En los orígenes: del sueño de los autómatas a la neurona artificial

El primer hito verdaderamente científico lo establecen dos figuras británicas del siglo XIX. Charles Babbage concibe la «máquina analítica», un calculador mecánico programable que nunca llegó a terminar en vida, pero que ya contiene los ingredientes conceptuales del ordenador. Ada Lovelace, matemática, escribe en 1843 lo que a menudo se considera el primer algoritmo destinado a ser ejecutado por una máquina. Lovelace formula además una objeción célebre: una máquina, dice en esencia, no puede hacer más que aquello que se le ordena hacer; no sabría crear nada original. Esta «objeción de Lovelace» se discutirá durante siglo y medio, y la aparente creatividad de las IA generativas de 2026 le da un relieve nuevo.

Turing comprende que esta pregunta está mal planteada, porque no sabemos definir «pensar». La sustituye, pues, por una prueba concreta, el juego de la imitación, que ha quedado célebre con el nombre de test de Turing: si, al dialogar por escrito con una máquina sin verla, un humano no logra distinguirla de otro humano, entonces hay que reconocerle, por honestidad, una forma de inteligencia. Turing desplaza así el debate del «¿qué es pensar?» (irresoluble) hacia el «¿qué comportamiento observable aceptaríamos como prueba?» (comprobable).

Los primeros éxitos parecen darles la razón. Ya en 1956, el programa Logic Theorist de Allen Newell y Herbert Simon demuestra teoremas de lógica. En 1958, el psicólogo Frank Rosenblatt construye el Perceptrón, una máquina inspirada en la neurona biológica capaz de aprender a reconocer formas simples. La prensa se enardece: se anuncian máquinas que andarán, hablarán y serán conscientes. Este exceso de optimismo, recurrente en la historia de la IA, prepara la caída.

Algunos éxitos destacados: DENDRAL (años 1960) identifica estructuras químicas; MYCIN (años 1970) diagnostica infecciones de la sangre y recomienda antibióticos, a veces mejor que médicos principiantes. En los años 1980, las empresas invierten masivamente en esta tecnología.

El apogeo de cierta idea del razonamiento por fuerza bruta llega en 1997, cuando el ordenador Deep Blue de IBM vence al campeón mundial de ajedrez Garry Kasparov. Pero atención: Deep Blue no «aprende» nada. Explora millones de posiciones por segundo gracias a reglas escritas por humanos. Es una proeza de ingeniería, no una inteligencia general: sería incapaz de jugar a las damas sin ser enteramente reprogramado.

Pero la idea llega demasiado pronto: en los años 1980 y 1990 faltan cruelmente los dos combustibles indispensables: los datos (Internet aún no existe a gran escala) y la potencia de cálculo (los ordenadores son demasiado lentos). Los pioneros, como Geoffrey Hinton en Canadá, Yann LeCun (un francés que aplica las redes a la lectura de cheques bancarios) o Yoshua Bengio, labran un campo que no dará sus frutos hasta décadas después. Se les apodará, mucho más tarde, los «padrinos del deep learning».

La conjunción de estos tres elementos, a comienzos de los años 2010, provocará una explosión que el capítulo siguiente relata en detalle.

---

Para recordar (capítulo 1)

• La IA es heredera de un sueño milenario, convertido en ciencia en 1956 en Dartmouth.
• Dos filosofías se enfrentan: la IA simbólica (reglas explícitas) y la IA conexionista (aprendizaje mediante redes neuronales).
• El enfoque simbólico dominó hasta los años 1980, con éxitos (sistemas expertos, Deep Blue en 1997) pero límites fatales: fragilidad y coste de la codificación manual del conocimiento.
• Los «inviernos de la IA» recuerdan que la brecha entre promesas y realidad se paga siempre.
• El conexionismo renace con la retropropagación (1986), pero deberá esperar a los datos y el cómputo de los años 2010 para triunfar.

En el capítulo siguiente, abrimos el capó de este enfoque conexionista: ¿cómo, concretamente, «aprende» una máquina a partir de ejemplos?

---