La historia de la inteligencia artificial empieza en 1950, cuando Alan Turing propuso preguntarse si las máquinas pueden pensar, y se bautiza como disciplina en Dartmouth en 1956. Desde entonces alterna oleadas de entusiasmo, «inviernos» de recortes y avances técnicos: sistemas expertos, aprendizaje automático, aprendizaje profundo y, desde 2017, el Transformer, base de los asistentes actuales.
Esta cronología explica qué ocurrió en cada etapa, por qué se frenó o aceleró y qué derechos y riesgos aparecen por el camino. Si buscas el concepto de base, antes puedes leer qué es la inteligencia artificial.
¿Cómo nació la IA? Turing, Dartmouth y los primeros programas
Las raíces son anteriores a la palabra «IA». En 1936, Turing describió una máquina teórica capaz de ejecutar cualquier cálculo definible con reglas: la «máquina universal». Es la base de la informática, pero todavía no es inteligencia artificial.
En 1943, Warren McCulloch y Walter Pitts propusieron un modelo matemático de neurona. Fue el primer antecedente de las redes neuronales.
En 1950, Turing publicó «Computing Machinery and Intelligence». Sustituyó la pregunta «¿piensan las máquinas?» por un experimento práctico, el «juego de imitación», conocido hoy como test de Turing. Si un interrogador no distingue por escrito a la máquina de una persona, la máquina supera la prueba.
El término «inteligencia artificial» aparece en la propuesta que John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon redactaron en 1955. El taller se celebró en el Dartmouth College en el verano de 1956. Puedes leer el documento original en la propuesta de Dartmouth alojada en Stanford.
Su premisa era audaz: cualquier aspecto del aprendizaje o de la inteligencia podía describirse con tanta precisión que una máquina lo simulase.
En ese taller se presentó Logic Theorist, de Allen Newell, Herbert Simon y Cliff Shaw, que demostraba teoremas de lógica. Después llegaron el perceptrón de Frank Rosenblatt (1958) y ELIZA, de Joseph Weizenbaum (1966), un programa que imitaba a un terapeuta con reglas de sustitución de texto.
ELIZA dejó una lección ética vigente: muchos usuarios le atribuían comprensión que no tenía. Weizenbaum se mostró crítico con esa reacción.
¿Qué fueron los inviernos de la IA y los sistemas expertos?
Un «invierno de la IA» es un periodo de recortes de financiación e interés tras promesas que no se cumplen. Hubo dos grandes.
Primer invierno: mediados de los años setenta
En 1969, Minsky y Seymour Papert publicaron «Perceptrons», un análisis de las limitaciones matemáticas de los perceptrones de una sola capa. Muchos lo leyeron como una condena de todo el enfoque neuronal.
En 1973, el informe Lighthill en el Reino Unido criticó los resultados de la investigación en IA frente a sus promesas. Hubo recortes de financiación en el Reino Unido y en Estados Unidos. Los problemas reales eran más complejos que los de laboratorio, y los ordenadores de la época tenían poca capacidad.
Los sistemas expertos y el segundo invierno
En los años setenta y ochenta, la IA se orientó a los sistemas expertos: programas con reglas escritas por especialistas humanos. DENDRAL analizaba compuestos químicos y MYCIN sugería diagnósticos de infecciones bacterianas, aunque nunca se aplicó en clínica real. XCON ayudaba a configurar pedidos de ordenadores en la empresa DEC.
Japón lanzó en 1982 su proyecto de «quinta generación», y las empresas invirtieron en hardware especializado. Pero los sistemas expertos eran frágiles: fallaban fuera de su dominio y su mantenimiento era caro. A finales de los ochenta y principios de los noventa llegó el segundo invierno, con el hundimiento del mercado de las máquinas Lisp.
Ejemplo: por qué las reglas no escalaban
Un caso sencillo muestra el límite. Imagina que quieres un filtro de correo no deseado con el método de los sistemas expertos:
SI el asunto contiene "premio" → spam
SI el remitente no es un contacto Y el texto contiene "urgente" → spam
SI el mensaje contiene "transferencia" Y un enlace acortado → spam- Funciona al principio, porque las reglas capturan los mensajes que ya conoces.
- Quien envía spam escribe «pr3mio» y esquiva la primera regla.
- Añades otra regla, y otra. Algunas chocan: un mensaje legítimo de tu banco contiene «urgente» y «transferencia».
- Con el tiempo, nadie sabe qué regla causa cada error, y mantener el sistema cuesta más que su beneficio.
El aprendizaje automático invierte el planteamiento. En lugar de escribir reglas, entregas miles de correos etiquetados como spam o no spam, y el modelo extrae sus propios patrones. A cambio, hereda los sesgos y errores de los datos con que se entrena, lo que abre debates de privacidad y equidad.
¿Qué demostró Deep Blue y cómo llegó el aprendizaje profundo?
En mayo de 1997, el ordenador Deep Blue, de IBM, venció al campeón mundial Garri Kaspárov en un encuentro a seis partidas por 3,5 a 2,5. No aprendía como un humano. Combinaba una búsqueda muy rápida de jugadas con una función de evaluación diseñada por expertos y hardware específico.
Fue un hito de potencia de cálculo y de ingeniería, pero no de comprensión general. En 2011, Watson, también de IBM, ganó el concurso televisivo Jeopardy! con un enfoque parecido: mucha ingeniería para una tarea concreta.
Mientras tanto, las redes neuronales se recuperaban. En 1986, David Rumelhart, Geoffrey Hinton y Ronald Williams popularizaron la retropropagación, un método para ajustar los pesos de redes con varias capas. A finales de los ochenta, Yann LeCun aplicó redes convolucionales al reconocimiento de dígitos escritos a mano.
El punto de inflexión llegó en 2012. AlexNet, de Alex Krizhevsky, Ilya Sutskever y Hinton, ganó el concurso de reconocimiento de imágenes ImageNet usando tarjetas gráficas (GPU). Se juntaron tres ingredientes: algoritmos conocidos desde hacía décadas, conjuntos de datos enormes y potencia de cálculo asequible.
Ese es el origen del aprendizaje profundo: redes neuronales de muchas capas que aprenden representaciones por sí solas. En 2016, AlphaGo, de DeepMind, derrotó a Lee Sedol en el juego de Go por 4 a 1, un campo que se creía lejano para las máquinas. Combinaba redes profundas, aprendizaje por refuerzo y búsqueda.
El reconocimiento académico llegó después. El Nobel de Física de 2024 premió a John Hopfield y Geoffrey Hinton por sus descubrimientos sobre redes neuronales artificiales. El de Química de ese año distinguió, entre otros, a Demis Hassabis y John Jumper por AlphaFold, que predice estructuras de proteínas.
¿Qué cambió con el Transformer y los asistentes actuales?
En 2017, un equipo de Google publicó «Attention Is All You Need», el artículo que presentó el Transformer. Puedes consultarlo en arXiv.
Su idea central es la «atención»: el modelo pondera qué partes del texto importan para interpretar cada palabra. Además, permite entrenar en paralelo con mucho más texto que las redes recurrentes anteriores. Es la base del procesamiento de lenguaje natural moderno.
Después llegaron BERT y los primeros modelos GPT (2018), y en 2020 se vio que ampliar modelos y datos mejoraba mucho su capacidad. Faltaba hacerlos útiles para el público. Se logró ajustándolos para seguir instrucciones, con técnicas como el aprendizaje por refuerzo a partir de comentarios humanos.
A finales de 2022 se lanzó ChatGPT, y la IA generativa pasó de los laboratorios a millones de usuarios. Poco después se popularizaron generadores de imágenes basados en modelos de difusión. Hoy los asistentes como ChatGPT, Gemini o Claude trabajan con texto, imágenes, audio y código.
La contrapartida es relevante. Los modelos pueden generar errores presentados con seguridad, reproducir sesgos y plantear dudas sobre datos personales y derechos de autor. Quien gana es quien controla la infraestructura y los datos. Quien puede perder son trabajadores, creadores y personas evaluadas por sistemas opacos.
Europa respondió con el Reglamento (UE) 2024/1689, el Reglamento de IA. Regula los sistemas según su nivel de riesgo y se aplica por fases. Antes de decidir algo con efectos legales, conviene consultar el texto vigente y el calendario actualizado.
¿Cuáles son los hitos clave de un vistazo?
| Año | Hito | Por qué importó |
|---|---|---|
| 1936 | Máquina universal de Turing | Definió qué significa «computable» y sentó la base de la informática. |
| 1943 | Neurona de McCulloch y Pitts | Primer modelo matemático de neurona, antecedente de las redes neuronales. |
| 1950 | «Computing Machinery and Intelligence» | Turing planteó el juego de imitación como criterio práctico. |
| 1956 | Taller de Dartmouth | Consolidó «inteligencia artificial» como campo de investigación. |
| 1958 | Perceptrón | Primer modelo de red que aprendía de ejemplos. |
| 1966 | ELIZA | Mostró lo fácil que es atribuir comprensión a un programa conversacional. |
| 1973 | Informe Lighthill | Simboliza el primer invierno: recortes por promesas incumplidas. |
| Años 80 | Sistemas expertos | Primera aplicación empresarial extendida, con límites de coste y fragilidad. |
| 1986 | Retropropagación popularizada | Permitió entrenar redes de varias capas. |
| 1997 | Deep Blue vence a Kaspárov | Demostró el poder de la búsqueda y el hardware especializado. |
| 2012 | AlexNet en ImageNet | Inició la era del aprendizaje profundo con GPU y grandes datos. |
| 2016 | AlphaGo vence a Lee Sedol | Probó el aprendizaje por refuerzo profundo en un problema muy complejo. |
| 2017 | Transformer | Arquitectura base de los modelos de lenguaje actuales. |
| 2022 | Lanzamiento de ChatGPT | Llevó la IA generativa al público general. |
| 2024 | Reglamento de IA de la UE y Nobel | Primera ley europea horizontal sobre IA y reconocimiento científico al aprendizaje profundo. |
¿Para qué se usa hoy la IA?
Gran parte de lo que usas a diario es herencia directa de esta historia. Los buscadores, los traductores automáticos, los recomendadores de contenido y el dictado por voz funcionan con aprendizaje automático. Los asistentes generativos añaden redacción, resumen y análisis de documentos.
- Software: los asistentes de código sugieren y revisan programas. Lo analizamos en IA en el desarrollo de software.
- Industria y automoción: la visión artificial y la robótica inspeccionan piezas, y los vehículos incorporan sistemas de ayuda a la conducción.
- Salud: hay herramientas de apoyo a la lectura de imágenes médicas, siempre bajo supervisión profesional y con validación clínica. No sustituyen a un médico.
- Oficinas y atención al cliente: automatizan tareas repetitivas y primeras respuestas, con riesgos de errores y de privacidad si se cargan datos personales.
Para sacar partido a esta historia, prueba a pedirle a un asistente que la compare con ejemplos. Por ejemplo:
Actúa como profesor de historia de la tecnología. Explica en un máximo de 120 palabras la diferencia entre un sistema experto de los años ochenta y un asistente basado en Transformer. Pon un ejemplo de cada uno y termina con una limitación de cada enfoque.Resultado esperado: un texto breve que describa las reglas escritas a mano frente al aprendizaje a partir de datos. Debería citar, por ejemplo, el diagnóstico con reglas frente a la redacción de textos, y señalar la fragilidad de los primeros y los errores plausibles de los segundos. Contrasta fechas y nombres con fuentes primarias, porque los asistentes pueden equivocarse. Para mejorar tus peticiones, consulta cómo usar ChatGPT.
Si quieres entender la IA actual, empieza por la secuencia «reglas, aprendizaje automático, redes profundas, Transformer». Lee después la propuesta de Dartmouth y el artículo del Transformer. Con eso distinguirás entre lo que promete el marketing y lo que realmente hace cada técnica.
Preguntas frecuentes
¿Quién inventó la inteligencia artificial?
No hay un único inventor. Turing planteó las preguntas de fondo en 1950, y McCarthy, Minsky, Rochester y Shannon acuñaron el término en 1955. Herbert Simon y Allen Newell crearon algunos de los primeros programas.
¿Qué es un invierno de la IA?
Es un periodo en que bajan la financiación y el interés porque los resultados no alcanzan las expectativas. Se suelen distinguir dos: uno a mediados de los setenta y otro entre finales de los ochenta y principios de los noventa.
¿Por qué despegó el aprendizaje profundo en 2012?
Coincidieron grandes conjuntos de datos, como ImageNet, procesadores gráficos capaces de entrenar redes grandes y mejoras en los algoritmos. AlexNet mostró que esa combinación superaba a los métodos anteriores en reconocimiento de imágenes.
¿Es lo mismo ChatGPT que la inteligencia artificial?
No. ChatGPT es un asistente basado en un modelo de lenguaje, un tipo concreto de IA generativa. La IA incluye muchas más técnicas, y puedes ampliar los conceptos en el glosario de inteligencia artificial.
