El espacio vectorial: cómo el significado se vuelve geometría

Imagina un cielo nocturno donde cada palabra es una estrella. No están puestas al azar: las que hablan de cosas parecidas brillan juntas, formando constelaciones. "Río", "lago" y "corriente" se agrupan en un rincón húmedo del firmamento; "furia", "ira" y "cólera" arden juntas en otro. Y si tuvieras ojos para verlo, notarías que la distancia entre dos estrellas no es capricho: mide cuánto se parecen sus significados. Ese cielo existe. No es una metáfora poética que inventé para empezar bonito: es, literalmente, cómo las máquinas modernas guardan el lenguaje. Se llama espacio vectorial de embeddings, y en él el significado dejó de ser una idea abstracta para volverse geometría.

01 · el vectorUna palabra que se convierte en coordenada

Un embedding es, en esencia, una lista de números que representa una palabra, una frase o incluso una imagen. Donde tú lees "gato", la máquina guarda algo como [0.24, −0.81, 0.05, …]: cientos de números, cada uno una coordenada en un eje distinto. Así como un punto en un mapa necesita dos coordenadas (latitud y longitud) y un punto en el espacio necesita tres, una palabra en este universo semántico vive en un espacio de cientos de dimensiones (típicamente 300, 768 o más). No podemos visualizar 300 ejes, pero la intuición se sostiene: cada palabra es un punto, y su posición no es arbitraria. La aprendió un modelo leyendo enormes cantidades de texto, guiado por una vieja sospecha lingüística: una palabra se conoce por la compañía que mantiene. Las palabras que aparecen en contextos similares terminan cerca. La geometría es un residuo del uso.

La distancia entre dos palabras no es capricho: mide cuánto se parecen sus significados.

02 · la cercaníaSimilitud es distancia, y la distancia se mide con un ángulo

Si el significado es posición, entonces la similitud es cercanía. Dos ideas parecidas son dos puntos vecinos; dos ideas ajenas, dos puntos lejanos. Pero aquí la geometría hace un giro elegante. En estos espacios no solemos medir la distancia en línea recta, sino el ángulo entre los vectores: la llamada similitud coseno. Imagina dos flechas que salen del origen hacia sus respectivas estrellas. Si apuntan casi en la misma dirección, el ángulo entre ellas es pequeño y su coseno se acerca a 1: significan casi lo mismo. Si son perpendiculares, el coseno es 0: no tienen relación. Y si apuntan en sentidos opuestos, se acerca a −1. Lo bello de medir el ángulo y no la longitud es que a la máquina le importa hacia dónde apunta el significado, no cuán largo sea el vector. La dirección es el sentido; la magnitud, casi un detalle.

03 · la aritméticaRey − hombre + mujer ≈ reina

Aquí ocurre el prodigio que hizo famoso a este campo. En 2013, un equipo de Google liderado por Tomáš Mikolov presentó word2vec, un método para aprender estos vectores a partir de texto crudo [1]. Y descubrieron algo asombroso: los vectores no solo agrupaban palabras parecidas, sino que codificaban relaciones como direcciones. Restar el vector de "hombre" al de "rey" aísla algo así como la esencia de la realeza, despojada de género. Si a ese resultado le sumas "mujer", aterrizas, muy cerca, en el punto donde vive "reina". En notación: rey − hombre + mujer ≈ reina.

Léelo con la geometría de la Figura 2 en mente. El paso de "hombre" a "rey" es un vector concreto (una flecha con dirección y longitud) que representa "volverse realeza". Ese mismo desplazamiento, aplicado a "mujer", te lleva a "reina". Las cuatro palabras dibujan un paralelogramo. Lo notable es que nadie programó esto: emergió solo del modelo prediciendo qué palabras acompañan a cuáles. El género, la pluralidad, incluso "capital de un país", se volvieron direcciones consistentes que se pueden sumar y restar. El significado se había vuelto álgebra.

Nadie programó la analogía: emergió sola del texto. El significado se volvió álgebra.

04 · el linajeDe word2vec a GloVe: dos caminos, un mismo cielo

Un año después, en 2014, Jeffrey Pennington, Richard Socher y Christopher Manning, en Stanford, propusieron GloVe (Global Vectors) [2]. Si word2vec aprendía deslizando una ventana por el texto, prediciendo vecinos palabra a palabra, GloVe partía de una matriz global de co-ocurrencias: contaba cuántas veces cada par de palabras aparece junto en todo el corpus, y ajustaba los vectores para que su geometría reflejara esas estadísticas. Dos rutas distintas, una local y predictiva, otra global y basada en conteos, que desembocaban en el mismo firmamento: espacios donde la cercanía es parentesco de sentido y las relaciones son direcciones. Estos trabajos fundaron la intuición que hoy sostiene a los grandes modelos de lenguaje, cuyos embeddings son incomparablemente más ricos, pero descienden de esta misma idea.

Vale la pena una nota de honestidad: estos espacios heredan lo que leen. Si el texto que entrena al modelo carga prejuicios, la geometría los absorbe como direcciones también, y esa es una constelación que conviene mirar con ojo crítico. Pero incluso ahí la lección se sostiene: el espacio vectorial es un espejo del lenguaje humano, con su luz y sus sombras, traducido a coordenadas. Aprender a leer ese mapa es aprender a leernos.