Ecosistema de la industria de IA
Cuando eliges una herramienta de IA, en realidad estás eligiendo una ruta tecnológica.
¿Elegir código cerrado o abierto? ¿Elegir servicios en la nube o implementación local? ¿Elegir empresas estadounidenses o chinas? Estas decisiones afectan tu eficiencia laboral, seguridad de datos y costos a largo plazo.
Más importante aún, si estás considerando tu desarrollo profesional, necesitas saber qué empresas lideran la tecnología y qué direcciones representan el futuro.
Este artículo no te va a inculcar noticias aburridas de la industria, sino que te ayudará a establecer un marco para entender la industria de la IA.
Entender el ecosistema de la industria no es por curiosidad, sino para tener una base sólida al tomar decisiones.
Panorama de las principales empresas de IA
Los actores de la industria de la IA se pueden dividir en varias categorías: principales empresas estadounidenses, principales empresas chinas y empresas unicornio.
Cada tipo de empresa tiene diferentes rutas tecnológicas y estrategias de producto.
Principales empresas estadounidenses
Estados Unidos lidera la tecnología de modelos de gran escala, y cuatro empresas son las más representativas.
| Empresa | Modelo principal | Características | Producto representativo |
|---|---|---|---|
| OpenAI | GPT-4、GPT-4o | Liderazgo técnico, comercialización madura | ChatGPT、GPTs |
| Anthropic | Claude 3、Claude 3.5 | Prioridad en seguridad, gran capacidad de texto largo | Claude.ai |
| Google DeepMind | Gemini | Fuerte en multimodalidad, sólida capacidad de investigación | Aplicación Gemini |
| Meta AI | Serie Llama | Pilar del código abierto, gratuito y disponible | Llama 3、Llama 3.1 |
OpenAIEs el desarrollador de ChatGPT y el impulsor clave que llevó la IA al público. Se caracteriza por rápidas actualizaciones tecnológicas y buena experiencia de producto, pero la privacidad de datos y las estrategias de precios suelen generar controversia.
AnthropicFundada por exempleados de OpenAI, se centra en "IA segura". El modelo Claude destaca en el procesamiento de documentos largos (decenas de miles de caracteres) y su revisión de contenido es relativamente flexible.
Google DeepMindEs el creador de AlphaGo y ahora se centra en la serie de modelos Gemini. Su ventaja radica en la capacidad multimodal (imágenes, video, audio) y una profunda acumulación investigadora.
Meta AISigue una ruta completamente diferente: el código abierto. Los modelos de la serie Llama se ofrecen gratis a los desarrolladores; cualquiera puede descargarlos, modificarlos y desplegarlos. Esto le da a Meta una enorme influencia en la comunidad de código abierto.
Principales empresas chinas
Las empresas chinas de IA también están alcanzando rápidamente, formando su propio ecosistema.
| Empresa | Modelo principal | Características | Producto representativo |
|---|---|---|---|
| Baidu | Serie de grandes modelos Wenxin (ERNIE) | Es el pionero nacional en grandes modelos, profundo en multimodalidad, búsqueda y servicios empresariales, con abundantes casos de implementación en el sector público y privado. | Wenxin Yiyan, Wenxin Qianfan, Wenxin Yige |
| Alibaba | Serie Tongyi Qianwen (Qwen) | Lidera en impulso al código abierto, con modelos ligeros y de parámetros ultragrandes disponibles, profundamente integrado con los ecosistemas de comercio electrónico y computación en la nube. | Tongyi Qianwen, Tongyi Wanxiang, Alibaba Cloud Bailian |
| Tencent | Gran modelo Hunyuan | Apoyándose en sus negocios de redes sociales, juegos y video, es bueno en escenarios de generación de texto e imagen, generación de video, avatares digitales e integración social para el cliente final. | Tencent Hunyuan Asistente, Hunyuan Pintura, Tencent Zhiying |
| ByteDance | Gran modelo Doubao | Ventajas destacadas en generación de contenido multimodal y video corto, cubriendo conversación personal, creación con IA y asistencia ofimática. | Doubao AI, Dreamina, Coze (Kouzi) |
| Moonshot AI | Serie de grandes modelos Moonshot | Se centra en ventanas de contexto ultra largas, admite lectura sin pérdida de texto a nivel de millones de caracteres, con claras ventajas en escenarios de documentos y bases de conocimiento. | Asistente inteligente Kimi |
| Zhipu AI | GLM, Zhipu Qingyan | Profundo trasfondo académico, cubre diálogo general, código y escenarios de investigación, con despliegue privado empresarial maduro. | Zhipu Qingyan, Zhipu Code, Zhipu Qingyan Enterprise Edition |
| MiniMax (Xiyu Technology) | Modelo 01 | Capacidades destacadas en voz, avatares digitales y generación de video, con una sólida presencia comercial en el extranjero. | Hailuo AI, plataforma de generación de video con avatares digitales |
| DeepSeek | Gran modelo DeepSeek | Grandes modelos de código con rendimiento de primer nivel, con toda la serie de modelos abierta a gran escala, orientado a desarrolladores e investigadores. | DeepSeek Chat、DeepSeek Coder |
BaiduEs una de las primeras empresas del país en invertir en grandes modelos; Wenxin Yiyan tiene ventajas en la comprensión del chino.
AlibabaLa serie de modelos Tongyi Qianwen (Qwen) ha sido muy activa en código abierto, con parámetros desde 1.800 millones hasta 72.000 millones, y tiene una alta tasa de uso en la comunidad de código abierto.
MoonshotEs una empresa emergente que se centra en contexto ultra largo: su asistente Kimi puede procesar documentos de más de un millón de caracteres de una sola vez, lo que resulta muy útil para manejar libros y bases de código.
Empresas unicornio
También hay algunas empresas emergentes, fundadas hace poco tiempo, pero con características técnicas distintivas y valoraciones muy altas.
| Empresa | Modelo principal | Características | Sede central |
|---|---|---|---|
| Mistral AI | Serie Mistral | Innovación tecnológica, prioridad a la eficiencia | Francia |
| Cohere | Command R+ | Servicios empresariales, recuperación aumentada | Canadá |
| xAI | Grok | Fundada por Musk, busca la verdad | Estados Unidos |
Mistral AIEs una empresa francesa, conocida por modelos pequeños pero precisos. Mistral 7B lidera en rendimiento dentro de su rango de parámetros, y además ha lanzado la arquitectura MoE (mezcla de expertos), que es muy eficiente.
Elegir los productos de qué empresa depende principalmente de tus necesidades: si quieres la mayor capacidad, elige OpenAI o Anthropic; si quieres código abierto gratuito, elige DeepSeek, Zhipu, etc.
Código abierto vs. código cerrado
Esta es la disputa de rutas más importante en la industria de la IA.
Por un lado está la ruta de código cerrado representada por OpenAI y Anthropic: los modelos solo son accesibles a través de API o páginas web, no puedes ver los pesos del modelo.
Por otro lado está la ruta de código abierto representada por DeepSeek y Alibaba: puedes descargar el modelo completo y ejecutarlo en tu propio dispositivo.
¿Qué es un modelo de código abierto?
El código abierto tiene una definición clara en el ámbito del software, pero en el campo de la IA, la situación es algo diferente.
El código abierto real significa que puedes libremente:
- Descargar los pesos del modelo
- Usarlo para fines comerciales
- Modificar la arquitectura del modelo
- Republicar versiones derivadas
Pero muchos modelos llamados de código abierto en realidad son de pesos abiertos: puedes descargarlos y usarlos, pero con restricciones de uso comercial.
Modelos típicos de código abierto
| Serie de modelos | Desarrollador | Licencia | Características |
|---|---|---|---|
| Llama 3/3.1 | Meta | Comercialmente amigable | Ecosistema más completo, buen soporte comunitario |
| Mistral | Mistral AI | Apache 2.0 | Alta eficiencia, gran innovación |
| Qwen | Alibaba | Apache 2.0 | Fuerte capacidad en chino |
| Yi | 01.AI | Comercialmente amigable | Equilibrado entre chino e inglés |
Comparación: código cerrado vs. código abierto
Ambas rutas tienen ventajas y desventajas; no hay una absolutamente buena o mala, depende de tu escenario.
| Dimensión | Modelo de código cerrado | Modelo de código abierto |
|---|---|---|
| Capacidad máxima | Generalmente más potentes (GPT-4, Claude 3) | Alcanzándolos, pero la brecha se está reduciendo |
| Privacidad de datos | Los datos se envían a terceros | Los datos permanecen en local |
| Coste de uso | Pago por Token | Inversión única en hardware |
| Capacidad de personalización | Limitada (solo se puede ajustar el prompt) | Totalmente controlable (se puede ajustar y cuantizar) |
| Dificultad de despliegue | Cero despliegue (usar la API directamente) | Requiere capacidad técnica para desplegar |
| Velocidad de actualización | El proveedor actualiza continuamente | Hay que seguir las nuevas versiones uno mismo |
Cómo elegir
Casos en los que elegir código cerrado:
- Buscas el máximo rendimiento y no quieres complicarte con detalles técnicos
- Tus datos no son sensibles y puedes enviarlos a terceros
- Tu volumen de uso es bajo, pagar por Token es más rentable
- Necesitas lanzar rápido y no quieres perder tiempo desplegando
Casos en los que elegir código abierto:
- Tus datos son muy sensibles y no pueden salir de la empresa
- Tu volumen de uso es alto, pagar por Token resulta demasiado caro
- Necesitas personalizar profundamente el comportamiento del modelo
- Tienes un equipo técnico que puede desplegar y mantener
Estrategia recomendada: usa código cerrado para volúmenes bajos y fase de exploración (bajo coste, lanzamiento rápido), y considera código abierto para gran escala y entornos de producción (mayor control, menor coste a largo plazo).
IA en la nube vs. IA local
Esta es otra decisión importante: ¿usar servicios de IA en la nube o ejecutar modelos en tu propio ordenador?
IA en la nube: lista para usar
La IA en la nube consiste en usar servicios de IA alojados en la nube mediante una página web o una API.
No necesitas preocuparte de dónde está desplegado el modelo, cuántas GPU usa ni cómo se actualiza: solo introduces contenido y obtienes resultados.
Productos típicos de IA en la nube:
| Producto | Tipo | Método de pago |
|---|---|---|
| ChatGPT | Chat web | Suscripción $20/mes, o pago por uso |
| Claude.ai | Chat web | Suscripción $20/mes, o pago por uso |
| OpenAI API | Interfaz API | Facturación por Token |
| Anthropic API | Interfaz API | Facturación por Token |
IA local: totalmente controlable
La IA local ejecuta modelos de código abierto en tu propio ordenador o servidor.
Los datos no salen de tu dispositivo y no necesitas pagar de forma continua.
Pero necesitas una buena tarjeta gráfica, normalmente una GPU de NVIDIA; cuanta más memoria de video (VRAM), mejor.
Herramientas comunes para IA local:
| Herramienta | Características | Público objetivo |
|---|---|---|
| Ollama | Inicio con un clic, operación por línea de comandos | Desarrolladores, usuarios técnicos |
| LM Studio | Interfaz gráfica, amplia biblioteca de modelos | Usuarios normales, principiantes |
| vLLM | Servicio de inferencia de alto rendimiento | Despliegue en entornos de producción |
| Text Generation WebUI | Funciones más completas, se puede ajustar (fine-tuning) | Usuarios avanzados |
Comparación: IA en la nube vs. IA local
| Dimensión | IA en la nube | IA local |
|---|---|---|
| Coste inicial | Cero, pago por uso | Alto (hay que comprar GPU) |
| Coste de uso | Pago continuo según el uso | Electricidad + depreciación del hardware |
| Privacidad de datos | Los datos se envían al proveedor | Los datos están completamente en local |
| Dificultad de despliegue | Ninguno | Requiere cierta capacidad técnica |
| Velocidad de respuesta | Depende de la red | Cálculo local, velocidad estable |
| Límite de capacidad | Puede usar los modelos más grandes | Limitado por la memoria de la tarjeta gráfica |
Estrategia híbrida: aprovechar lo mejor de ambos
Muchas empresas adoptan una estrategia híbrida:
- Usar modelos locales para datos sensibles
- Usar APIs en la nube para consultas normales
- Usar servicios en la nube durante los picos diurnos y procesamiento por lotes local por la noche
Así se garantiza la seguridad de los datos y se controlan los costes.
Recomendación para usuarios particulares: prueba primero la IA en la nube; una vez familiarizado, si tienes requisitos de privacidad o aumenta tu volumen de uso, considera el despliegue local.
Infraestructura de IA
La IA no son solo modelos: la potencia de cálculo subyacente, los chips y los servicios en la nube constituyen la infraestructura de toda la industria.
Potencia de cómputo GPU: por qué NVIDIA domina el mercado
Entrenar modelos grandes requiere una enorme cantidad de cálculo; las GPU (unidades de procesamiento gráfico) son el hardware más adecuado en la actualidad.
NVIDIA tiene una posición casi monopolística en este campo, por tres razones:
| Ventaja | Descripción |
|---|---|
| Ecosistema CUDA | CUDA es el marco de programación de NVIDIA; casi todos los frameworks de IA lo soportan de forma prioritaria |
| Capacidad de memoria de video | Las tarjetas profesionales como H100 y A100 tienen 80 GB o más de memoria de video |
| Soporte de software | Las bibliotecas optimizadas, compiladores y cadenas de herramientas son las más completas |
Posicionamiento de las GPU NVIDIA comunes:
| Modelo de tarjeta | Memoria de video | Posicionamiento | Escenarios de uso |
|---|---|---|---|
| RTX 3090/4090 | 24GB | Gama de consumo | Aprendizaje personal, inferencia de modelos pequeños |
| A10G | 24GB | Profesional de entrada | Inferencia ligera, ajuste (fine-tuning) |
| A100 | 80GB | Nivel profesional | Entrenamiento de modelos, inferencia a gran escala |
| H100 | 80GB | Gama alta (flagship) | Entrenamiento de modelos grandes (70B+) |
El tamaño de la memoria de video es un indicador clave.En general:
- Un modelo de 7B necesita 8-16 GB de memoria de video
- Un modelo de 13B necesita 16-32 GB de memoria de video
- Un modelo de 70B necesita 60-80 GB de memoria de video
Proveedores de computación en la nube: potencia de cómputo como servicio
No todo el mundo puede permitirse una GPU que cuesta cientos de miles; los proveedores de nube ofrecen un modelo de "alquiler por horas".
| Proveedor de nube | Características | Instancias típicas |
|---|---|---|
| AWS | La mayor variedad de tipos de instancia | Series p4d, p5, g5 |
| Azure | Servicios empresariales completos | Series NC, ND, NV |
| GCP | Buen soporte para TPU | Series A3, T4 |
| Alibaba Cloud | Acceso rápido en China | Series gn6, gn7 |
Alternativas nacionales de potencia de cómputo
Debido a las restricciones de exportación de chips, China está desarrollando activamente su propia potencia de cálculo.
Principales actores:
| Fabricante | Chip | Características |
|---|---|---|
| Huawei Ascend | Ascend 910 | Ecosistema relativamente completo, soporta entrenamiento de modelos grandes |
| Cambricon | Siyuan 590 (Cambricon MLU590) | Enfocado en aceleración de IA |
| Hygon | DCU | Compatible con el ecosistema CUDA |
Los chips nacionales aún están alcanzando el nivel; el principal problema es el ecosistema de software: muchos frameworks de IA requieren adaptaciones específicas.
Para desarrolladores individuales, se recomienda empezar con tarjetas gráficas NVIDIA de consumo (como la RTX 4090), ya que el ecosistema es el más maduro y hay más documentación.
Modelos de negocio de IA
¿Cómo ganan dinero las empresas de IA? Actualmente hay principalmente tres modelos.
B2C: modelo de suscripción
Dirigido a usuarios individuales, con pago mensual.
| Producto | Precio | Contenido incluido |
|---|---|---|
| ChatGPT Plus | $20/mes | Acceso prioritario a GPT-4, respuestas más rápidas |
| Claude Pro | $20/mes | Acceso prioritario a Claude 3, contexto más largo |
| GitHub Copilot | $10/mes | Autocompletado de código, explicación de código |
La ventaja del modelo de suscripción es un flujo de caja estable y una alta lealtad del usuario. Pero hay que aportar valor continuamente; de lo contrario, los usuarios cancelarán la suscripción.
B2B: llamadas a API
Se paga según el uso: cuantas más veces llames a la API, más pagas.
La unidad de precio es el "Token", que puede entenderse como "palabra" o "carácter".
Precios típicos (mediados de 2025):
| Modelo | Precio de entrada | Precio de salida |
|---|---|---|
| GPT-4o | $5/millón de Tokens | $15/millón de Tokens |
| Claude 3.5 Sonnet | $3/millón de Tokens | $15/millón de Tokens |
| GPT-4 | $30/millón de Tokens | $60/millón de Tokens |
| Llama 3.1 405B (autohospedado) | Coste de hardware + electricidad | |
Hagamos números: supón que tienes una aplicación que procesa 100 000 consultas al día, y cada consulta usa 1000 Tokens.
Con GPT-4o, el costo diario es $5 (entrada) + $15 (salida) = $20, mensualmente $600.
Si el volumen de uso es mayor, los costos aumentan rápidamente—esta es también la razón por la que muchas empresas finalmente eligen autoalojar modelos de código abierto.
Monetización del ecosistema de código abierto
Los modelos de código abierto en sí son gratuitos, pero las empresas pueden ganar dinero a través de servicios periféricos:
- Servicios de alojamiento: te ayudan con el despliegue y la operación
- Versión empresarial: proporciona funciones adicionales y soporte
- Servicios de consultoría: te ayudan a personalizar y optimizar
- Servicios de entrenamiento: ajustan el modelo con tus datos
Mistral AI es un representante de este modelo—el modelo es de código abierto, pero las empresas necesitan pagar para acceder a modelos más grandes y mejores servicios.
Comparación de los tres modelos
| Modelo | Usuarios objetivo | Estabilidad de ingresos | Requisitos técnicos |
|---|---|---|---|
| Modelo de suscripción | Usuarios individuales | Medio | Se necesita una excelente experiencia de producto |
| Llamadas API | Desarrolladores, empresas | Alta (impulsada por el uso) | Se necesita un servicio estable |
| Ecosistema de código abierto | Empresas, desarrolladores | Más lenta (requiere construir un ecosistema) | Se necesita capacidad de gestión comunitaria |
Regulación y políticas de IA
La IA se está desarrollando demasiado rápido, y todos los países están formulando políticas regulatorias. Comprender estas políticas te ayuda a evitar riesgos.
Ley de IA de la Unión Europea
La regulación de la UE es la más estricta, con la idea central de "clasificar según el nivel de riesgo".
| Nivel de riesgo | Definición | Requisitos regulatorios |
|---|---|---|
| Riesgo inaceptable | Puntuación social, reconocimiento facial en tiempo real | Prohibido |
| Riesgo alto | Dispositivos médicos, sentencias judiciales, contratación | Cumplimiento estricto, alta transparencia |
| Riesgo medio | Chatbots, generación de contenido | Etiquetar contenido generado por IA |
| Riesgo bajo | Juegos, edición de imágenes | Básicamente sin requisitos |
El impacto de la Ley de IA de la UE es global—siempre que tu producto sirva a usuarios de la UE, debes cumplirla.
Marco regulatorio de IA en China
Las políticas regulatorias de China también se están perfeccionando gradualmente; los documentos centrales incluyen:
- "Medidas Provisionales para la Gestión de Servicios de Inteligencia Artificial Generativa"
- "Ley de Inteligencia Artificial" (borrador para comentarios)
Requisitos clave:
- El contenido generado debe ser veraz y preciso, sin fabricar información falsa
- El mecanismo de revisión de contenido debe ser completo
- Las fuentes de datos deben ser legales
- Los algoritmos deben ser transparentes y explicables
Actualidad de las políticas de IA en EE. UU.
La regulación en EE. UU. es relativamente laxa, principalmente a través de órdenes ejecutivas y autorregulación de la industria.
Enfoques clave:
- Seguridad nacional: prevenir que la IA se use con fines maliciosos
- Equidad: prevenir la discriminación algorítmica
- Transparencia: el contenido generado por IA debe estar etiquetado
Para desarrolladores individuales, lo más importante a tener en cuenta: el contenido generado por IA debe tener una etiqueta clara y no debe hacerse pasar por creación humana. Al involucrar datos personales, se deben cumplir las regulaciones de protección de datos.
Perspectivas de las tendencias de la industria de IA para 2025
Desde mediados de 2026, varias tendencias ya están bastante claras.
Tendencia 1: las capacidades de los modelos siguen mejorando, pero los beneficios marginales disminuyen
GPT-5, Claude 5, Gemini 3.0, DeepSeek 4 y GLM 5 ya han llegado, pero cada actualización trae cada vez menos sorpresas.
No es que la tecnología haya alcanzado un límite, sino que ya hay muchos escenarios donde "es suficiente".
Tendencia 2: los modelos de código abierto siguen acortando distancias con los de código cerrado
El rendimiento de Llama 3.1 405B ya se acerca al nivel de GPT-4, y es gratuito.
En el futuro, más empresas se unirán al campo del código abierto, y el ecosistema de modelos de código abierto será cada vez más completo.
Tendencia 3: la capa de aplicaciones está estallando, los agentes se vuelven prácticos
En los últimos años la competencia fue en la capa de modelos; ahora se está moviendo hacia la capa de aplicaciones.
AI Agent (agente inteligente)—IA capaz de completar tareas complejas de forma autónoma—pasará del concepto a la práctica.
Tendencia 4: la multimodalidad se convierte en estándar
Cada vez habrá menos modelos de texto puro; los modelos multimodales que pueden procesar simultáneamente texto, imágenes, audio y video se convertirán en el estándar.
Tendencia 5: la regulación se normaliza
Los marcos regulatorios de varios países se implementarán gradualmente, y la industria de IA pasará de "crecimiento salvaje" a la etapa de "desarrollo regulado".
| Tendencia | Impacto en los individuos | Recomendaciones de respuesta |
|---|---|---|
| Mejora de capacidades de los modelos | Herramientas cada vez más potentes | Presta atención a las nuevas funciones, pero no persigas lo nuevo a ciegas |
| Los modelos de código abierto alcanzan a los cerrados | El despliegue local es más viable | Aprende el stack de herramientas de código abierto |
| Explosión de la capa de aplicaciones | Las oportunidades están en la capa de aplicaciones | Combina la IA con tu campo |
| La multimodalidad como estándar | Puedes hacer más cosas | Amplía las ideas de aplicaciones multimodales |
| Regulación normalizada | Los requisitos de cumplimiento aumentan | Comprende las regulaciones relevantes |
Ejemplo de código: llamar a la API de un modelo de código abierto
Escribamos un ejemplo simple en Python que demuestre cómo llamar a la API de un modelo de código abierto.
Usaremos Ollama como servicio de inferencia local, que admite múltiples modelos de código abierto como Llama 3, Qwen y Mistral.
Referencia relacionada con Ollama:https://www.example.com/ollama/ollama-tutorial.html。
Ejemplo
# Ejemplo de llamada a API de modelo de código abierto
# Demostración: usar Ollama para ejecutar el modelo Llama 3 localmente
# ============================================
import requests
import json
def call_ollama_model(prompt: str, model: str = "llama3") -> str:
"""
Llamar a la API de Ollama para obtener la respuesta del modelo
Explicación de parámetros:
prompt: tu pregunta o texto de entrada
model: nombre del modelo a usar (por defecto llama3)
Valores opcionales: llama3, qwen2, mistral, yi, etc.
Valor de retorno:
El texto de respuesta del modelo
"""
# Ollama se ejecuta por defecto en el puerto local 11434
url = "http://localhost:11434/api/generate"
# Construir los datos de la solicitud
payload = {
"model": model, # El modelo utilizado
"prompt": prompt, # Entrada del usuario
"stream": False, # No usar salida en streaming (retorno de una sola vez)
"options": {
"temperature": 0.7, # Parámetro de temperatura: cuanto más alto, más aleatorio; cuanto más bajo, más determinista
"top_p": 0.9, # Parámetro de muestreo: controla la diversidad
"num_predict": 512, # Número máximo de tokens a generar
}
}
try:
# Enviar solicitud POST
response = requests.post(url, json=payload, timeout=60)
response.raise_for_status() # Verificar si la solicitud fue exitosa
# Analizar el resultado devuelto
result = response.json()
return result.get("response", "No se obtuvo respuesta")
except requests.exceptions.ConnectionError:
return "Error: no se pudo conectar al servicio de Ollama. Por favor, inicia Ollama primero."
except requests.exceptions.Timeout:
return "Error: la solicitud expiró, el modelo puede estar cargándose."
except Exception as e:
return f"Error: {str(e)}"
def chat_with_ejemplo():
"""Ejemplo de conversación multi-turno con el asistente de IA de ejemplo"""
print("=" * 50)
print("🚀 Asistente de IA de ejemplo (basado en el modelo de código abierto Llama 3)")
print("=" * 50)
print("Consejo: escribe 'quit' o 'exit' para salir de la conversación")
print()
# Historial de conversación (para coherencia contextual)
conversation_history = []
while True:
# Obtener entrada del usuario
user_input = input("Tú: ").strip()
# Verificar si se debe salir
if user_input.lower() in ["quit", "exit", "Salir"]:
print("ejemplo IA: ¡Adiós! Vuelve cuando quieras.")
break
if not user_input:
continue
# Construir el prompt con contexto
full_prompt = "\n".join(conversation_history) + f"\nUsuario: {user_input}\nAsistente:"
# Llamar al modelo
print("ejemplo AI: ", end="", flush=True)
response = call_ollama_model(full_prompt)
print(response)
print()
# Actualizar el historial de conversación
conversation_history.append(f"Usuario: {user_input}")
conversation_history.append(f"Asistente: {response}")
# Conservar solo las últimas 5 rondas de conversación para evitar que el contexto sea demasiado largo
if len(conversation_history) > 10:
conversation_history = conversation_history[-10:]
# Ejemplo 1: llamada única
print("--- Ejemplo 1: pregunta única ---")
question = "Explica en una frase qué es un modelo de lenguaje grande."
print(f"Pregunta: {question}")
answer = call_ollama_model(question)
print(f"Respuesta: {answer}")
print()
# Ejemplo 2: usar diferentes modelos
print("--- Ejemplo 2: cambiar entre diferentes modelos ---")
for model_name in ["llama3", "qwen2", "mistral"]:
print(f"Usando el modelo {model_name}:")
answer = call_ollama_model("Hola, preséntate.", model=model_name)
print(f"Respuesta: {answer[:100]}...") # Mostrar solo los primeros 100 caracteres
print()
# Ejemplo 3: conversación multi-turno (descomenta para ejecutar)
# print("--- Ejemplo 3: conversación multi-turno ---")
# chat_with_ejemplo()
Antes de ejecutar este código, primero necesitas instalar Ollama:
- irhttps://ollama.comDescarga e instala Ollama
- Ejecuta en la terminal:
ollama pull llama3Descargar el modelo - Ejecuta:
ollama serveInicia el servicio (si aún no está iniciado) - Luego ejecuta el código de Python de arriba
Si no tienes una GPU local, también puedes usar las API de modelos de código abierto en la nube, como Together.ai, Anyscale, etc. La forma de llamarlos es similar, solo difieren la URL y el método de autenticación.
Otras extensionesLa ventaja de los modelos de código abierto es que puedes desarrollar y probar localmente primero con un modelo pequeño (7B), y si el resultado es bueno, cambiar a un modelo grande (70B) o a un servicio en la nube.