💬 NLP

The Digital Afterlife of Empires: Four Language Models Converge on the Same Imperial Cartography of Writing

Este artículo sostiene que las desigualdades imperiales históricas persisten en los modelos de lenguaje de gran tamaño contemporáneos a través de datos de entrenamiento compartidos, lo que resulta en un desapoyo digital radical para la mayoría de los sistemas de escritura y en errores sistemáticos y convergentes a través de diversas arquitecturas de modelos que atribuyen erróneamente de forma desproporcionada escrituras no religiosas al uso religioso.

Autores originales: Hiroki Fukui

Publicado 2026-06-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hiroki Fukui

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La Gran Idea: El Fantasma en la Máquina

Imagina que la historia es una biblioteca gigante. Durante 500 años, imperios poderosos (como España, Gran Bretaña o Francia) decidieron qué libros conservar, cuáles quemar y en qué idiomas escribir. Destruyeron muchos sistemas de escritura locales y obligaron a otros a cambiar.

Este artículo argumenta que los Modelos de Lenguaje Extensos (LLM) —los cerebros de IA detrás de herramientas como ChatGPT— no son invenciones nuevas y neutrales. En cambio, son como fantasmas que acechan una biblioteca construida por esos imperios. Aunque los imperios se han ido, sus "fantasmas" siguen en el edificio. La IA no sabe leer ciertos idiomas no porque los ingenieros fueran malvados, sino porque la biblioteca (los datos de internet) de la que aprendió carece de esos libros.

Los Hallazgos Principales, Desglosados

1. El "Impuesto Digital" (Por qué algunos idiomas cuestan más)

Imagina que vas a un peaje para entrar en una autopista.

Los angloparlantes pagan $1 por recorrer 10 millas.
Los hablantes de lenguas minoritarias (como el limbu o el adlam) se les cobra $31.70 por recorrer las mismas 10 millas.

¿Por qué? La IA divide el texto en fragmentos pequeños llamados "tokens" (como piezas de Lego).

Para el inglés, la IA tiene una caja enorme de piezas de Lego ya prefabricadas. Las ensambla fácilmente.
Para las escrituras minoritarias, la IA no tiene las piezas adecuadas. Tiene que descomponer las letras en bytes brutos y sin sentido (como si tuviera que triturar las piezas de Lego hasta convertirlas en polvo de plástico e intentar reconstruirlas desde cero).
El Resultado: Se requiere 31 veces más "esfuerzo de computación" para procesar una oración en limbu que en inglés. Esto no es un error; es un "impuesto" integrado en el sistema porque esos idiomas fueron históricamente suprimidos y tienen menos datos en internet.

2. El "Embudo Digital" (Quién tiene derecho a ser escuchado)

Los investigadores analizaron 300 sistemas de escritura diferentes de la historia humana. Intentaron ver qué tan bien los apoya el mundo digital.

El Embudo: Imagina un embudo gigante.
- Arriba: Entran 300 escrituras.
- Medio: Muchas se quedan estancadas porque no están en el diccionario de la computadora (Unicode) o no pueden ser leídas por escáneres (OCR).
- Abajo: Solo 29 escrituras (menos del 10%) logran pasar por completo hasta el fondo.
El Patrón: Las escrituras que logran pasar son casi exclusivamente las utilizadas por los imperios históricos (latín, chino, árabe, cirílico). Las escrituras que se quedan estancadas son aquellas que esos imperios intentaron borrar.
La Tragedia: 60 idiomas todavía son hablados por personas vivas hoy en día, pero el mundo digital los trata como si estuvieran muertos. Son "vivos pero digitalmente muertos".

3. El Experimento de los "Cuatro Amigos" (No es solo una IA)

Para demostrar que esto no era un error de una sola empresa (como OpenAI), los investigadores hicieron a cuatro familias de IA diferentes (Claude, GPT-4o, Grok y DeepSeek) las mismas 3,000 preguntas sobre sistemas de escritura.

La Sorpresa: Estas cuatro IA son construidas por empresas distintas, en países distintos, con códigos diferentes. No deberían coincidir en sus errores.
La Realidad: Coincidieron en sus errores el 90% de las veces.
La Analogía: Imagina a cuatro estudiantes que fueron a cuatro escuelas diferentes. Si todos obtienen la misma respuesta incorrecta en un examen de historia, no es porque se hayan copiado entre sí. Es porque todos leyeron el mismo libro de texto sesgado.
El Sesgo: Las IA fallaron consistentemente de la misma manera. Por ejemplo, si una escritura era de un país no occidental, las IA tenían muchas probabilidades de suponer: "Ah, esto debe usarse para la religión", aunque no fuera así. Estaban rellenando los huecos con estereotipos encontrados en los datos.

4. El "Imperio sin Emperador"

El hallazgo más importante es que nadie está actualmente a cargo de este sesgo.

Los ingenieros no se sentaron a decir: "Hagamos que los hablantes de limbu paguen más".
El sesgo es estructural. Ocurrió así:
1. Los imperios destruyeron comunidades y redujeron el número de hablantes.
2. Menos hablantes significaron menos libros y sitios web escritos en esos idiomas.
3. Menos sitios web significaron que la IA no tenía datos para aprender.
4. La falta de datos significa que la IA es mala en ese idioma.
El "Imperio" ya no necesita un líder. El daño está integrado en las estadísticas. La IA solo está haciendo matemáticas basadas en un mundo que ya era desigual.

El Error de la "Religión"

Un hallazgo específico destacó: las IA estaban obsesionadas con suponer que las escrituras eran "religiosas".

De todos los errores que las cuatro IA cometieron juntas, el 43% consistió en suponer que una escritura se usaba para la religión cuando no era así.
¿Por qué? Internet está lleno de descripciones de la era colonial sobre culturas no occidentales que se centraban fuertemente en sus aspectos "místicos" o "religiosos", ignorando sus usos diarios, administrativos o científicos. La IA aprendió que "Escritura No Occidental = Religión".

La Conclusión: ¿Qué se puede hacer?

El artículo sugiere que no podemos simplemente "arreglar" la IA ajustando su código.

El Problema: El problema es la biblioteca (los datos de entrenamiento), no el lector (la IA).
La Solución: Para arreglar esto, necesitamos cambiar la biblioteca. Necesitamos añadir más libros escritos por las personas que hablan estos idiomas, en sus propios sistemas de escritura, describiendo sus propias vidas.
La Advertencia: Hasta que no hagamos eso, la IA seguirá siendo un espejo de los últimos 500 años de historia, reflejando las mismas desigualdades, incluso si nadie lo pretendía.

En resumen: La IA no está rota; simplemente está repitiendo fielmente la historia de quién tenía permitido escribir y quién fue silenciado. El "más allá digital" de los imperios sigue muy vivo.

Resumen Técnico: El Más Allá Digital de los Imperios

Planteamiento del Problema
Los Modelos de Lenguaje de Gran Escala (LLM) procesan los sistemas de escritura del mundo con una desigualdad radical. Mientras que los alfabetos de los imperios históricos (p. ej., latín, cirílico, árabe) se procesan de manera eficiente, las escrituras de comunidades colonizadas o marginadas sufren una exclusión digital significativa. Este artículo investiga si la infraestructura digital contemporánea y los LLM reproducen las desigualdades estructurales infligidas por los imperios históricos. Específicamente, se pregunta si los "relojes culturales rotos" de los sistemas de escritura —documentados en un estudio complementario (Fukui, 2026) como desviaciones estructurales causadas por la intervención imperial— persisten en el espacio latente de los modelos de lenguaje modernos a través del corpus de entrenamiento compartido, en lugar de mediante decisiones de diseño arquitectónico específicas.

Metodología
El estudio construye el Índice de Representación de Escritura Digital (DSRI), un instrumento de siete ejes aplicado a la Base de Datos Global de Escrituras (GSD), que cataloga 300 sistemas de escritura a lo largo de 43,000 años de historia. El DSRI mide la presencia digital a través de:

Ratio de Eficiencia de Tokens (TER): El número de tokens requeridos para representar un grupo de grafemas en relación con una base de referencia latina, medido a través de cuatro tokenizadores (tiktoken, Mistral, Qwen, Phi-4) utilizando texto paralelo (UDHR, eBible) y corpora de Wikipedia.
Cobertura Unicode: Estado de codificación, rangos de puntos de código y versionado.
Volumen de Corpus Web: Derivado del conteo de artículos de Wikipedia y de los bytes del corpus CC-100.
Fidelidad de Generación de LLM: Precisión al responder 10 preguntas tipológicas binarias (p. ej., direccionalidad, uso religioso) frente a la verdad de terreno de la GSD.
Soporte de OCR: Tasas de error de caracteres a través de Tesseract, Google Cloud Vision y Azure.
Cobertura de Traducción Automática: Soporte binario a través de Google, NLLB-200 y DeepL.
Disponibilidad de Métodos de Entrada: Soporte nativo de teclado/IME en iOS, Android, Windows y macOS.

Para abordar la circularidad de utilizar un solo LLM tanto como instrumento como objeto, el estudio emplea un protocolo de validación de arquitectura cruzada. Cuatro familias independientes de LLM (Claude Haiku 4.5, GPT-4o, Grok-3-mini, DeepSeek-V3) fueron consultadas con 3,000 prompts tipológicos idénticos (300 escrituras × 10 características), produciendo 12,000 respuestas.

Los análisis estadísticos incluyen:

Modelado de Mediación Serial: Probando la trayectoria Intervención Imperial → Población de Hablantes → Volumen de Corpus Web → Eficiencia del Tokenizador.
Modelado de Ecuaciones Estructurales (SEM): Evaluando el ajuste del modelo con $n=45$ (el límite de escrituras con texto paralelo medible).
Análisis de Convergencia: Calculando las correlaciones de Spearman de las desviaciones de error (tasas de falsos positivos y falsos negativos) entre pares de modelos para identificar sesgos independientes de la arquitectura.
Pruebas de Sensibilidad: Excluyendo la característica "usado para la religión" para probar si la convergencia es impulsada por un único código de verdad de terreno disputado.

Resultos Clave

Embudo de Exclusión Digital: Solo 29 de 300 escrituras (9.7%) cuentan con soporte completo por la infraestructura digital contemporánea. Entre las 158 escrituras vivas, 60 (38.0%) carecen de soporte completo. La exclusión sigue una geografía colonial, afectando desproporcionadamente a las escrituras de África, el sur y el sudeste asiático, y Oceanía.
El "Impuesto Digital": La eficiencia del tokenizador varía por un factor de 31.7 a través de 45 escrituras medidas (base latina = 1.0; Limbu = 31.7×). Esta disparidad es consistente en cuatro tokenizadores independientes, lo que indica una causa estructural en lugar de una implementación específica. Las escrituras con los mayores costos de token a menudo carecen de corpora web en lenguaje natural (p. ej., no hay párrafos de Wikipedia), lo que agrava la exclusión.
Mediación Causal: La relación entre la intervención imperial y la ineficiencia del tokenizador está totalmente mediada por la población de hablantes y el volumen del corpus web. El efecto directo del imperio sobre la tokenización es indistinguible de cero ( $\beta = -0.22, p = 0.39$ ). El modelo de ecuaciones estructurales logra un ajuste casi perfecto con $n=45$ (CFI = 1.01, RMSEA = 0.00), donde la presencia digital contribuye con un $\Delta R^2$ incremental de 0.366.
Convergencia de Arquitectura Cruzada: Cuatro LLM independientes exhiben patrones de error altamente correlacionados ( $\rho = 0.85–0.98$ ) cuando se desvían de las expectativas de tasa base. Esta convergencia persiste incluso cuando se excluye la característica de "religión", lo que sugiere que el sesgo es externo a cualquier modelo individual y reside en el sustrato textual compartido.
Errores Unánimes: Los cuatro modelos responden 172 ítems de característica-escritura erróneamente de forma idéntica. La sobre-atribución (asignar una característica no presente) supera al reconocimiento insuficiente en una proporción de 3.9:1. La característica "usado para la religión" concentra el 43.6% de estos errores. Al excluirla, la asimetría persiste en 1.77:1 ( $p=0.008$ ), indicando un sesgo multicanal donde las escrituras no occidentales son sistemáticamente mapeadas sobre plantillas de orígenes "antiguos", "pictográficos" o "religiosos".
Dos Heridas Independientes: El estudio encuentra una independencia estadística entre la disrupción estructural de las escrituras (desviación del reloj molecular) y la destrucción demográfica de las comunidades que usan la escritura (estado de byte-fallback). Los imperios infligen ambas: alterando la forma de la escritura y destruyendo a la comunidad que la utiliza.

Significancia y Reivindicaciones
El artículo argumenta que el "imperio" no requiere de un emperador para reproducir su violencia en la era digital. Las desigualdades estructurales de la historia colonial se han sedimentado en la distribución estadística de la web global. Debido a que los LLM son entrenados en este corpus, heredan y reproducen estos sesgos con "fidelidad matemática", independientemente de su arquitectura específica o de la organización que los construyó.

Los hallazgos desafían la noción de que el sesgo es un resultado de decisiones de diseño de modelos específicos o procedimientos de alineación. En su lugar, el artículo postula que la asimilación computacional —la sobre-atribución sistemática de características de escrituras mayoritarias a escrituras minoritarias— es una propiedad del propio sustrato textual. La convergencia de cuatro modelos independientes sugiere que la "cartografía imperial de la escritura" está codificada en los datos, no en los algoritmos.

Los autores enmarcan modestamente los resultados de la mediación causal como "sugestivos más que confirmatorios" debido a la fragilidad estadística en el margen (el intervalo bootstrap BCa roza el cero), reconociendo que el $n=45$ es un "horizonte" impuesto por la propia exclusión digital, no una limitación de muestreo aleatorio. Sin embargo, la convergencia de arquitectura cruzada proporciona evidencia robusta e independiente de que el sesgo es estructural y previo a los modelos.

El artículo concluye que la remediación no puede lograrse mediante el ajuste fino (fine-tuning) de modelos individuales. Debido a que el sesgo se localiza en el corpus, las intervenciones deben ser de nivel superior: expandiendo los tokenizadores para incluir todos los sistemas de escritura Unicode, corrigiendo la asignación de vocabulario basada en la frecuencia y, lo más crítico, abordando el daño demográfico e institucional infligido por los imperios que dejaron a estas comunidades sin una voz digital. El "más allá digital de los imperios" se preserva no por malicia, sino por el método de aprendizaje basado en la frecuencia sobre un corpus no neutral.