Historia y Evolución de la Inteligencia Artificial
Este hito es más una idea que un avance tecnológico, pero sentó las bases de todo el campo. El matemático Alan Turing publicó el artículo «Computing Machinery and Intelligence» donde propuso la famosa prueba de Turing, un juego de imitación para determinar si una máquina puede exhibir un comportamiento inteligente indistinguible del de un humano. Si una máquina pasa la prueba, podría considerarse «inteligente». Este concepto definió la meta de la IA durante décadas.
1- Fuente: El artículo original «Computing Machinery and Intelligence» publicado por Alan Turing en la revista Mind en 1950.
En la Conferencia de Dartmouth, el científico de la computación John McCarthy acuñó el término «inteligencia artificial«, dando nombre a este nuevo campo de estudio. En ese mismo evento, Allen Newell y Herbert A. Simon presentaron el Logic Theorist, considerado el primer programa de IA. Fue capaz de demostrar 38 de 52 teoremas matemáticos de los «Principia Mathematica» de Russell y Whitehead, demostrando la capacidad de las máquinas para el razonamiento simbólico.
2- Fuente: Actas de la Conferencia de Dartmouth (Dartmouth Summer Research Project on Artificial Intelligence) de 1956, y la publicación del trabajo sobre Logic Theorist por Allen Newell, Herbert A. Simon y J.C. Shaw.
Frank Rosenblatt desarrolló el Perceptrón, un modelo matemático de una neurona artificial que podía aprender a clasificar patrones. Aunque era un sistema simple, marcó el inicio de la investigación en redes neuronales y sentó las bases para el aprendizaje automático. Era capaz de distinguir entre tarjetas perforadas marcadas a la izquierda y a la derecha.
3- Fuente: El trabajo original de Frank Rosenblatt publicado en 1958, en particular su artículo «The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain».
A finales de la década de 1970, la financiación y el interés en la IA disminuyeron drásticamente debido a las expectativas no cumplidas. Este período se conoce como el «invierno de la IA». Sin embargo, en esta misma época, surgieron los Sistemas Expertos, programas que emulaban la toma de decisiones de un experto humano en un dominio específico. Un ejemplo notable fue MYCIN, un sistema para diagnosticar infecciones bacterianas. Estos sistemas demostraron la utilidad de la IA en la resolución de problemas prácticos, ayudando a superar el estancamiento.
4- Fuente: Historia del campo de la IA y análisis de la financiación gubernamental (principalmente en EE. UU. y Reino Unido, como el Informe Lighthill en 1973) que documentan la disminución del interés. Los Sistemas Expertos (como MYCIN de Stanford) son un hito bien documentado de la IA basada en reglas de la década de 1970 y 1980.
En un nuevo impulso a las redes neuronales, el algoritmo de retropropagación (backpropagation) fue popularizado por David Rumelhart y otros. Este avance permitió entrenar redes neuronales con múltiples capas, resolviendo problemas más complejos. La retropropagación es un método para ajustar los pesos de las conexiones entre neuronas, lo que permite que el modelo «aprenda» de sus errores.
5- Fuente: El artículo seminal de David E. Rumelhart, Geoffrey E. Hinton y Ronald J. Williams en 1986, «Learning representations by back-propagating errors», publicado en Nature, que popularizó el algoritmo de retropropagación para redes neuronales multicapa.
El sistema de IBM, Deep Blue, se convirtió en la primera máquina en derrotar a un campeón mundial de ajedrez, Garry Kasparov, en un match de seis partidas. Este hito no solo fue una hazaña técnica, sino también un momento mediático que demostró el poder de la IA para procesar información y planificar estrategias a una escala que los humanos no pueden igualar.
6- Fuente: Registros históricos de IBM y cobertura mediática global del match de revancha Deep Blue vs. Garry Kasparov celebrado en mayo de 1997 en Nueva York.
El sistema de IA de IBM, Watson, venció a los dos campeones humanos más exitosos en el popular programa de televisión Jeopardy!. Watson demostró una notable capacidad para comprender el lenguaje natural, procesar preguntas ambiguas, buscar en vastas bases de datos de conocimiento y formular respuestas precisas en tiempo real. Este hito validó el progreso de la IA en el procesamiento del lenguaje natural (PLN).
7- Fuente: Documentación oficial de IBM Research y cobertura periodística del evento de febrero de 2011 donde el sistema Watson compitió en el programa de televisión Jeopardy! contra los campeones Ken Jennings y Brad Rutter.
En 2012, el equipo de AlexNet ganó el desafío ImageNet, un concurso anual de reconocimiento de imágenes, con una red neuronal profunda que redujo drásticamente el margen de error. Este evento marcó el inicio del auge del aprendizaje profundo (Deep Learning), una rama del aprendizaje automático que utiliza redes neuronales con muchas capas. La combinación de grandes conjuntos de datos (Big Data) y un mayor poder de cómputo (GPU) impulsó la investigación y las aplicaciones en áreas como la visión por computadora y el PLN.
8- Fuente: La publicación del artículo «ImageNet Classification with Deep Convolutional Neural Networks» por Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton en 2012, que documenta su victoria en el desafío ImageNet (ILSVRC).
El programa AlphaGo de Google DeepMind derrotó al campeón mundial de Go, Lee Sedol. El juego de Go es mucho más complejo que el ajedrez, con una cantidad casi infinita de movimientos posibles. La victoria de AlphaGo demostró que los sistemas de IA podían dominar juegos extremadamente complejos, utilizando el aprendizaje por refuerzo para aprender de sus propias partidas.
9- Fuente: El artículo de Google DeepMind en Nature de 2016, «Mastering the game of Go with deep neural networks and tree search», que describe el sistema AlphaGo y su victoria histórica contra Lee Sedol.
La introducción del modelo BERT (2018) y posteriormente la serie GPT de OpenAI (2018-actualidad) revolucionó el campo del PLN. Estos Modelos de Lenguaje de Gran Escala (LLMs), como ChatGPT, son capaces de generar texto coherente y conversacional, traducir idiomas, escribir código y resumir información. Su accesibilidad ha impulsado la IA generativa, haciéndola una parte visible y cotidiana de la vida de millones de personas en todo el mundo
10- Fuente: Publicaciones de investigación clave, como «BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding» (Google, 2018), y los papers y anuncios de OpenAI sobre la serie de modelos GPT (Generative Pre-trained Transformer), que marcaron el comienzo de los LLMs.
Trabajo presentado por:
- Cesar Erazo Ruiz
- Samara Fajardo
Componente Técnico – Fundamentos de la IA
Bootcamp TalentoTECH