Sala 4 · El despertar · 2013

word2vec: el significado como geometría

word2vec: el significado como geometría (Tomas Mikolov y equipo · Google, 2013): Las palabras como puntos en un espacio.

word2vec representa cada palabra como un vector de números aprendido de grandes cantidades de texto. Palabras de significado parecido quedan cerca, y las relaciones se vuelven direcciones: el vector de «rey» menos el de «hombre» más el de «mujer» queda muy cerca del de «reina».

En 2013, Tomas Mikolov, Kai Chen, Greg Corrado y Jeffrey Dean, de Google, publicaron "Efficient Estimation of Word Representations in Vector Space", y ese mismo año sacaron un segundo artículo con más mejoras. Juntos presentaron word2vec, una manera rápida de convertir palabras en listas de números que capturan algo de su significado.

La idea se apoya en un viejo principio de la lingüística: a una palabra se la conoce por las compañías que tiene. word2vec lee una gran cantidad de texto y entrena una red pequeña en una tarea sencilla: predecir una palabra a partir de las que la rodean, o las palabras vecinas a partir de una dada. La tarea en sí no es lo importante. Lo que importa es el subproducto: cada palabra termina representada por un vector, una lista de unos cientos de números, que resume los contextos en los que aparece.

El espacio resultante tiene una estructura sorprendente. Las palabras que se usan de forma parecida quedan cerca unas de otras: "gato" (cat) cerca de "perro" (dog), "París" (Paris) cerca de "Roma" (Rome). Y algunas relaciones se vuelven direcciones constantes. El ejemplo famoso es rey menos hombre más mujer, que cae muy cerca de reina. Una aritmética similar conectaba países con sus capitales y verbos con sus tiempos.

Google publicó el código y los vectores entrenados con un gran corpus de noticias, y word2vec se convirtió pronto en una herramienta estándar en la investigación y en la industria.

También dejó al descubierto un problema. Como los vectores aprenden de la escritura humana, absorben sus sesgos. En 2016, unos investigadores mostraron que la misma aritmética producía asociaciones estereotipadas entre género y profesiones, lo que abrió una importante línea de trabajo sobre equidad en la tecnología del lenguaje.

Los modelos de lenguaje actuales siguen empezando por convertir cada fragmento de texto en un vector, un descendiente directo de esta idea.

Pregunta a tu IA: ¿qué palabras estarían cerca de "museo" (museum) en un espacio de word2vec, y por qué?

¿Sabías que…? Aprendió relaciones como país y capital sin que nadie se las explicara.

Fuente: arxiv.org/abs/1301.3781

Verla en el museo →

← La red que encontró gatos · Redes generativas antagónicas →

Toda la Sala 4: El despertar

Cómo citar: Nazareno, I. (2026). word2vec: el significado como geometría (2013). New Mind Museum. Consultado el 17 de noviembre de 2026, en https://newmindmuseum.com/es/museo/word2vec-el-significado-como-geometria-2013/