Diez tipos, dos meses y una apuesta absurda
Cuando en 1956 diez científicos se encerraron dos meses en una universidad de New Hampshire, la apuesta era esta: que una máquina podía pensar. No lo lograron. Pero de esa reunión, la conferencia de Dartmouth, salió un nombre que todavía usamos — inteligencia artificial — y un campo de investigación que te llega hoy a través del celular.
La idea ya flotaba antes. En 1950, Alan Turing escribió una pregunta que nadie se había animado a formular: ¿puede una máquina pensar? No dio una respuesta. Dio un test: si hablás con una máquina y no podés distinguirla de un humano, entonces algo interesante está pasando. Ese test sigue vigente 76 años después.
Dos inviernos y una promesa incumplida
Los primeros años fueron pura euforia. Los investigadores prometieron máquinas inteligentes en 20 años. No llegaron. Las computadoras de los 60 no daban. Cuando los gobiernos vieron que las promesas no se cumplían, cortaron la plata. Así arrancó el primer "invierno de la IA" — un período donde casi nadie quería financiar el campo.
Hubo dos inviernos. El segundo fue en los 80. Pero cada vez que la IA caía, alguien encontraba una forma nueva de empujar un poco más lejos.
Lo que destrabó todo
El salto de verdad llegó en la década de 2010. Tres cosas se juntaron al mismo tiempo: montañas de datos en internet, computadoras brutalmente más potentes, y una técnica llamada deep learning que le permitió a las máquinas aprender solas de esos datos. En 2012, una red neuronal arrasó en un concurso de reconocimiento de imágenes. La industria prestó atención.
El momento en que tu tía se enteró
En noviembre de 2022, OpenAI lanzó ChatGPT. Según el Stanford AI Index Report 2024, llegó a cien millones de usuarios en dos meses — el producto de consumo con adopción más rápida de la historia. A Instagram le llevó dos años y medio. La IA dejó de ser un tema de laboratorio y se convirtió en algo que tu tía usa para escribir emails.
Hoy, cuando abrís Claude en tu celular, estás usando el resultado de 70 años de trabajo, fracasos y apuestas locas.
Para llevarte:
Tres ideas para clavar. Primero, la IA actual no apareció de la nada — es hija de 70 años de idas y vueltas. Segundo, el progreso no es una línea recta sino una serie de ciclos de euforia y abandono; saber esto te ayuda a leer mejor el hype de hoy. Tercero, los grandes saltos llegaron cuando alguien siguió empujando ideas que el mainstream había descartado — Hinton y las redes neuronales son el ejemplo perfecto.
La pregunta que incomodó a un generación entera
Alan Turing murió en 1954 sin ver nada de esto. Tenía 41 años. Había ayudado a ganar una guerra descifrando la máquina Enigma y había escrito un paper que todavía hoy, 76 años después, define cómo pensamos sobre máquinas que piensan. Lo que escribió en 1950 en la revista Mind no era un ejercicio filosófico en el vacío. Para Turing, preguntarse si una máquina podía pensar era la consecuencia lógica de la computación que él mismo había ayudado a inventar.
Dos años antes de su muerte, en Inglaterra, el Estado lo condenó por ser gay. Le dieron a elegir entre la cárcel y la castración química. Eligió lo segundo. Su carrera se interrumpió ahí.
Lo menciono porque la historia de la IA se cuenta a veces como una secuencia limpia de descubrimientos, y no lo es. Es una historia de obsesiones personales, saltos brutales y décadas perdidas. Empecemos.
1956: diez personas en Dartmouth
Verano de 1956. John McCarthy — un matemático joven con más ambición que presupuesto — convence a nueve colegas de encerrarse dos meses en el Dartmouth College de New Hampshire. La propuesta que escribió para conseguir la financiación dice, textualmente, que van a resolver el problema de hacer que una máquina piense.
No lo resuelven. Pero salen de ahí con el nombre "inteligencia artificial" — que McCarthy prefirió frente a "máquinas que piensan" para evitar debates filosóficos — y con un campo de investigación nuevo. El presupuesto original fue de 7.500 dólares, según el archivo de la propuesta de Dartmouth. Hoy eso son unos 80.000 dólares. Por ese dinero nació toda una disciplina.
Euforia, promesas y el primer golpe (1956–1974)
Los primeros años fueron de optimismo descontrolado. Herbert Simon predijo que en 10 años una computadora sería campeona mundial de ajedrez. Tardó 40 — Deep Blue recién ganó contra Kasparov en 1997. Marvin Minsky escribió en 1967 que en una generación la inteligencia artificial estaría "sustancialmente resuelta". Sesenta años después, sigue sin estarlo.
Los programas de la época impresionaban para el hardware disponible, pero no escalaban. ELIZA apareció en 1966 — un programa del MIT que simulaba ser terapeuta con trucos de reconocimiento de patrones. Funcionaba tan bien que algunos pacientes se abrían emocionalmente con la máquina. Joseph Weizenbaum, su creador, quedó tan incómodo con ese resultado que pasó el resto de su carrera advirtiendo sobre los peligros de la IA.
Cuando los gobiernos vieron que las promesas no se cumplían, cortaron todo. El informe Lighthill de 1973 en el Reino Unido fue demoledor: dijo que la IA no servía para nada práctico. DARPA en Estados Unidos hizo lo mismo. Arrancó el primer invierno. Duró diez años.
Sistemas expertos y el segundo colapso (1980–1993)
La IA resurgió en los 80 con otro enfoque: sistemas expertos. Programas que codificaban el conocimiento de un especialista en reglas explícitas del tipo "si A y B, entonces C". MYCIN diagnosticaba infecciones. XCON configuraba pedidos de computadoras y le ahorraba a Digital Equipment Corporation unos 40 millones de dólares al año, según la documentación histórica de DEC.
Japón apostó fuerte. Su programa Fifth Generation Computer de 1982 movilizó el equivalente a 850 millones de dólares actuales. El objetivo era construir computadoras que razonaran con lógica. Estados Unidos respondió. Europa también.
Pero los sistemas expertos eran frágiles. Funcionaban en su dominio y se rompían apenas salían de él. Cada regla había que escribirla a mano. Costaban millones de mantener. Cuando quedó claro que no escalaban, la financiación se secó otra vez. Segundo invierno, 1987 a 1993.
La revolución silenciosa (1993–2017)
Mientras el mundo creía que la IA estaba muerta, tres investigadores seguían trabajando en redes neuronales. Geoffrey Hinton en Toronto. Yann LeCun en NYU y Bell Labs. Yoshua Bengio en Montreal. Casi nadie les prestaba atención. En entrevistas posteriores, Hinton cuenta que sus papers eran sistemáticamente rechazados en los años 90. Su apuesta era simple: con suficientes capas de neuronas artificiales (deep learning), suficientes datos y suficiente potencia de cómputo, las redes iban a funcionar.
Internet les dio los datos. Las GPUs — chips diseñados para videojuegos — les dieron la potencia. En 2012, la red AlexNet de Hinton ganó el concurso ImageNet por un margen brutal, bajando el error de reconocimiento de imágenes del 26% al 15% según los archivos oficiales de la competencia. La industria se despertó.
Google compró DeepMind en 2014 por unos 500 millones de dólares, según reportes de la época. En 2016, AlphaGo de DeepMind venció al campeón mundial de Go — un juego con más posiciones posibles que átomos en el universo. El resultado se publicó en Nature. Un año después, en 2017, un equipo de Google publicó "Attention Is All You Need" en NeurIPS — el paper que introdujo la arquitectura Transformer. Es la base de todo lo que usás hoy: GPT, Claude, Gemini, Llama.
La explosión (2022–hoy)
Noviembre de 2022. OpenAI lanza ChatGPT. Cien millones de usuarios en dos meses. Anthropic lanza Claude. Google responde con Gemini. Meta libera Llama. Microsoft mete IA en todo Office e invierte 13 mil millones de dólares en OpenAI, según reportes financieros de la empresa.
En tres años, la IA pasó de tema de conferencias a infraestructura cotidiana. El Stanford AI Index Report 2024 registra que la inversión privada global en IA alcanzó 67 mil millones de dólares en 2023. Lo que Turing imaginó en 1950 como un experimento mental se acerca más cada día.
¿Y ahora qué?
Setenta años después del verano de Dartmouth, la pregunta original — ¿puede una máquina pensar? — sigue sin respuesta clara. Los modelos que usás hoy hacen cosas que ni Turing ni McCarthy podían imaginar. Pero también fallan de formas que ningún humano fallaría. Te inventan libros, citan papers que no existen, confunden fechas obvias.
¿Hacia dónde va esto? Esa es la pregunta que vale la pena hacerse. Te dejo una para pensar: si los últimos 70 años nos enseñan que la IA avanza en ciclos, ¿estamos hoy en la cima de otro ciclo o empezando una curva completamente nueva? Si querés profundizar en por qué Anthropic apuesta que estamos en algo genuinamente nuevo, leé el #0027 sobre la carrera de los modelos frontera.
Lo que no cuenta el relato oficial
Hay algo raro con la historia de la IA. La versión de Wikipedia la cuenta como una sucesión limpia de hitos: Turing, Dartmouth, perceptron, sistemas expertos, deep learning, ChatGPT. Fin. Pero esa narrativa esconde lo interesante — que el progreso fue caótico, que las ideas importantes vinieron de personas que el mainstream descartaba, y que los grandes saltos ocurrieron cuando se juntaron circunstancias que nadie había orquestado.
Si usás IA todos los días para tu trabajo, entender esa historia real importa. No por nostalgia. Porque te permite leer con más cuidado lo que te dicen que viene. Acá va la versión completa.
Los cimientos: antes de que existiera el nombre (1936–1956)
Los fundamentos teóricos ya estaban antes de Dartmouth. Alonzo Church y Alan Turing demostraron independientemente en 1936, en los Proceedings of the London Mathematical Society, que cualquier cómputo puede expresarse como una secuencia de operaciones simples. Es la tesis Church-Turing. Sigue siendo el techo teórico de lo que una computadora puede hacer.
Warren McCulloch y Walter Pitts publicaron en 1943, en el Bulletin of Mathematical Biology, el primer modelo matemático de una neurona artificial. Demostraron que redes de neuronas simples podían, en teoría, computar cualquier función lógica. Era matemática pura. Faltaban décadas para que el hardware pudiera ejecutarla.
Turing llevó la pregunta más lejos en 1950 con "Computing Machinery and Intelligence", publicado en Mind. No solo propuso su famoso test. Argumentó sistemáticamente contra cada objeción a la máquina pensante — la teológica, la matemática de Gödel, la de la conciencia, la del "solo sigue órdenes". Lo que Turing no podía prever era cuánto poder de cómputo iba a hacer falta para pasar de "en principio es posible" a "en la práctica funciona". Esa brecha entre ambos definió los siguientes 60 años.
La edad dorada y sus espejismos (1956–1974)
Dartmouth produjo un campo, no un producto. Pero los investigadores hablaban como si el producto estuviera a la vuelta de la esquina. Simon. Minsky. Newell. McCarthy. Todos con credenciales serias. Todos predijeron revoluciones que tardarían décadas o que directamente no ocurrirían como las describieron.
Los primeros programas impresionaban para el hardware. Logic Theorist de Newell y Simon demostró teoremas matemáticos en 1956. ELIZA de Weizenbaum mostró en 1966 que un programa podía simular conversación con reglas de pattern matching — un truco que revelaba más sobre psicología humana que sobre inteligencia artificial. El Perceptron de Frank Rosenblatt aprendía a clasificar patrones simples.
El freno fue doble. Hardware: las computadoras de los 60 tenían la potencia de una calculadora moderna. Teoría: en 1969, Minsky y Papert publicaron "Perceptrons", demostrando matemáticamente las limitaciones de las redes neuronales de una sola capa. El libro era correcto en su análisis puntual pero devastador en su impacto — frenó la investigación en redes neuronales por más de una década. Hinton, Bengio y LeCun volverían a esa línea cuando casi nadie más la tocaba.
El informe Lighthill de 1973 para el Science Research Council británico recomendó cortar la financiación pública. DARPA hizo lo mismo en Estados Unidos. Primer invierno, 1974 a 1980.
Sistemas expertos: auge y colapso (1980–1993)
La IA resurgió en los 80 con un enfoque radicalmente distinto. En vez de tratar de replicar la inteligencia general, se apuntó a capturar experticia específica. Enormes árboles de reglas del tipo "si el paciente tiene fiebre Y dolor de garganta Y manchas blancas, ENTONCES considerar amigdalitis".
MYCIN, desarrollado en Stanford, diagnosticaba enfermedades infecciosas con precisión comparable a especialistas humanos. XCON, usado en Digital Equipment Corporation desde 1980, configuraba pedidos de computadoras y le ahorró a la empresa unos 40 millones de dólares al año según documentación interna de DEC citada en investigaciones posteriores. El mercado de sistemas expertos movía miles de millones.
Japón apostó más fuerte que nadie. Su programa Fifth Generation Computer, lanzado en 1982, movilizó el equivalente a 850 millones de dólares actuales con el objetivo explícito de construir computadoras que razonaran con lógica y procesaran lenguaje natural. Estados Unidos respondió con el Microelectronics and Computer Technology Corporation (MCC) y la DARPA Strategic Computing Initiative. Europa lanzó ESPRIT.
Pero los sistemas expertos tenían fragilidades estructurales. Cada regla había que programarla a mano. No escalaban — duplicar la complejidad no era lineal en costo sino exponencial. Se rompían apenas el problema salía un milímetro de su dominio previsto. Y no aprendían. Cuando quedó claro que Fifth Generation no produciría la revolución prometida, la financiación volvió a secarse. Segundo invierno, 1987 a 1993.
Hay una lección acá que vale la pena llevarse. Los sistemas expertos fallaron no por falta de datos ni de cómputo — fallaron porque el enfoque estaba mal. Intentar capturar inteligencia en reglas explícitas programadas por humanos es una trampa. La inteligencia real emerge de aprender patrones de experiencia, no de codificar reglas. Ese insight es lo que desbloqueó la siguiente era.
La travesía del desierto y el ascenso del deep learning (1993–2017)
En paralelo al colapso de los sistemas expertos, Judea Pearl publicó en 1988 "Probabilistic Reasoning in Intelligent Systems", introduciendo notación y algoritmos para razonamiento probabilístico que eventualmente reemplazarían la lógica rígida. Pearl ganó el premio Turing en 2011 por este trabajo.
Pero la revolución real vino de tres investigadores que trabajaban en redes neuronales cuando casi nadie las tomaba en serio. Geoffrey Hinton en Toronto. Yann LeCun en NYU y Bell Labs. Yoshua Bengio en Montreal. Su argumento: las redes de una capa de Minsky fallaban por ser superficiales. Con múltiples capas (deep learning) y suficientes datos, podían aprender representaciones complejas. Rumelhart, Hinton y Williams ya habían demostrado en 1986 en Nature que el algoritmo de backpropagation podía entrenar redes profundas. Faltaban dos ingredientes que llegaron recién 20 años después.
Datos: internet los proveyó. ImageNet — un dataset de 14 millones de imágenes etiquetadas construido por Fei-Fei Li a partir de 2009 — fue el primer benchmark capaz de distinguir enfoques buenos de malos.
Cómputo: las GPUs, chips diseñados para renderizar videojuegos pero ideales para las multiplicaciones matriciales de redes neuronales, entregaron la potencia. Alex Krizhevsky, estudiante de Hinton en Toronto, entrenó AlexNet en dos GPUs de Nvidia.
El punto de inflexión fue ImageNet 2012. AlexNet redujo el error de reconocimiento de imágenes del 26% al 15% según los archivos oficiales de la competencia — un salto descomunal en un campo donde las mejoras eran de décimas. A partir de ahí, deep learning dejó de ser nicho académico.
Google compró DeepMind en 2014 por unos 500 millones de dólares. En 2016, AlphaGo de DeepMind venció a Lee Sedol en Go — un hito publicado en Nature que demostró que las redes neuronales podían dominar problemas de complejidad combinatoria extrema.
En 2017, "Attention Is All You Need" de Vaswani y colegas en Google, presentado en NeurIPS, introdujo la arquitectura Transformer. La innovación: reemplazar las redes recurrentes por mecanismos de atención que procesan secuencias enteras en paralelo. Esa arquitectura es la base de GPT, de Claude, de Gemini, de Llama. De todo lo que usás hoy.
La explosión generativa (2018–2026)
GPT-1 en 2018. GPT-2 en 2019 — OpenAI dudó en publicarlo por miedo a su potencial de desinformación. GPT-3 en 2020 con 175 mil millones de parámetros, publicado en NeurIPS como "Language Models are Few-Shot Learners" por Brown y colegas. Cada versión era órdenes de magnitud más grande, y la calidad mejoraba de formas que desafiaban lo que la comunidad creía posible.
Noviembre de 2022: ChatGPT. Cien millones de usuarios en dos meses — el producto de consumo con adopción más rápida de la historia según el Stanford AI Index Report 2024. Anthropic — fundada en 2021 por Dario y Daniela Amodei con enfoque en seguridad y alineación — lanzó Claude. Google respondió con Bard, luego Gemini. Meta liberó Llama como modelo abierto. Microsoft invirtió 13 mil millones en OpenAI.
El Stanford AI Index 2024 reportó que la inversión privada global en IA alcanzó 67 mil millones de dólares en 2023. Las empresas del Fortune 500 mencionaron "IA" en sus earnings calls más que cualquier otro término tecnológico por primera vez en la historia.
La tesis del blog
Acá va lo que este blog cree después de leer esta historia. La IA no es una tecnología — es una acumulación. Cada invierno dejó sedimento que la ola siguiente usó como playa. Los sistemas expertos fracasaron pero dejaron la noción de cómo codificar conocimiento. El backpropagation sobrevivió dos décadas de desprecio antes de volverse infraestructura. Los Transformers emergieron de una investigación en traducción automática que nadie había marcado como revolucionaria.
Eso tiene dos consecuencias prácticas para vos, que usás estas herramientas hoy. Primera: los modelos actuales no son el final de la historia. Son el sedimento que la próxima ola va a usar. Todo lo que aprendas ahora — cómo promptear, cómo estructurar contexto, cómo pensar en colaboración con un modelo — se va a seguir pagando aunque la tecnología cambie. Segunda: desconfiá del hype pero desconfiá también del cinismo. El invierno siempre parece permanente cuando estás dentro. Hinton trabajó 30 años en redes neuronales mientras todos le decían que perdía el tiempo. Si tenés una convicción sobre cómo usar IA y el mercado te dice otra cosa, revisala con seriedad, pero no la abandones por la opinión de moda.
La pregunta de Turing sigue abierta. ¿Puede una máquina pensar? No lo sabemos. Lo que sí sabemos es que setenta años de trabajo, dos inviernos y un verano de 1956 nos dejaron en un lugar donde la pregunta ya no suena absurda. Eso, por sí solo, es una historia que vale la pena entender.
