Durante años, entrenar una inteligencia artificial fue como construir una catedral: un proceso largo, costoso y reservado a pocos. Había que partir de cero, con enormes cantidades de datos, potencia de cómputo y tiempo. Pero a comienzos de la década de 2010, los investigadores descubrieron que no siempre hacía falta empezar desde el principio. Una máquina ya entrenada podía reaprender, adaptarse a un nuevo contexto o especializarse en una tarea concreta. A ese proceso de refinamiento se le llamó fine-tuning.
El concepto nació en el campo del aprendizaje profundo (deep learning), cuando se comprendió que las redes neuronales, una vez entrenadas sobre grandes volúmenes de información, contenían representaciones reutilizables. En 2014, investigadores de Google y Stanford demostraron que una red que había aprendido a reconocer miles de objetos en fotografías podía ajustarse —con una fracción del esfuerzo— para detectar, por ejemplo, solo tipos de frutas o piezas de maquinaria. Esa idea, inspirada en la plasticidad del cerebro humano, cambió la forma de entender la inteligencia artificial: el conocimiento no se desecha, se hereda.
