Historia de la inteligencia artificial — de Turing a tu bolsillo

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.