El algoritmo maestro
Pedro Domingos Divulgación
Recorre las cinco grandes escuelas del aprendizaje automático sin fórmulas. Ideal para entender de dónde sale el machine learning.
Ver en Amazon (se abre en una pestaña nueva)La inteligencia artificial nace como disciplina en 1956, en la conferencia de Dartmouth, aunque sus ideas arrancan en 1943 con la primera neurona artificial. Tras dos «inviernos» de recortes, el deep learning (2012) y el Transformer (2017) desembocan en los modelos de lenguaje que usamos hoy.
La historia de la inteligencia artificial —la disciplina que intenta que las máquinas hagan tareas que asociamos a la inteligencia humana— es una sucesión de grandes promesas, decepciones y regresos. Entenderla ayuda a leer con calma las noticias de hoy: casi todo lo que parece nuevo tiene raíces de hace décadas.
Esta cronología recoge 25 hitos agrupados en seis etapas. Los puntos amarillos marcan los momentos que cambiaron el rumbo.
Antes de que existiera el nombre, matemáticos y neurólogos ya se preguntaban si una máquina podía razonar.
Warren McCulloch y Walter Pitts describen un modelo matemático de neurona capaz de calcular funciones lógicas. Es la semilla de todas las redes neuronales.
Alan Turing publica «Computing Machinery and Intelligence» y propone una prueba para decidir si una máquina piensa: el test de Turing.
John McCarthy, Marvin Minsky, Claude Shannon y Nathaniel Rochester reúnen a los pioneros en la conferencia de Dartmouth. El término se había acuñado en su propuesta de 1955.
Los primeros programas prometían mucho; cuando los resultados no llegaron, llegaron los recortes.
Frank Rosenblatt presenta el perceptrón, una red neuronal capaz de aprender a clasificar patrones sencillos.
Joseph Weizenbaum crea en el MIT ELIZA, un programa que conversaba imitando a un psicoterapeuta. Muchos usuarios le atribuían una comprensión que no tenía.
Marvin Minsky y Seymour Papert publican «Perceptrons», que demuestra lo que un perceptrón simple no puede aprender, como la función XOR. La investigación en redes neuronales se frena.
Un informe encargado por el Gobierno británico critica la falta de resultados y se recorta la financiación. Empieza el primer invierno de la IA.
La IA entra en la empresa con reglas escritas a mano, y vuelve a estrellarse por su coste.
Programas como XCON, usado por Digital Equipment Corporation para configurar ordenadores, codifican el conocimiento de expertos humanos en miles de reglas.
David Rumelhart, Geoffrey Hinton y Ronald Williams popularizan el algoritmo de retropropagación, que permite entrenar redes neuronales de varias capas.
Se hunde el mercado de las máquinas especializadas en IA y los sistemas expertos resultan caros de mantener. La financiación vuelve a caer.
Yann LeCun aplica redes convolucionales a la lectura de códigos postales escritos a mano.
La IA deja de escribir reglas y empieza a aprender de datos, ayudada por internet y ordenadores más potentes.
El ordenador de IBM vence al campeón mundial de ajedrez en un match a seis partidas. Ese mismo año se publica la red LSTM, clave para procesar secuencias.
Hinton y sus colaboradores muestran cómo entrenar redes profundas capa a capa, y el término aprendizaje profundo se populariza.
Fei-Fei Li y su equipo presentan ImageNet, millones de imágenes etiquetadas que se convierten en el banco de pruebas de la visión por computador.
IBM Watson gana el concurso Jeopardy! y Apple lanza Siri, el primer asistente de voz de uso masivo.
Datos masivos y tarjetas gráficas convierten las redes neuronales en la tecnología dominante.
La red de Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton gana ImageNet con un error del 15,3 % frente al 26,2 % del segundo. Las GPU pasan a ser el motor de la IA.
Ian Goodfellow propone las GAN, dos redes que compiten entre sí y aprenden a crear imágenes realistas.
El sistema de DeepMind gana 4–1 a uno de los mejores jugadores de go del mundo, un juego considerado inabordable para las máquinas.
Ocho investigadores de Google publican «Attention Is All You Need». La arquitectura Transformer es la base de todos los grandes modelos de lenguaje actuales.
Modelos entrenados con buena parte del texto de internet aprenden a conversar, programar y, después, a actuar.
OpenAI presenta GPT y Google, BERT: modelos preentrenados con enormes cantidades de texto que luego se adaptan a tareas concretas.
GPT-3, con 175.000 millones de parámetros, sorprende escribiendo texto coherente. AlphaFold 2 predice la estructura de las proteínas con una precisión sin precedentes en la competición CASP14.
OpenAI lanza ChatGPT el 30 de noviembre. La IA conversacional llega al gran público.
El Nobel de Física premia a John Hopfield y Geoffrey Hinton por las redes neuronales; el de Química, a David Baker, Demis Hassabis y John Jumper por el diseño y la predicción de proteínas. En agosto entra en vigor la Ley de IA europea.
Se generalizan los modelos que «piensan» antes de responder y los agentes que usan herramientas. DeepSeek-R1 demuestra que un modelo de pesos abiertos puede razonar al nivel de los mejores.
OpenAI lanza GPT-6, Google la familia Gemini 4 y Anthropic sus modelos Claude 5, centrados en tareas largas, programación y ciberseguridad.
¿Qué ha pasado en los últimos años? Lo contamos con detalle, mes a mes, en los avances de la IA de 2021 a 2026. Y si quieres entender la tecnología que protagoniza la última etapa, empieza por qué es un LLM.
No hay un único inventor. Alan Turing planteó en 1950 si las máquinas pueden pensar, y John McCarthy acuñó el término «inteligencia artificial» en la propuesta de la conferencia de Dartmouth de 1956, que organizó con Marvin Minsky, Claude Shannon y Nathaniel Rochester.
Se llama así a los periodos en que la financiación y el interés por la IA se desplomaron porque los resultados no cumplían lo prometido. Hubo dos: aproximadamente de 1974 a 1980 y de 1987 a 1993.
La IA actual nace de dos momentos: en 2012, cuando AlexNet demostró la potencia del deep learning con GPU, y en 2017, cuando Google presentó el Transformer, la arquitectura de todos los modelos de lenguaje actuales.
En calidad de Afiliado de Amazon, obtengo ingresos por las compras adscritas que cumplen los requisitos aplicables. Cómo funciona.
Pedro Domingos Divulgación
Recorre las cinco grandes escuelas del aprendizaje automático sin fórmulas. Ideal para entender de dónde sale el machine learning.
Ver en Amazon (se abre en una pestaña nueva)Max Tegmark Divulgación
Qué significa ser humano en la era de la IA, del trabajo a la superinteligencia, con escenarios muy bien explicados.
Ver en Amazon (se abre en una pestaña nueva)