Por Javier Surasky
.png)
La infraestructura social de los modelos abiertos
Hugging Face entra en el mapa de poder de la IA como una empresa tecnológica que es, al mismo tiempo, la infraestructura
social de circulación, legitimación y adopción de modelos abiertos, que alojan
allí código, datasets o aplicaciones bajo condiciones que les brindan
visibilidad, reutilización, comparabilidad y significancia política.
La plataforma opera como punto de encuentro entre
investigación, desarrollo empresarial, comunidades open source, grandes
laboratorios, startups, universidades y usuarios que buscan alternativas a los
modelos cerrados: el Hugging Face Hub reúne modelos, datasets y “spaces”,repositorios de modelos, conjuntos de datos y aplicaciones demostrativas que
permiten probar, documentar y compartir sistemas de aprendizaje automático.
El poder de Hugging Face proviene justamente de su capacidad
de organizar código, pesos de modelos, datasets, tarjetas de documentación,
demos, métricas de descarga, leaderboards, licencias, espacios comunitarios y
servicios empresariales, ayudando a dar forma a una parte crítica de la cadena
de suministro de la IA contemporánea.
El punto central es que, para que un modelo abierto pueda
circular, requiere de alojamiento, formato, metadatos, documentación, licencia,
reputación, mecanismos de descubrimiento, comunidad de usuarios, integración
con librerías y, cada vez más, condiciones de seguridad. Hugging Face aparece
como un puente para cruzar esa zona intermedia entre el artefacto técnico y su
vida institucional.
Thomas Wolf et al. describieron a “Transformers” como una
biblioteca open source orientada a poner arquitecturas de última generación al
alcance de la comunidad de aprendizaje automático, combinando una API unificada
con una colección de modelos preentrenados disponibles para investigadores y
desarrolladores (Wolf et al., 2020), una perspectiva que sirve para ver cómo Hugging
Face contribuye a reducir fricciones técnicas para que modelos complejos puedan
ser usados por una comunidad más amplia.
No obstante, esa democratización técnica produce también nuevas
dependencias infraestructurales y crea riesgos asociados.
El término “modelos fundacionales” fue popularizado por el
informe On the Opportunities and Risks of Foundation Models, elaborado
por Rishi Bommasani et al (2021, p. 3), quienes los definieron como modelos
entrenados sobre datos amplios, generalmente mediante aprendizaje
autosupervisado a escala, que pueden adaptarse a una amplia gama de tareas
posteriores, y que, por tanto, producen incentivos hacia la homogeneización:
cuando un modelo base se reutiliza en muchos contextos, sus defectos pueden
propagarse. Hugging Face facilita precisamente esa propagación.
Como resultados, desde una óptica de análisis del poder,
Hugging Face abre oportunidades para investigadores, pequeñas empresas,
docentes, organizaciones públicas y comunidades técnicas que no podrían
entrenar desde cero modelos de gran escala, pero al precio de convertir una
plataforma privada en un punto de paso casi obligado para una parte importante
del ecosistema abierto: la apertura reorganiza la concentración, pero no la
elimina.
Esto nos lleva a otro punto importante: la tensión interna
de Hugging Face cuando opera como infraestructura comunitaria y como empresa al
mismo tiempo.
La comunidad es quien aporta modelos, datasets,documentación y otros contenidos, pero es Hugging Face, como empresa, quienorganiza la plataforma en la que estos se concentran, define herramientas,
ofrece servicios pagos, establece condiciones de acceso y produce una capa de
gobernanza privada dentro del software de código abierto, lo que otorga a la
plataforma poder de intermediación en tanto ejerce influencia directa sobre cómo
se descubren, evalúan y reutilizan sus componentes.
De igual forma, al ser casi un “estrecho de Ormuz del open
source”, los likes, descargas, tarjetas de modelo, rankings, Spaces, etiquetas,
integraciones con librerías, etc. funcionan como señales de relevancia que
acaban orientando atención, inversiones, experimentación y generando confianza
o desconfianza sobre modelos.
En ese proceso, la documentación ocupa un lugar clave: la
documentación oficial de Hugging Face incorpora tarjetas de modelo y de dataset
como componentes relevantes del Hub, y estas contribuyen a generar transparencia
sobre usos previstos, limitaciones, datos, métricas y condiciones de evaluación,
pero estudios recientes sobre documentación en Hugging Face muestran desigualdades:
Yang, Liang y Zou (2024) analizan 7.433 dataset cards y encuentran que las
secciones descriptivas y estructurales suelen estar más desarrolladas que las
referidas a consideraciones de uso, limitaciones e impactos sociales; Liang et
al. (2024), a partir de 32.111 model cards, hallan que las secciones sobre
limitaciones, evaluación e impacto ambiental presentan menores tasas de
completitud que las secciones técnicas; Erfan, Ryan y Rahman (2026) extienden
esa preocupación a los AI Bills of Materials en repositorios de Hugging Face,
mostrando vacíos persistentes en información sobre datasets, riesgos,
limitaciones, seguridad y trazabilidad.
Esta brecha documental es políticamente relevante, ya que un
modelo puede estar disponible, ser descargado miles de veces y contar con una
demo funcional, pero seguir siendo opaco respecto de algunos de sus elementos
fundamentales, incluso sobre las posibles consecuencias sociales o ambientales
de su uso: aunque la información cargada depende de quienes publican, es la
plataforma quien estructura los campos de información.
Hugging Face también participa en la disputa sobre quésignifica “abierto” en IA; en el software libre, la apertura remite
generalmente al acceso al código fuente, la posibilidad de modificarlo y
redistribuirlo, pero en IA generativa el asunto es más complejo, porque puede
abrirse el código, los pesos, la arquitectura, los datos de entrenamiento, las
evaluaciones, los logs, las recetas de entrenamiento o solo algunos de esos
componentes, lo que permite que un modelos sea “abierto” en sentido operativo y
cerrado en elementos que hacen a la rendición de cuentas. Hugging Face juega en
ese espacio de ambigüedad cuando permite compartir modelos y datasets, pero no
puede garantizar que los artefactos publicados sean plenamente auditables,
jurídicamente seguros, socialmente adecuados o científicamente reproducibles.
El componente geopolítico es igual de importante: los
modelos abiertos permiten a empresas, Estados y comunidades reducir su
dependencia de unas pocas APIs propietarias, habilitan adaptaciones
lingüísticas, sectoriales y regionales, pero la infraestructura que lo hace
posible sigue concentrada en actores con recursos, servidores, capital, talento
técnico y alianzas con grandes proveedores cloud. Hugging Face contribuye a
descentralizar la producción de modelos, pero no necesariamente a democratizar
las capas materiales de la IA.
Es así como Hugging Face puede ser considerado un actor de
poder infraestructural blando: no impone obligaciones vinculantes, sino que se
posiciona mediante interfaces, estándares prácticos, repositorios,
documentación, permisos, rankings, APIs, términos de uso y servicios empresariales
sobre la base de su autoridad organizativa.
En conclusión, la participación de Hugging Face en el mapa
de poder de la IA se da mediante cinco vías.
- La infraestructural, donde su Hub surge como espacio de alojamiento, búsqueda, descarga, documentación y despliegue de modelos, datasets y aplicaciones y hace de Hugging Face un nodo de circulación global para artefactos de IA.
- La comunitaria, que se sostiene en la participación de desarrolladores, investigadores, organizaciones y usuarios que publican, comentan, adaptan y reutilizan modelos a través de su plataforma.
- La reputacional, que opera a través de métricas visibles, rankings, likes, descargas, leaderboards y demos para orientar la atención técnica y darle forma de capital simbólico y, en algunos casos, de oportunidad económica.
- La normativa, ejercida mediante las tarjetas de modelo, tarjetas de dataset, licencias, repositorios restringidos, lineamientos comunitarios y mecanismos de control de acceso, que producen expectativas de conducta y estándares de facto.
- La económica, que se expresa en la combinación entre infraestructura abierta y servicios empresariales, ya que Hugging Face permite usos comunitarios y científicos, pero también ofrece soluciones a organizaciones, despliegue, control de acceso, almacenamiento y servicios vinculados a la adopción corporativa de IA.
Mientras la narrativa pública de Hugging Face se apoya en la
apertura, la colaboración y la democratización del acceso, su posición como
actor del poder en el campo de la IA la muestra como distribuidora de capacidades
efectivas para entender, evaluar, adaptar, o impugna modelos.
Hugging Face vuelve visible una paradoja central de la IA
contemporánea: la apertura puede ser una forma de resistencia frente a la
concentración, pero también una forma de infraestructura privada global.
Datos básicos
- Hugging Face fue fundada por Clément Delangue, Julien Chaumond y Thomas Wolf. La propia empresa identifica a Delangue como CEO, Chaumond como CTO y Wolf como Chief Science Officer
- Funciona como un hub central de IA que aloja modelos y datasets abiertos de amplia circulación de modelos, datasets y Spaces, donde se alojan demos y aplicaciones de aprendizaje automático directamente en perfiles personales u organizacionales.
- Transformers, una de sus bibliotecas más influyentes, fue presentada como una biblioteca open source destinada a facilitar el uso de arquitecturas Transformer y modelos preentrenados por parte de investigadores, desarrolladores y entornos industriales.
- La plataforma incorpora mecanismos de documentación como model cards y dataset cards, además de funciones de control de acceso, modelos restringidos, estadísticas de descarga, integración con librerías y herramientas de despliegue.
Referencias
Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora,
S., von Arx, S., Bernstein, M. S., Bohg, J., Bosselut, A., Brunskill, E.,
Brynjolfsson, E., Buch, S., Card, D., Castellon, R., Chatterji, N., Chen, A.,
Creel, K., Davis, J. Q., Demszky, D., Donahue, C., Doumbouya, M., Durmus, E.,
Ermon, S., Etchemendy, J., Ethayarajh, K., Fei-Fei, L., Finn, C., Gale, T.,
Gillespie, L., Goel, K., Goodman, N., Grossman, S., Guha, N., Hashimoto, T.,
Henderson, P., Hewitt, J., Ho, D. E., Hong, J., Hsu, K., Huang, J., Icard, T.,
Jain, S., Jurafsky, D., Kalluri, P., Karamcheti, S., Keeling, G., Khani, F.,
Khattab, O., Koh, P. W., Krass, M., Krishna, R., Kuditipudi, R., Kumar, A.,
Ladhak, F., Lee, M., Lee, T., Leskovec, J., Levent, I., Li, X. L., Li, X., Ma,
T., Malik, A., Manning, C. D., Mirchandani, S., Mitchell, E., Munyikwa, Z.,
Nair, S., Narayan, A., Narayanan, D., Newman, B., Nie, A., Niebles, J. C.,
Nilforoshan, H., Nyarko, J., Ogut, G., Orr, L., Papadimitriou, I., Park, J. S.,
Piech, C., Portelance, E., Potts, C., Raghunathan, A., Reich, R., Ren, H.,
Rong, F., Roohani, Y., Ruiz, C., Ryan, J., Ré, C., Sadigh, D., Sagawa, S.,
Santhanam, K., Shih, A., Srinivasan, K., Tamkin, A., Taori, R., Thomas, A. W.,
Tramèr, F., Wang, R. E., Wang, W., Wu, B., Wu, J., Wu, Y., Xie, S. M.,
Yasunaga, M., You, J., Zaharia, M., Zhang, M., Zhang, T., Zhang, X., Zhang, Y.,
Zheng, L., Zhou, K., & Liang, P. (2021). On the opportunities and risks of foundation
models. arXix. https://arxiv.org/pdf/2108.07258
Erfan, M., Ryan, A., & Rahman, M. R. (2026). A large-scale measurement of AI Bill
of Materials completeness in Hugging Face models. arXiv. https://arxiv.org/pdf/2607.17242
Gebru, T.,
Morgenstern, J., Vecchione, B., Vaughan, J. W., Wallach, H., Daumé III, H.,
& Crawford, K. (2021). Datasheets for datasets. Communications of the
ACM, 64(12), 86–92. https://dl.acm.org/doi/epdf/10.1145/3458723
Johnson, D.
G. (2022). Algorithmic accountability in the making. Social Philosophy and
Policy, 38(2), 111–127. https://www.cambridge.org/core/journals/social-philosophy-and-policy/article/algorithmic-accountability-in-the-making/6F3CE994EC96C65392C5374B3CDE3C51
Liang, W.,
Rajani, N., Yang, X., Ozoani, E., Wu, E., Chen, Y., Smith, D. S., & Zou, J.
(2024). What’s documented in AI? Systematic analysis of 32K AI model cards.
arXiv. https://arxiv.org/pdf/2402.05160
Mitchell,
M., Wu, S., Zaldivar, A., Barnes, P., Vasserman, L., Hutchinson, B., Spitzer,
E., Raji, I. D., & Gebru, T. (2019). Model cards for model reporting. Proceedings
of the Conference on Fairness, Accountability, and Transparency, 220–229. https://dl.acm.org/doi/epdf/10.1145/3287560.3287596
Wolf, T., Debut,
L., Sanh, V., Chaumond, J., Delangue, C., Moi, A., Cistac, P., Rault, T., Louf,
R., Funtowicz, M., Davison, J., Shleifer, S., von Platen, P., Ma, C., Jernite,
Y., Plu, J., Xu, C., Le Scao, T., Gugger, S., Drame, M., Lhoest, Q., &
Rush, A. M. (2020). Transformers:
State-of-the-art natural language processing. Proceedings of the 2020
Conference on Empirical Methods in Natural Language Processing: System
Demonstrations, 38–45. https://aclanthology.org/2020.emnlp-demos.6.pdf
Yang, X., Liang,
W., & Zou, J. (2024). Navigating dataset documentations in AI: A large-scale analysis of
dataset cards on Hugging Face. International Conference on Learning Representations. https://proceedings.iclr.cc/paper_files/paper/2024/file/8c67fc501a50977947c5bebbc39ca8f6-Paper-Conference.pdf