La historia de la inteligencia artificial
“Cuando las máquinas comenzaron a pensar: la historia oculta de la inteligencia artificial”.
Por: Juan Díaz
La historia oculta de la inteligencia artificial no es solo un relato del Primer Mundo, ciencia ficción o historias futuristas, sino también, un telón de fondo de lo que hoy se vislumbra en República Dominicana. Lo que en 1943 comenzó como un modelo matemático de una red neuronal en un artículo científico, hoy se reproduce no solo en chats que atienden a pacientes, sino también, en desarrollo automatico para el gobierno, educación, salud y empresas en todo el país.
La historia de la inteligencia artificial, tal como la cuenta la crónica tecnológica, arranca en 1943 cuando Warren McCulloch y Walter Pitts publicaron ¨A Logical Calculus of Ideas Immanent in Nervous Activity¨, un trabajo que ofreció el primer modelo matemático para emular redes neuronales. Ese primer esbozo teórico sembró la idea de que procesos mentales podían formalizarse y simularse mediante cálculos; la disciplina que nacería de ahí no tardó en buscar máquinas capaces de materializar aquellas ecuaciones.
A comienzos de la década de 1950, el entusiasmo se trasladó del papel al hardware: en 1950 Marvin Minsky y Dean Edmonds construyeron Snarc, el primer ordenador de red neuronal, mientras Alan Turing proponía el Test que aún hoy sirve como referencia para valorar comportamientos inteligentes en máquinas. Paralelamente, en 1952 Arthur Samuel desarrolló un software que aprendía a jugar al ajedrez, un primer ejemplo práctico de aprendizaje autónomo que anticipaba el posterior auge del Machine Learning.
La acuñación formal del término ¨inteligencia artificial¨ se remonta a la conferencia de Dartmouth de 1956, organizada por John McCarthy, donde investigadores trazaron objetivos y una visión ambiciosa para el campo. Aquella reunión se considera por muchos como el verdadero nacimiento institucional de la IA: McCarthy, junto a figuras como Marvin Minsky, impulsó laboratorios e iniciativas el MIT Artificial Intelligence Project y luego el AI Lab en Stanford que consolidaron la IA como disciplina académica y tecnológica.
Sin embargo, el camino no fue lineal. Los años sesenta y setenta trajeron desilusiones concretas: el informe ALPAC de 1966 reveló el lento progreso en traducción automática y provocó cancelaciones de proyectos gubernamentales, y el informe Lighthill de 1973 en Gran Bretaña aceleró recortes. Ese periodo de financiación restringida y expectativas frustradas quedó conocido como el primer invierno de la IA, una pausa que puso en evidencia la distancia entre promesas y resultados.
El optimismo volvió con la demostración comercial de sistemas expertos en los años ochenta, como R1 (XCON) de Digital Equipment Corporation, que configuraba pedidos de hardware y convenció a la industria de la utilidad práctica de la IA. Japón y Estados Unidos invirtieron cientos de millones en sistemas expertos, pero la burbuja no duró: la caída del mercado de máquinas Lisp en 1987 y alternativas más baratas provocaron el segundo invierno de la IA a finales de la década, cuando gobiernos y empresas retiraron su apoyo y muchos proyectos quedaron en tierra.
La década de 1990 marcó un hito simbólico y mediático: en 1997 la supercomputadora Deep Blue de IBM venció al campeón mundial de ajedrez Garry Kasparov, demostrando el poder de algoritmos y potencia de cálculo. A partir de la primera década del siglo XXI, la convergencia de grandes volúmenes de datos, mayor capacidad de cómputo y nuevos algoritmos particularmente el Deep Learning desencadenó la revolución actual. Google mejoró el reconocimiento de voz en 2008; en 2012 Andrew Ng mostró que una red entrenada con millones de vídeos de YouTube podía identificar un gato sin etiquetado humano, y en 2016 AlphaGo venció a Lee Sedol en Go, reafirmando avances que se extendieron a videojuegos complejos y aplicaciones industriales.
Hoy la inteligencia artificial está integrada en multitud de sectores: salud, finanzas, transporte, comunicaciones y entretenimiento, entre otros. El Machine Learning y el Deep Learning alimentan desde recomendaciones personalizadas hasta diagnósticos clínicos asistidos, y las empresas invierten en modelos cada vez más potentes. A pesar de los logros, persisten preguntas sobre ética, transparencia y el alcance real de una inteligencia general; no obstante, el relato histórico muestra una disciplina que aprendió de sus inviernos, se reinventó con datos y cálculo y avanza, con cautela y ambición, hacia horizontes antes reservados a la ciencia ficción.
