidente
¿Alguna vez has imaginado poder hablar con alguien del pasado? Pues resulta que la IA está acercándonos a ese escenario más de lo que pensábamos. Un estudiante universitario acaba de demostrarlo de forma completamente accidental, y su experiencia nos enseña mucho sobre el potencial de estos sistemas cuando se entrenan con datos históricos.
Cuando tu experimento de IA revela historia que no sabías que existía
Hayk Grigorian, un estudiante de informática en el Muhlenberg College de Pensilvania, estaba trabajando en un proyecto personal: crear un modelo de lenguaje que «hablara» como si viviera en la época victoriana. Lo hacía por diversión, sin grandes pretensiones. Pero su pequeño experimento, llamado TimeCapsuleLLM, le dio una sorpresa mayúscula cuando mencionó protestas ocurridas en Londres en 1834.
Lo fascinante es que estas protestas realmente ocurrieron. El modelo también mencionó a Lord Palmerston, una figura histórica cuyas acciones efectivamente provocaron disturbios ese año. Grigorian no había introducido específicamente esta información en su modelo; de hecho, tuvo que buscar en Google para confirmar si lo que su IA había «dicho» era real o una simple alucinación.
Los modelos históricos: una nueva forma de explorar el pasado
Este experimento no es un caso aislado. Forma parte de una tendencia emergente conocida como «Modelos de Lenguaje Históricos» (HLLMs, por sus siglas en inglés), que busca recrear no solo el lenguaje, sino también las estructuras de pensamiento de épocas pasadas.
Otros ejemplos incluyen:
- MonadGPT: entrenado con 11.000 textos de 1400 a 1700, capaz de discutir temas utilizando marcos de conocimiento del siglo XVII.
- XunziALLM: especializado en generar poesía china clásica siguiendo reglas formales antiguas.
Lo que diferencia al proyecto de Grigorian es su escala: ha conseguido resultados sorprendentes con apenas 6,25 GB de datos (unos 7.000 libros, documentos legales y periódicos publicados en Londres entre 1800 y 1875). «Imagina los resultados con 30 GB o más», comentaba el estudiante en Reddit.
Cómo funciona: viaje lingüístico a través de la estadística
Lo que Grigorian llama «Entrenamiento Temporal Selectivo» (STT) tiene un enfoque particular: en lugar de ajustar modelos como GPT-2 (que ya tienen conocimientos modernos integrados), construye sus modelos desde cero utilizando exclusivamente fuentes victorianas.
«Si ajusto algo como GPT-2, ya está preentrenado y esa información no desaparecerá», explicaba en GitHub. «Si entreno desde cero, el modelo de lenguaje no pretenderá ser antiguo, simplemente lo será».
Su método incluye:
- Tokenización personalizada: que excluye el vocabulario moderno.
- Arquitecturas pequeñas: basadas en nanoGPT y Microsoft Phi 1.5.
- Entrenamiento progresivo: ha creado tres versiones, cada una con mayor coherencia histórica.
La primera versión producía lo que podríamos llamar «galimatías victoriano». La segunda generaba prosa gramaticalmente correcta del periodo, pero inventaba hechos. La actual, entrenada con una GPU A100 alquilada, ha comenzado a generar referencias históricas precisas.
De la alucinación a la «factcidencia»: cuando la IA dice verdades por casualidad
Lo que hace especial este caso es que estamos ante lo contrario de una alucinación. Grigorian no esperaba que su modelo conectara correctamente hechos históricos que él mismo desconocía. Es casi como si el sistema hubiera reconstruido un momento histórico coherente a partir de fragmentos dispersos entre miles de documentos.
Este fenómeno, que podríamos llamar «factcidencia» (un accidente factual), muestra cómo incluso los modelos pequeños pueden sintetizar información de formas sorprendentes al ser entrenados con datos de calidad.
Aplicaciones prácticas: más allá del experimento
Para historiadores e investigadores en humanidades digitales, estos experimentos abren puertas interesantes. Imaginad poder conversar con un simulador que hable como un londinense de 1850, o un moscovita de 1900. No sería históricamente perfecto, pero permitiría estudiar sintaxis, vocabulario y expresiones de épocas pasadas de manera interactiva.
Grigorian ya planea expandir su proyecto: «Quiero probar eventualmente con diferentes ciudades, tal vez un modelo de una ciudad china, rusa o india», escribió, invitando a la colaboración. Todos sus códigos, pesos del modelo y documentación están disponibles públicamente en GitHub.
Detectores de IA vs. modelos históricos
Es curioso pensar en cómo funcionarían los actuales detectores de IA frente a estos modelos. La mayoría de detectores están entrenados para identificar el texto generado por modelos contemporáneos como ChatGPT, pero ¿cómo reaccionarían ante un texto que imita perfectamente el estilo victoriano? Probablemente lo marcarían como escrito por humanos, lo que plantea cuestiones interesantes sobre cómo definimos la «autenticidad» en la era de la IA.
El futuro de la recreación histórica mediante IA
Lo que comenzó como un experimento de un estudiante nos está mostrando un camino fascinante para la IA: no solo como herramienta para mirar hacia el futuro, sino también como ventana al pasado.
En un mundo donde los generadores de imágenes IA pueden recrear escenas históricas con precisión fotorrealista, estos modelos de lenguaje históricos completan el cuadro permitiéndonos «escuchar» las voces del pasado.
Quizá en unos años, los museos ofrezcan experiencias donde podamos «conversar» con personajes históricos modelados con esta tecnología, o los estudiantes puedan sumergirse en el lenguaje y pensamiento de épocas pasadas de forma interactiva.
Lo que está claro es que, mientras seguimos preocupándonos (con razón) por las alucinaciones de la IA, también deberíamos prestar atención a esos momentos en que, casi por accidente, nos revela verdades que ni siquiera sabíamos que estábamos buscando.
