Los inviernos de la IA — cuando el mundo dejó de creer

Un patrón que el relato oficial raramente nombra

La historiografía dominante trata los dos inviernos de la IA (1974-1980 y 1987-1993) como períodos de fracaso tecnológico. Es una caracterización que empobrece el fenómeno. Los inviernos fueron, más precisamente, períodos de contracción financiera e institucional ocurridos mientras progreso técnico fundamental continuaba sin visibilidad pública. Entender esa diferencia no es un ejercicio académico. Es la única forma de leer con precisión los ciclos de hype y corrección que seguimos viendo hoy.

Primer invierno (1973-1980): la brecha entre promesa narrativa y factibilidad técnica

El Informe Lighthill de 1973 fue, técnicamente, una intervención política ejecutada en lenguaje académico. Su argumento central descansaba en una distinción útil: la diferencia entre "complejidad de diseño" — cuán complicado es construir algo — y "complejidad combinatoria" del problema — cuán inherentemente difícil es el problema subyacente. Las máquinas de los 60 podían jugar ajedrez en tableros acotados, pero fracasaban en la generalización a problemas nuevos de estructura abierta.

Lighthill tenía razón en su diagnóstico inmediato. Las promesas que McCarthy, Minsky, Simon y otros habían hecho a fines de los 50 y en los 60 — máquinas superinteligentes en una o dos décadas — eran matemáticamente insostenibles con la arquitectura von Neumann disponible y sin los datasets que todavía no existían. El error no fue de dirección de investigación. Fue de calendario.

La respuesta institucional fue severa. DARPA cortó fondos. El Reino Unido desfinanció sistemáticamente. El campo entró en lo que los historiadores llaman "primer invierno". Pero — y este es el punto — el colapso financiero no fue total. Fue redistributivo. Pequeños laboratorios en la Universidad de Toronto, la ENS de París, Bell Labs, continuaron investigación sostenida a niveles de subsistencia.

Lo que ocurrió en estos laboratorios fue técnicamente transformador:

• Hinton desarrolló arquitecturas de redes recurrentes con fundamentación teórica rigurosa.
• Rumelhart, Hinton y Williams (1986, Nature 323) publicaron el paper que demostró que backpropagation podía entrenar redes multicapa de forma práctica, resolviendo el problema teórico central que había bloqueado el campo desde la crítica de Minsky y Papert al perceptrón en 1969.
• LeCun integró convoluciones en arquitecturas para procesar imágenes con invariancia espacial.

Estos avances NO fueron acelerados por financiación pública. Fueron sostenidos por confianza teórica — una fe en la matemática subyacente — que el dinero especulativo de los 60 había erosionado y que solo quedaba en puñados de laboratorios descentralizados.

El invierno terminó alrededor de 1980-1982 no porque se "descubriera" que la IA funcionaba, sino por convergencia de tres factores: demostración de capacidades limitadas pero reales en dominios específicos (especialmente reconocimiento óptico de caracteres); mejora de infraestructura computacional con la llegada de minicomputadoras y después PCs; y entrada de dinero corporativo — no solo público — para aplicaciones prácticas.

Segundo invierno (1987-1993): la ilusión de generalidad en los sistemas expertos

El período 1980-1987 fue de resurgimiento cauto. Los sistemas expertos emergieron como la primera aplicación comerciable de IA. Su propuesta: codificar reglas de decisión de expertos humanos en máquinas de inferencia.

El modelo tenía validez restringida. Funcionaba en dominios altamente especializados con decisiones booleanas claras y bases de conocimiento que cambian lentamente. MYCIN 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 un estimado de USD 40 millones al año según documentación interna de DEC. El mercado de sistemas expertos alcanzó unos USD 3 mil millones hacia 1988, según Crevier (1993).

Pero la promesa que la industria vendió — aunque raramente se articulaba de forma explícita — era que una arquitectura de reglas codificadas podía escalar hacia dominios abiertos. No podía. Tres problemas sistémicos la condenaban:

1. Ausencia de generalización. Un sistema entrenado en diagnósticos de enfermedad A con 80% de cobertura fallaba catastróficamente en el 20% restante y totalmente fuera del dominio de entrenamiento.

1. Explosión combinatoria en mantenimiento. Sistemas con miles de reglas desarrollaban interacciones impredecibles entre ellas. El debugging requería expertise humana constante.

1. Costo de adquisición de conocimiento. Extraer reglas de expertos humanos (knowledge elicitation) es laborioso, caro, y requiere continuidad. Cualquier cambio en la base de conocimiento requería recaptura completa.

Hacia 1986-1987, la adopción corporativa de sistemas expertos se estancó. El ROI esperado no se materializaba. Hacia 1987-1988, la financiación se evaporó. Segundo invierno.

La fenomenología técnica de los inviernos: progreso en clandestinidad

Ambos inviernos coincidieron con avances técnicos que no recibieron atención pública. Durante el primero, Hopfield (1982) — aunque publicado al final del período — se desarrolló durante él. LeCun perfeccionaba convoluciones. Judea Pearl desarrollaba las redes bayesianas que resolverían las fragilidades lógicas de los sistemas simbólicos tempranos; su trabajo fue publicado como libro en 1988 y le valdría el Premio Turing en 2011. El crecimiento exponencial de datos digitales (email, primeras bases de datos relacionales) creaba el "combustible" que más tarde entrenaría redes profundas.

Durante el segundo invierno, Bengio, LeCun y Hinton desarrollaban arquitecturas de lenguaje y visión. El crecimiento exponencial de internet en los 90 empezó a generar corpus sin precedentes. Nvidia fue fundada en 1993 — las GPUs que eventualmente acelerarían la computación matricial de redes neuronales comenzaban su evolución. Avances en estadística bayesiana y modelos gráficos probabilísticos proveyeron el andamiaje matemático que el campo necesitaba.

El patrón es claro. Ambos inviernos fueron períodos donde financiación especulativa y hype se desinflaron, mientras infraestructura técnica fundamental se fortalecía.

El mecanismo de resurgimiento: convergencia de capacidad técnica, datos y hardware

Los inviernos terminaron cuando tres factores convergieron. Primero, teoría técnica madurada: backpropagation funcionaba, las redes bayesianas funcionaban, las convoluciones funcionaban. Segundo, datos reales disponibles: internet proveía corpus de texto, imágenes y datos estructurados a escala masiva. Tercero, hardware suficiente: las computadoras secuenciales se habían vuelto rápidas y las GPUs empezaban a existir como categoría.

Sin dinero especulativo, pero con estos tres factores, el campo resurgió a comienzos de los 90. El deep learning — aunque el término no se popularizaría hasta 2006 — empezó a demostrar resultados concretos en visión y lenguaje.

La tesis del blog sobre los ciclos presentes y futuros

Acá va lo que este blog cree después de revisar cuidadosamente la fenomenología histórica. Los ciclos de hype y corrección en IA no son ruido — son estructurales. Ocurren cuando la promesa narrativa supera sistemáticamente la capacidad técnica demostrable. La corrección es inevitable. Pero — y este es el insight que cambia la lectura — la corrección especulativa no es lo mismo que el fracaso técnico. Los inviernos ocurrieron mientras el progreso técnico real se acumulaba. La narrativa colapsó; la construcción continuó.

La implicación práctica para quien usa IA hoy es directa y útil. Primero, esperá correcciones especulativas. Son inevitables cuando la promesa supera la realidad, como ocurre en 2024-2026 con parte del mercado de modelos. Segundo, no confundas corrección con fracaso. Cuando el dinero se retire de proyectos sobrevalorados, la infraestructura que realmente funciona — modelos en Gmail, búsqueda, análisis médico, asistentes de código — seguirá ahí y se seguirá profundizando. Tercero, el trabajo que hacés ahora para aprender a usar estas herramientas se paga independientemente del ciclo. Hinton trabajó 30 años sin reconocimiento. Cuando el reconocimiento llegó, el trabajo ya estaba hecho.

Un invierno completo al estilo 1974 o 1987 es hoy improbable. La diferencia estructural es que la IA ya está embebida en infraestructura crítica — Gmail, Search, diagnóstico médico asistido, herramientas de productividad que se facturan en ingresos reales. Eso proporciona financiación corporativa independiente de especulación, datos masivos para entrenar, hardware (TPUs, GPUs) diseñado específicamente para esta carga, e instituciones con horizontes temporales largos. Una corrección especulativa es casi segura. Un invierno completo es poco probable, porque la infraestructura de progreso técnico es sustancialmente más robusta que en 1973 o 1987.

La pregunta no es si va a haber turbulencia. La pregunta es si vas a saber leerla cuando llegue.