Una palabra adquiere parte de su sentido por lo que la rodea. «Gustado» aparece tanto en «La película me ha gustado» como en «La película no me ha gustado». Para distinguir ambas frases al llegar a esa última palabra, necesitamos conservar algo del recorrido hasta ella.
Una red neuronal recurrente, o RNN, trabaja con esa idea: cada palabra se procesa junto al estado que han dejado las anteriores. El resultado es un estado nuevo, que pasa al siguiente paso. La red reutiliza el mismo cálculo a lo largo de la frase; lo que va cambiando es la combinación entre la palabra actual y ese contexto acumulado.
En la máquina de esta entrada, los tres relojes sobre la placa MEMORIA forman una sola pieza: la memoria de la red. Sus agujas hacen visibles los tres números de ese estado. Cada palabra puede modificarlo. Al llegar a «gustado», el estado anterior ya es distinto en las dos frases, y esa diferencia participa en el cálculo de la salida. La misma operación se aplica a todas las palabras, incluida «no».
Podemos comprobar el papel del contexto desconectando el retorno de memoria: el cable resaltado con un halo turquesa, junto a los tres relojes pequeños. Púlsalo y elige «Desconectar memoria». Entonces cada palabra se calcula por separado y las dos frases llegan a «gustado» con el mismo resultado. La comparación permite observar qué aporta la conexión entre pasos, además de ver moverse las agujas.
Este instrumento es una demostración pequeña: sus pesos se han entrenado una vez, en local, con 32 frases sintéticas que incluyen las dos que vamos a explorar. Sirve para inspeccionar cómo una RNN combina entrada y estado previo; acertar estos ejemplos conocidos no demuestra que comprenda el lenguaje. Todo se ejecuta en tu navegador, sin entrenamiento durante la visita ni llamadas a un servicio de IA.
Dos frases para empezar
Elige «Sin negación» para ver «La película me ha gustado» y pulsa sus palabras en orden, desde «la» hasta «gustado». La palabra seleccionada aparece también sobre la máquina. Así puedes seguir el recorrido y observar qué cambia en cada paso.
Las tres agujas muestran las tres componentes de su estado oculto, una representación numérica del contexto leído. Al entrar una palabra se calcula el estado siguiente y las agujas se desplazan hasta sus nuevos valores. Entre palabras permanecen quietas. Algunas variaciones pueden ser pequeñas: no hay una regla que obligue a las tres agujas a moverse mucho en cada paso.
Al llegar a «gustado», la frase termina. Las agujas conservan el último estado y el ejemplo muestra una valoración positiva. Cambia a «Con negación» para recorrer «La película no me ha gustado». Las dos primeras palabras producen los mismos estados, porque el comienzo es idéntico. Después aparece «no» y cambia el recorrido. La salida final de esta segunda frase es negativa.
No hace falta recorrer siempre la frase desde el principio. Al pulsar una palabra, el navegador calcula lo leído hasta ese punto desde un estado inicial de cero. El resultado no depende de las fichas que hayas visitado antes. Al llegar al final, las agujas conservan el último estado calculado.
La aguja cian corresponde a la frase que has elegido. La referencia ámbar discontinua muestra el estado de la otra frase al llegar a la misma palabra. Encima de la máquina puedes ver qué palabras se han leído en cada recorrido. Son dos ejecuciones comparadas sobre los mismos relojes, no dos memorias dentro de la red.
Prueba a seleccionar «me»: en una frase viene después de «la película» y en la otra después de «la película no». Las referencias se separan porque el contexto previo es distinto. En «no» no aparece la referencia: esa palabra no existe en la otra frase. Al desconectar el retorno de memoria, vuelve a seleccionar «me» o «gustado»: cian y ámbar se superponen, porque la misma palabra se calcula sin lo que la precede.
Qué guarda la máquina
Una RNN no necesita almacenar una copia literal de todo el texto para que su respuesta dependa del pasado. Combina la palabra actual con un vector de tamaño fijo que llega del paso anterior y produce otro vector del mismo tamaño. En este instrumento, ese vector contiene tres números.
«Oculto» no significa que sea imposible verlo: aquí lo enseñamos con las agujas y en la comparación del registro anterior. El término lo distingue de las palabras de entrada y de la clasificación de salida. Tampoco quiere decir que cada aguja tenga un significado humano independiente. No podemos etiquetar una como «negación» y otra como «opinión» solo porque se muevan en esta prueba.
El trabajo de Jeffrey Elman en «Finding Structure in Time» ayuda a situar la idea: reutilizar activaciones internas como contexto para el cálculo siguiente. Lo que cruza de un paso a otro son valores del estado; los pesos de la red se mantienen.
El alimentador de nuestra máquina representa la entrada. El módulo central representa el cálculo compartido. La pieza Memoria de la red agrupa los tres relojes y hace visible el vector de estado. Las luces del módulo de salida indican la valoración final. Puedes pulsar las piezas para separarlas y leer su descripción. La carcasa y los componentes electrónicos son una metáfora visual, no el hardware que ejecuta una red recurrente.
La máquina incorpora también un cartucho de vocabulario: al abrirlo puedes inspeccionar las 13 palabras y su codificación. Elegir una palabra dentro del cartucho solo cambia esa vista; no la introduce en la frase. Los contactos del dibujo siguen indicando la palabra que realmente está procesando la red.
El módulo Estado anterior, con tres relojes pequeños, conserva los valores justo antes de la palabra seleccionada. Al pulsarlo puedes compararlos con el estado actual o retroceder una palabra. Son otras vistas de las mismas tres unidades, no neuronas adicionales.
El conducto de retorno, identificado por su halo turquesa, representa la información que vuelve al procesador. Un pulso lo recorre al avanzar, excepto en el primer paso, cuyo estado anterior es cero. Al abrir su descripción puedes desconectar o reconectar el contexto. Las dos luces de salida permanecen apagadas hasta la última palabra y muestran entonces la clasificación positiva o negativa.
Cómo entran palabras en una red de números
La red no opera directamente sobre las letras de «película». Este ejemplo tiene un vocabulario cerrado de 13 palabras. Cada palabra se codifica como un vector con una posición activa y las demás a cero: una codificación one-hot. La tilde se conserva en pantalla; el vocabulario interno usa «pelicula» como identificador.
La operación recurrente es:
hₜ = tanh(Wₓ xₜ + λ Wₕ hₜ₋₁ + b)
Aquí xₜ es el vector de la palabra actual, hₜ₋₁ contiene las tres activaciones anteriores y hₜ contiene las tres nuevas. Wₓ relaciona las palabras con las unidades ocultas; Wₕ mezcla el estado previo; b añade los sesgos aprendidos. tanh mantiene cada activación entre −1 y 1. La documentación de RNN de PyTorch describe la misma operación básica.
En la fórmula, λ representa la conexión que puedes activar o desactivar desde el conducto de retorno. Permite retirar el término recurrente para hacer una comparación didáctica. No es una puerta aprendida ni convierte el modelo en una LSTM. En la prueba normal vale uno.
La salida se obtiene combinando el estado con otros pesos aprendidos: sₜ = wᵧ · hₜ + bᵧ. El signo del resultado al terminar la frase decide entre positiva y negativa. La descripción del indicador de resultado muestra tanh(sₜ / 2), que conserva ese signo. No mostramos una opinión definitiva después de cada palabra: el entrenamiento supervisa la clasificación de la frase completa, no la de sus fragmentos.
La prueba de quitar el contexto
Pulsa el cable con halo turquesa, junto al módulo Estado anterior, y elige «Desconectar memoria». El halo pasa a gris para indicar que el retorno está desconectado. La influencia del estado anterior pasa a cero. Recorre ambas frases hasta «gustado». Pulsa el módulo Estado anterior y compara las tres lecturas de la columna «Ahora». Las lecturas coinciden: la palabra es la misma y hemos retirado el término que traía información del pasado.
Eso no implica que las agujas se queden inmóviles durante toda la frase. Sin memoria, palabras distintas pueden producir estados distintos. Lo que desaparece es la dependencia de las palabras anteriores. «Me» puede mover las agujas después de «no», aunque la red ya no conserve el efecto de «no».
En este modelo, al retirar la memoria, las dos frases terminan con la misma clasificación negativa. No hemos entrenado otro clasificador sin recurrencia: hemos intervenido sobre una red entrenada con ella. La comparación permite ver que se pierde la distinción, no promete que la red siga acertando después de modificar su cálculo.
Al pulsar «Conectar memoria», vuelve a activarse la influencia del estado anterior. Los estados finales y las clasificaciones vuelven a diferenciarse. Cambiar ese control recalcula todo el prefijo seleccionado desde cero; no mezcla una parte de la frase con memoria y otra sin ella.
Cuándo deben moverse las agujas
La máquina avanza por palabras, no por el tiempo que pase desde que abriste la página. Hay movimiento cuando un cálculo produce un estado diferente: al seleccionar una palabra, cambiar la frase o conectar y desconectar la memoria. El desplazamiento suave solo ayuda a seguir el cambio entre dos estados; no representa cálculos adicionales.
Una vez alcanzado el estado calculado, las agujas deben quedar quietas hasta el siguiente cambio. Después de la última palabra conservan el estado final. Pulsar una ficha ya seleccionada no debe inventar un estado diferente. Con la memoria a cero, visitar la misma palabra en dos contextos debe dar las mismas lecturas.
Separar una pieza mueve su posición en el dibujo, pero no modifica las activaciones ni los pesos. Así podemos distinguir una acción sobre la representación de una acción sobre el cálculo.
Lo que este ejemplo no demuestra
El modelo se ha entrenado con combinaciones de cuatro comienzos, cuatro verbos y presencia o ausencia de «no». Son 32 frases artificiales, etiquetadas mediante una regla sencilla. Las dos frases que mostramos forman parte de ese conjunto. Que las clasifique correctamente comprueba el ejemplo, pero no demuestra que generalice a críticas de cine nuevas.
No hemos evaluado ironía, negaciones complejas, vocabulario nuevo ni frases largas. El artículo en inglés utiliza la misma red y las mismas palabras españolas, con una traducción de apoyo; no es un modelo bilingüe. Tampoco hay aprendizaje durante la visita: recorrer una frase actualiza el estado, no los parámetros.
Las RNN sencillas tienen dificultades conocidas para aprender dependencias largas. Pascanu, Mikolov y Bengio las analizan en «On the difficulty of training Recurrent Neural Networks». Ver una aguja moverse poco no mide un gradiente que desaparece: aquí observamos activaciones durante la lectura, no gradientes durante el entrenamiento.
La comprobación que nos interesa es más concreta: la misma palabra final puede producir estados distintos cuando cambia lo que la precede. Podemos retirar esa influencia, repetir la lectura y observar cómo desaparece la diferencia. Ese pequeño experimento explica mejor la recurrencia que atribuirle comprensión a una máquina porque dibujamos tres relojes.

¿Te ha resultado útil? Si te apetece apoyar este espacio, puedes invitarme a un café.
Invítame a un café Apoyo voluntario a través de PayPal. Tú eliges el importe.
