Historia de la Inteligencia Artificial: Cronología Completa (1943–2026) – Transcript

00:00A inicios de 1943, dos investigadores describieron sobre el papel cómo se activaba una neurona biológica. Siete años más tarde, Alan Turing planteó la pregunta que cambiaría para siempre la historia. ¿Pueden pensar las máquinas? 83 años después de aquellas primeras teorías, la inteligencia artificial ha dejado de ser una promesa abstracta para convertirse en la tecnología más transformadora de nuestro tiempo, capaz de razonar, programar arquitecturas complejas de

00:27software, descifrar la biología molecular y operar con una autonomía inédita. Bienvenidos a el próximo framework en ingeniería. La revolución que vivimos hoy no comenzó con el lanzamiento de chat GPT, ni ha sido un camino sencillo. Es el resultado de más de ocho décadas marcadas por ciclos de euforia, duros inviernos computacionales donde la financiación desapareció, la perseverancia silenciosa de quienes rescataron las redes neuronales y una escalada colosal en datos, silicio y

00:54modelos de frontera. En este documental recorreremos esa historia completa. Desde los cimientos matemáticos pioneros y las crisis que estuvieron a punto de enterrar la disciplina, pasando por la revolución del aprendizaje profundo y los transformers, hasta llegar a la intensa carrera actual por el razonamiento avanzado y las puertas de la inteligencia artificial general. Un viaje riguroso por más de 80 años de ciencia y computación. Comenzamos.

01:19Antes de que Carlos os cuente más cosas, os pedimos que os suscribáis al canal. Esa es la mejor forma de apoyarnos para crear más contenido. Gracias. Para comprender el origen de la inteligencia artificial, debemos remontarnos a una época en la que ni siquiera existían los ordenadores comerciales. En 1943, el neurofisiólogo Warren McCulloch y el matemático Walter Pitts publicaron un artículo fundamental donde formularon el primer modelo abstracto de una neurona biológica. Su planteamiento demostró que

01:47una red de interruptores lógicos simplificados, combinando entradas ponderadas y un umbral de activación, podía calcular cualquier función lógica computable. Apenas seis años después, en 1949, el psicólogo Donald Hebb propuso en su obra La organización de la conducta la regla sináptica básica del aprendizaje asociativo. Si dos neuronas se activan al mismo tiempo de forma repetida, la conexión entre ellas se fortalece. Este principio sentó las bases de cómo los

02:15sistemas artificiales podían adaptar sus pesos internos. En 1950, Alan Turing elevó el debate con su célebre artículo Computing Machinery and Intelligence. Turing apartó las discusiones metafísicas sobre si una máquina podía pensar y propuso un criterio operativo medible, el juego de la imitación o test de Turing. Si un observador a ciegas no lograba distinguir entre las respuestas textuales de un humano y las de una máquina, debíamos considerar

02:41funcionalmente inteligente al sistema. En el plano del silicio y el hardware temprano, en 1951, Marvin Minsky y Dean Edmonds construyeron la primera red neuronal física de la historia, la máquina Snark.

02:54Con más de 300 tubos de vacío y piezas recicladas del piloto automático de un bombardero, simularon 40 neuronas artificiales capaces de aprender mediante refuerzo a guiar a una rata virtual por un laberinto. Esta etapa inicial culminó con dos hitos de programación, el juego de damas de Arthur Samuel en IBM, capaz de aprender evaluando sus propias partidas, [música] y el Logic Theorist de Newell y Simon en 1955, el primer software que logró demostrar formalmente teoremas matemáticos

03:22manipulando símbolos lógicos. A mitad de 1956, un pequeño grupo de investigadores se congregó en el Dartmouth College convocados por John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon. Fue allí donde McCarthy acuñó formalmente el término inteligencia artificial. Su premisa de partida era audaz. Cualquier aspecto del aprendizaje o rasgo de la inteligencia podía describirse con tanta precisión que una

03:48máquina sería capaz de simularlo. Aquella conferencia desató una oleada de optimismo e inversión. En 1958, el propio McCarthy presentó Lisp, un lenguaje de programación funcional basado en listas que se convirtió en la herramienta estándar de la investigación durante las tres décadas siguientes. Al mismo tiempo, en el Instituto Tecnológico de Massachusetts nacía el mítico laboratorio de Inteligencia Artificial.

04:13En paralelo al enfoque lógico y simbólico, floreció la vía conexionista, inspirada en el cerebro. En 1957, Frank Rosenblatt desarrolló en el Laboratorio Aeronáutico de Cornell el perceptrón, el primer algoritmo de red neuronal con capacidad de clasificación supervisada.

04:30Para demostrarlo, Rosenblatt construyó el Mark 1 perceptrón, una máquina física imponente con una retina óptica de 400 fotocélulas, donde los pesos sinápticos eran potenciómetros ajustados físicamente por pequeños motores eléctricos. El sistema lograba aprender a clasificar formas geométricas simples mediante ensayo y error.

04:50Durante la década de 1960, los ordenadores parecían conquistar áreas reservadas al intelecto humano. En el MIT, Joseph Weizenbaum desarrolló entre 1964 y 1966 el programa ELIZA, un sistema de procesamiento del lenguaje natural que simulaba una conversación terapéutica.

05:09Para sorpresa de su creador, muchos usuarios atribuían empatía real al programa, demostrando la facilidad con la que los humanos proyectamos conciencia ante respuestas automáticas bien hiladas. Al mismo tiempo, la investigación abordaba la resolución de problemas en el mundo físico. En Stanford comenzaba el desarrollo de DENDRAL para análisis químico, precursor de los sistemas expertos, mientras que en SRI International, el robot móvil Shakey integraba sensores de visión y

05:35planificación lógica para sortear obstáculos en tiempo real. Sin embargo, las expectativas chocaron contra los límites matemáticos del hardware y los algoritmos de la época. En 1969, Marvin Minsky y Seymour Papert publicaron el libro Perceptrons, donde demostraron de forma concluyente que las redes neuronales de una sola capa eran incapaces de resolver funciones no lineales tan elementales como la puerta lógica XOR. Esta demostración matemática, sumada a las críticas de

06:04informes como ALPAC sobre el estancamiento de la traducción automática, provocó una retirada masiva de financiación que pondría fin al primer gran ciclo expansivo de la disciplina. A principios de los años 70, la brecha entre las promesas iniciales y los resultados reales se volvió insostenible.

06:21En 1973, el prestigioso matemático Sir James Lighthill presentó un informe crítico encargado por el gobierno británico que sacudió los cimientos de la disciplina. Su argumento técnico central apuntaba a la llamada explosión combinatoria.

06:36Algoritmos que resolvían problemas teóricos en entornos cerrados o de juguete se volvían computacionalmente inviables al enfrentarse al mundo real, donde el número de variables y combinaciones crecía de forma exponencial. Los ambiciosos programas de traducción automática y procesamiento del lenguaje natural sufrieron recortes drásticos al no haber cumplido sus compromisos.

06:57Este escenario inauguró el primer invierno de la inteligencia artificial, un periodo marcado por el escepticismo institucional, la reducción masiva de presupuestos y el desprestigio del término en círculos académicos. Sin embargo, la investigación no desapareció. Lejos de extinguirse, los científicos aprendieron una lección de humildad metodológica. Se abandonó la pretensión de crear mentes artificiales universales a corto plazo y la comunidad comenzó a articularse de forma más

07:24rigurosa, un esfuerzo que culminó en 1979 con la fundación de la Asociación Americana de Inteligencia Artificial para fijar nuevos estándares científicos y preparar el terreno para la siguiente ola tecnológica. La superación del primer invierno llegó de la mano del pragmatismo industrial y una premisa clara. En lugar de simular el razonamiento humano general, las máquinas debían resolver problemas concretos codificando el conocimiento de expertos humanos mediante reglas

07:50lógicas. En 1980 nació XCON, un sistema experto desarrollado para Digital Equipment Corporation que automatizaba la configuración técnica de los ordenadores VAX. El impacto económico fue inmediato, redujo drásticamente los errores de ensamblaje y llegó a ahorrar a la compañía unos 40 millones de dólares al año, demostrando por primera vez el retorno de inversión directo de la inteligencia artificial en el sector corporativo.

08:16Este éxito desató un segundo auge comercial y geopolítico. En 1981, Japón lanzó su ambicioso proyecto de la quinta generación de computadoras, destinando enormes fondos públicos al procesamiento paralelo y la programación lógica. La respuesta de Estados Unidos y Europa no se hizo esperar, reactivando la financiación de grandes infraestructuras.

08:36Pero la verdadera transformación silenciosa de esta década ocurrió en el campo de las redes neuronales. En 1982, John Hopfield presentó un modelo recurrente con memoria asociativa. Y en 1986, David Rumelhart, Geoffrey Hinton y Ronald Williams publicaron en la revista Nature un trabajo decisivo que popularizó el algoritmo de retropropagación.

08:58Con la retropropagación, las redes neuronales multicapa podían por fin aprender de forma eficiente, ajustando sus pesos internos capa por capa, superando el estancamiento matemático que las había mantenido en la sombra durante casi dos décadas. Hacia 1987, la burbuja de los sistemas expertos comenzó a desinflarse.

09:16Las empresas descubrieron que mantener bases con decenas de miles de reglas lógicas era costoso, inflexible y propenso a fallos catastróficos ante situaciones no previstas. Al mismo tiempo, el mercado del hardware especializado colapsó. Compañías que fabricaban costosas máquinas diseñadas exclusivamente para ejecutar Lisp fueron superadas rápidamente por las nuevas estaciones de trabajo de propósito general de empresas como Sun Microsystems y los procesadores estándar

09:43de Intel, mucho más económicos y versátiles. Este desplome comercial sumió a la disciplina en su segundo invierno, una prolongada travesía del desierto donde los fondos de inversión se retiraron y el término inteligencia artificial volvió a considerarse casi tabú en la industria del software.

10:01Sin embargo, en los laboratorios de investigación se estaban forjando los cimientos del futuro. En 1989, Yann LeCun y su equipo en los laboratorios Bell de AT&T aplicaron el algoritmo de retropropagación a una arquitectura con pesos compartidos, creando la primera red neuronal convolucional moderna.

10:19Su sistema fue capaz de leer códigos postales manuscritos para el servicio postal de Estados Unidos, aprendiendo directamente desde los píxeles brutos de la imagen. En paralelo, investigadores como Rodney Brooks en el MIT replantearon la robótica, prescindiendo de pesados modelos simbólicos a favor de comportamientos reactivos directos, mientras que en 1992, Gerald Tesauro demostró el potencial del aprendizaje por refuerzo con TD Gammon en IBM. La inteligencia artificial no

10:47estaba muerta, simplemente estaba abandonando las reglas rígidas para aprender a extraer patrones directamente de los datos. Durante la década de 1990, el mundo académico y la industria comprendieron que para superar los inviernos pasados era imprescindible abandonar la intuición empírica y dotar al aprendizaje automático de una base matemática sólida.

11:08En 1995, Corinna Cortes y Vladimir Vapnik formalizaron las máquinas de vectores de soporte. Basadas en la teoría del aprendizaje estadístico, las SVM transformaron la disciplina al plantear la clasificación como un problema de optimización convexa, lo que garantizaba encontrar siempre una solución global óptima sin quedar atrapados en mínimos locales. Mediante el principio del margen máximo, el algoritmo determinaba el hiperplano separador óptimo