Historia de la IA: una cronología de pruebas, promesas y límites

Esta guía, revisada el 30 de julio de 2026, cuenta la historia de la inteligencia artificial sin dibujar una flecha inevitable desde un autómata hasta la AGI. Una figura mecánica que repite movimientos, un programa que aplica reglas y una red que aprende de ejemplos pueden parecer capítulos de la misma marcha. Técnicamente responden a preguntas distintas, usan recursos distintos y demuestran capacidades distintas.

La historia se vuelve útil cuando cada hito se lee con cinco preguntas: ¿qué tarea se definió?, ¿cómo se representó el conocimiento?, ¿de dónde llegó la señal de aprendizaje?, ¿con qué prueba se proclamó el avance? y ¿qué infraestructura lo hizo posible? Esa plantilla permite distinguir una innovación duradera de una promesa que cambió el vocabulario sin cambiar la evidencia.

Los autómatas son prehistoria cultural, no IA temprana

Relojes, figuras mecánicas y máquinas programables mediante levas o tarjetas mostraron que un artefacto podía ejecutar una secuencia compleja. Su autonomía aparente dependía de un mecanismo fijado por el constructor: no inferían una regla nueva ni ajustaban su conducta a partir de datos. Su lugar en la historia de la IA es cultural y conceptual. Hicieron visible la idea de conducta artificial, pero no contienen en miniatura el aprendizaje automático moderno.

Esta distinción previene una causalidad fácil. Una cronología puede conectar inventos sin afirmar que uno produjo directamente el siguiente. El salto decisivo para la IA no fue que una máquina se moviera como un ser vivo, sino que el cálculo pudiera expresarse de manera general, ejecutarse en ordenadores electrónicos y usarse para estudiar conductas llamadas inteligentes.

1950: cambiar «pensar» por una prueba observable

En «Computing Machinery and Intelligence», publicado en 1950, Alan Turing sustituyó la pregunta «¿pueden pensar las máquinas?» por el juego de imitación. La intervención histórica no fue declarar una esencia de inteligencia, sino proponer un comportamiento evaluable mediante conversación escrita. El artículo también discutía objeciones y consideraba la posibilidad de una máquina que aprendiera.

La prueba tuvo una virtud y un límite. Permitió debatir sobre desempeño sin acordar una definición metafísica de pensamiento, pero mide una interacción lingüística bajo un protocolo. Superarla no demostraría percepción física, autonomía general ni conciencia. La lección histórica es que cada campo progresa al operacionalizar una pregunta, y que la operación nunca agota el concepto.

1955–1956: un nombre y un programa de investigación

La propuesta de Dartmouth, fechada el 31 de agosto de 1955 para un proyecto en el verano de 1956, formuló la conjetura de que aspectos del aprendizaje y la inteligencia podían describirse con precisión suficiente para que una máquina los simulara. El documento enumeró lenguaje, redes neuronales, abstracción, creatividad y mejora automática, entre otros problemas.

Ese texto es mejor fuente que la leyenda de un «nacimiento» instantáneo. El encuentro no fabricó una inteligencia general: reunió un nombre, investigadores y preguntas extraordinariamente ambiciosas. También muestra que la tensión entre símbolos y redes, o entre conocimiento incorporado y aprendizaje, no apareció con los modelos actuales. Estaba en el programa desde el principio.

La era simbólica: hacer explícitas reglas y búsquedas

Una gran corriente temprana representó hechos, metas y reglas como símbolos manipulables. Resolver un teorema, buscar una secuencia de movimientos o recomendar una acción podía describirse como exploración de estados e inferencia. En «Programs with Common Sense», John McCarthy planteó un sistema capaz de deducir consecuencias inmediatas de lo que se le decía y de lo que ya sabía. La ambición era general, aunque los sistemas efectivos tendieron a delimitar dominios.

Los sistemas expertos muestran tanto el poder como el perímetro. MYCIN organizó conocimiento médico mediante reglas y podía explicar qué reglas consideraba; el libro del proyecto MYCIN documenta los experimentos y el trabajo de ingeniería. El hito no autoriza a decir que «la IA ya diagnosticaba como una mente general». Enseña que representar conocimiento especializado puede producir conducta competente y que adquirir, mantener y situar esas reglas es parte del problema.

Los «inviernos» fueron correcciones institucionales

La historia popular alterna primaveras de entusiasmo e inviernos de decepción. La etiqueta resume recortes de financiación, límites técnicos y expectativas incumplidas, pero no significa que toda investigación se detuviera. El informe encargado a James Lighthill por el Science Research Council británico en 1973, conservado en el archivo de UCL, forma parte de esa historia de evaluación pública y controversia.

Leer un invierno exige preguntar qué promesa falló, qué métrica faltaba y qué recursos eran insuficientes. A veces el algoritmo existía pero no había cómputo o datos; otras veces una demostración pequeña no escalaba. La caída de financiación no prueba que una idea fuera falsa, igual que la inversión posterior no prueba que sea correcta. Historia técnica e historia institucional se cruzan, pero no son equivalentes.

Redes neuronales: aprender representaciones a partir del error

El conexionismo no apareció de repente en la década de 2010. Las redes tuvieron ciclos propios y recuperaron fuerza cuando métodos, datos y hardware se combinaron. El artículo de 1986 «Learning representations by back-propagating errors» describió cómo ajustar repetidamente conexiones para reducir la diferencia entre salida real y deseada, de modo que unidades internas capturaran regularidades de la tarea.

La diferencia histórica frente a un sistema puramente escrito a mano es la fuente de la representación: muchas características se ajustan desde ejemplos y una función de pérdida. Eso no elimina decisiones humanas. Arquitectura, datos, objetivo y evaluación siguen diseñados. «Aprende solo» borra precisamente las elecciones que permiten explicar qué aprendió.

Los benchmarks y los datos se convierten en infraestructura

El avance moderno no puede narrarse solo como una lista de arquitecturas. ImageNet, presentado en 2009 como una base jerárquica de imágenes a gran escala, creó datos y una referencia compartida para reconocimiento visual. En 2012, el trabajo conocido como AlexNet entrenó una red convolucional profunda sobre la competición y mostró una mejora importante dentro de ese protocolo.

El hito nació de una combinación: etiquetas humanas, conjunto de datos, GPU, algoritmo de optimización, arquitectura y competición. Atribuirlo únicamente a «más inteligencia» pierde la cadena causal. También recuerda que un benchmark orienta el campo: facilita comparar, pero incentiva optimizar para sus clases y distribución. Ganarlo demuestra rendimiento en esa prueba, no visión universal.

Del programa por tarea al preentrenamiento reutilizable

El aprendizaje por transferencia cambió la unidad de producción. En lugar de entrenar siempre desde cero, una representación aprendida en gran escala podía adaptarse. En lenguaje, el Transformer de «Attention Is All You Need» se presentó en 2017 para traducción automática, reemplazando recurrencia y convolución por mecanismos de atención en esa arquitectura. Su importancia posterior no convierte el artículo original en una declaración de AGI.

El preentrenamiento generativo amplió el repertorio de tareas accesibles mediante instrucciones o ejemplos. El artículo de GPT-3 estudió aprendizaje con pocos ejemplos en contexto usando un modelo autorregresivo de gran escala y documentó tanto resultados como limitaciones. El cambio histórico fue que una sola interfaz textual podía exponer muchas capacidades. Eso hizo más difusa la frontera entre modelo y aplicación, pero no eliminó errores, dependencia del corpus ni necesidad de pruebas específicas.

AGI no es el último escalón ya escrito

AGI designa una aspiración de amplitud, transferencia y adaptación comparable en algún sentido relevante con la inteligencia humana. No hay una única definición operacional aceptada en esta cronología. «Singularidad» es otra idea: una hipótesis sobre cambio acelerado o auto-mejora y sus consecuencias. Mezclarlas convierte una pregunta de capacidades en una profecía histórica.

Una historia rigurosa no debe terminar diciendo que la AGI es inevitable o cercana. Puede identificar problemas que reaparecen: conocimiento tácito, transferencia fuera de distribución, aprendizaje continuo, interacción física, fiabilidad y gobernanza. Cada nueva generación cambia el perímetro de lo automatizable y también el tipo de prueba necesaria.

Cómo auditar cualquier «hito histórico»

Primero hay que abrir la fuente original y fechar lo que realmente afirmó. Después se separan tarea, representación, señal de aprendizaje, benchmark e infraestructura. Se compara la demostración con la promesa y se pregunta qué condición quedó fuera. Por último se busca si el resultado fue reproducido, generalizado o incorporado a un sistema real sin confundir esos pasos.

La capacidad transferible es leer la historia de la IA como cambios en preguntas y evidencia, no como una carrera predestinada hacia AGI. Los autómatas hicieron visible la conducta mecánica; Turing operacionalizó una conversación; la IA simbólica explicitó conocimiento; las redes aprendieron representaciones; datos y cómputo ampliaron la escala. Ningún peldaño contiene por sí solo el siguiente, y ningún titular sustituye el protocolo que convirtió una promesa en resultado.