Hoy puedes pedirle a una inteligencia artificial que traduzca un texto, cree una imagen o te ayude a programar. Parece una tecnología recién inventada, pero su historia es mucho más larga. En 2026 se cumplen 70 años del encuentro que dio forma a el mundo de la inteligencia artificial como campo de investigación. Y, aun así, algunas de sus preguntas más importantes siguen abiertas: ¿puede una máquina pensar?, ¿qué significa realmente «aprender» y hasta dónde llegará esta tecnología?
¿Qué es la inteligencia artificial?
La inteligencia artificial, o IA, reúne técnicas para crear sistemas capaces de realizar tareas que asociamos con la inteligencia humana: reconocer imágenes, interpretar palabras, detectar patrones o resolver problemas. No existe una sola clase de IA. Un programa especializado en ajedrez y un sistema que genera texto funcionan de maneras diferentes, aunque ambos formen parte de esta historia.
Tampoco debemos imaginar que toda IA aprende continuamente de lo que le decimos o que entiende el mundo como una persona. Muchos sistemas aprenden durante una etapa de entrenamiento y después utilizan lo aprendido para responder. Esa diferencia ayuda a comprender sus logros y también sus errores.
Antes de la IA: robots, neuronas y una gran pregunta
Mucho antes de que existieran los ordenadores actuales, las personas ya imaginaban seres artificiales. En 1920, el escritor checo Karel Čapek utilizó la palabra «robot» en su obra R.U.R.. Aquellos robots pertenecían a la ficción, pero reflejaban una curiosidad que también empezó a crecer entre los científicos: ¿sería posible construir una máquina capaz de comportarse de forma inteligente?
Un paso decisivo llegó en 1943, cuando Warren McCulloch y Walter Pitts publicaron un modelo matemático inspirado en las neuronas. No habían construido un cerebro artificial, pero mostraron cómo una red de unidades simples podía estudiarse mediante reglas lógicas. Su trabajo ayudó a sentar las bases de las futuras redes neuronales.
En 1950, el matemático Alan Turing publicó Computing Machinery and Intelligence. Allí propuso el llamado juego de imitación: una persona conversaría por escrito con otra persona y con una máquina e intentaría distinguirlas. La idea, conocida después como «prueba de Turing», puso en el centro del debate una cuestión que todavía nos acompaña: si una máquina conversa como un ser humano, ¿qué nos dice eso sobre su inteligencia?
1956: el nacimiento oficial de la inteligencia artificial
El nombre «inteligencia artificial» apareció en una propuesta de investigación redactada en 1955. Al año siguiente, científicos como John McCarthy, Marvin Minsky, Claude Shannon y Nathaniel Rochester se reunieron en el Dartmouth College, en Estados Unidos, para estudiar cómo hacer que las máquinas realizaran tareas relacionadas con el aprendizaje y el razonamiento. Por eso, el encuentro de 1956 suele considerarse el nacimiento de la IA como disciplina.
Sus objetivos eran ambiciosos. Los investigadores querían que las máquinas usaran el lenguaje, resolvieran problemas y mejoraran su desempeño. Pero convertir esas ideas en programas útiles resultó mucho más difícil de lo que parecía. La historia de la IA avanzaría a partir de entonces entre grandes expectativas, descubrimientos y periodos de decepción.
Los primeros programas: ELIZA y los sistemas expertos
Durante las décadas de 1960 y 1970 aparecieron programas que mostraban lo que una computadora podía hacer en tareas concretas. Uno de los más recordados fue ELIZA, desarrollado por Joseph Weizenbaum y presentado en 1966. Podía mantener una conversación escrita que recordaba a la de un terapeuta, pero lo hacía mediante patrones y reglas. ELIZA no comprendía los problemas de la persona que escribía: producía respuestas que daban esa impresión.
Por aquellos años también se desarrollaron los sistemas expertos. En lugar de intentar que una máquina supiera de todo, sus creadores reunían conocimientos y reglas de un campo específico. DENDRAL, por ejemplo, ayudaba a investigar estructuras químicas. Era una forma de aprovechar la experiencia humana dentro de un programa, aunque su utilidad dependía mucho del problema para el que había sido diseñado.
El auge de los años ochenta y los «inviernos de la IA»
En los años ochenta, empresas y gobiernos invirtieron en sistemas expertos. Se esperaba que estos programas ayudaran a tomar decisiones en numerosos sectores. Sin embargo, mantener sus reglas podía ser costoso y muchas promesas eran más grandes que los resultados. Cuando disminuyeron el interés comercial y la financiación, llegó una etapa conocida como «invierno de la IA». La expresión describe los periodos en que el entusiasmo por esta investigación se enfría.
Eso no significó que la investigación se detuviera por completo. Los científicos siguieron buscando otras maneras de crear sistemas útiles. Poco a poco, los datos, una mayor capacidad de cálculo y nuevas técnicas de aprendizaje cobraron más importancia.
De Deep Blue a los asistentes de voz
En 1997, la computadora Deep Blue, desarrollada por IBM, venció al campeón mundial Garry Kasparov en un enfrentamiento de ajedrez. Fue un momento histórico, pero también una buena lección sobre los límites de la IA: Deep Blue era extraordinaria jugando al ajedrez; esa victoria no significaba que pudiera desenvolverse igual de bien en cualquier otra actividad.
En 2011, otro sistema de IBM, Watson, derrotó a dos destacados participantes del concurso televisivo Jeopardy!. Mientras tanto, los asistentes de voz y otras aplicaciones acercaban la IA a los teléfonos y a la vida cotidiana. La inteligencia artificial ya no era solo un tema de laboratorios o partidas famosas: empezaba a estar presente en herramientas que millones de personas podían utilizar.
2012–2017: el salto del aprendizaje profundo
En 2012, un trabajo de Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton mostró resultados destacados al entrenar una red neuronal profunda para reconocer imágenes. Este hito ayudó a impulsar el aprendizaje profundo, una forma de entrenar modelos con muchas capas para encontrar patrones en grandes cantidades de datos.
En 2016, AlphaGo, de DeepMind, venció por cuatro partidas a una al jugador de go Lee Sedol. El go ofrecía un desafío distinto al ajedrez por la enorme cantidad de jugadas posibles. La victoria mostró cuánto habían avanzado los sistemas capaces de aprender estrategias para una tarea compleja.
Otro cambio fundamental llegó en 2017 con la publicación de un estudio que presentó la arquitectura transformer. Sin entrar en sus detalles técnicos, esta arquitectura permitió trabajar de forma muy eficaz con secuencias de información, como las palabras de un texto. Se convirtió en una de las bases de los grandes modelos de lenguaje que aparecerían después.
2020–2022: la IA generativa llega al público
En 2020, OpenAI presentó GPT-3, un modelo capaz de producir texto y realizar distintas tareas a partir de instrucciones y ejemplos. En 2021 dio a conocer DALL·E, que generaba imágenes a partir de descripciones escritas. Conviene aclarar un error que aparece en algunas cronologías: el aporte conocido de DALL·E era crear imágenes desde texto, no producir descripciones de imágenes.
El 30 de noviembre de 2022 se presentó ChatGPT. Su formato de conversación permitió que muchas personas probaran directamente una IA generativa: bastaba con escribir una pregunta y continuar el diálogo. El público podía experimentar sus posibilidades, pero también descubrir que una respuesta fluida no siempre es una respuesta correcta.
De la ciencia a los agentes: la IA hasta 2026
La IA reciente va más allá de crear textos e imágenes. AlphaFold, desarrollado por DeepMind, ayudó a predecir la estructura tridimensional de proteínas, un problema importante para la investigación científica. El trabajo relacionado con este avance llevó a Demis Hassabis y John Jumper a compartir una parte del Premio Nobel de Química de 2024.
Entre 2025 y 2026 también ganaron protagonismo los llamados agentes de IA: sistemas que pueden utilizar herramientas y realizar varios pasos para completar una tarea, como buscar información o trabajar con programas. Sus capacidades están mejorando, pero todavía cometen errores. El informe AI Index 2026 de Stanford señala que, en una evaluación de tareas informáticas, estos agentes fallaban aproximadamente en uno de cada tres intentos. Por eso, poder realizar acciones no equivale a ser completamente fiable o autónomo.
¿Hemos llegado a la inteligencia artificial general?
La inteligencia artificial general, o IAG, sería un sistema capaz de aprender y aplicar conocimientos en una amplia variedad de situaciones, más allá de una tarea concreta. No es un nombre adecuado para toda la etapa que comenzó en 2012: reconocer imágenes, jugar al go o conversar son avances importantes, pero cada uno debe evaluarse por lo que realmente puede hacer. Además, no existe una prueba universalmente aceptada para determinar cuándo se ha alcanzado la IAG.
La historia de la inteligencia artificial sigue abierta. Empezó con modelos sencillos de neuronas y preguntas sobre máquinas que podían conversar; hoy incluye herramientas creativas, descubrimientos científicos y programas capaces de actuar en entornos digitales. Quizá lo más sorprendente no sea que la IA haya avanzado tanto, sino que seguimos intentando responder la pregunta que impulsó a sus pioneros: ¿qué significa ser inteligente?
0 comentarios:
Publicar un comentario