Historia de la Inteligencia Artificial: Línea del Tiempo

En junio de 1963, el MIT recibió una subvención de 2,2 millones de dólares de la recién creada Agencia de Proyectos de Investigación Avanzada, posteriormente conocida como DARPA. La financiación impulsó proyectos fundamentales de inteligencia artificial.

Fuente de la imagen: Darpa

DENDRAL, iniciado en 1965, identificaba compuestos químicos a partir de lecturas de espectrómetros. Su rendimiento demostró la viabilidad de los sistemas expertos y del uso de conocimiento especializado en IA.

El informe del Comité Asesor de Procesamiento Automático del Lenguaje criticó en 1966 los esfuerzos en traducción automática. Este informe contribuyó al cambio de clima y a la reducción de expectativas y financiación para ciertas áreas de la IA.

Fuente de la imagen: Vicugna pacos

En 1967, Marvin Minsky realizó una conocida predicción optimista sobre el desarrollo de máquinas con capacidades intelectuales avanzadas. La afirmación reflejaba el entusiasmo que rodeaba a la IA durante su primer auge.

Fuente de la imagen: Marvin Minsky

Tras la aprobación de la Enmienda Mansfield en 1969, DARPA quedó bajo una presión creciente para financiar investigaciones orientadas a misiones concretas en lugar de investigaciones básicas no dirigidas.

En 1972, Richard Karp, basándose en el teorema de Cook de Stephen Cook de 1971, demostró que muchos problemas solo podían resolverse en tiempo exponencial. La explosión combinatoria se convirtió en una limitación central para los sistemas de IA.

MYCIN, desarrollado en 1972, diagnosticaba infecciones en la sangre. Junto con DENDRAL, mostró que los sistemas expertos podían aplicar grandes cantidades de conocimiento especializado a problemas prácticos.

En 1974, las críticas de James Lighthill y la presión del Congreso estadounidense llevaron a los gobiernos de Estados Unidos y Gran Bretaña a retirar financiación de investigaciones no dirigidas sobre IA. El retroceso inauguró un período conocido como invierno de la inteligencia artificial.

Fuente de la imagen: Inteligencia artificial

Hans Moravec argumentó en 1976 que las computadoras aún eran millones de veces demasiado débiles para exhibir inteligencia. La memoria limitada y la baja velocidad de procesamiento impedían obtener resultados verdaderamente útiles en numerosos problemas.

En 1980 se completó en la Universidad Carnegie Mellon el sistema experto R1 para Digital Equipment Corporation. Su adopción empresarial ayudó a convertir los sistemas expertos en una tecnología comercial importante.

En 1981, el Ministerio de Comercio Internacional e Industria de Japón destinó 850 millones de dólares al proyecto de computadoras de quinta generación. La iniciativa inspiró inversiones masivas de gobiernos y empresas, aunque sus ambiciosos objetivos no se cumplieron para 1991.

El mercado de hardware especializado en IA colapsó repentinamente en 1987. Las computadoras personales de Apple e IBM habían ganado suficiente velocidad y potencia para superar a las costosas máquinas Lisp de Symbolics y otras compañías.

En 1982, John Hopfield demostró que una forma de red neuronal podía aprender y procesar información. También mostró que la red convergía de forma demostrable después de suficiente tiempo bajo condiciones fijas.

Fuente de la imagen: Hopfield (RNA)

La colección en dos volúmenes Parallel Distributed Processing, editada por David Rumelhart y James McClelland, recibió una amplia atención en 1986. Sus trabajos contribuyeron al resurgimiento de las redes neuronales y de los modelos distribuidos.

El libro de Judea Pearl Probabilistic Reasoning in Intelligent Systems, publicado en 1988, introdujo la probabilidad y la teoría de la decisión en la IA. Estas ideas ayudaron a construir sistemas capaces de razonar bajo incertidumbre.

En 1990, Yann LeCun utilizó redes neuronales convolucionales en Bell Labs para reconocer dígitos manuscritos. El trabajo se convirtió en un antecedente importante del uso moderno del aprendizaje profundo en visión por computadora.

En su artículo Elephants Don't Play Chess, publicado en 1990, Rodney Brooks atacó la hipótesis del sistema físico de símbolos. Argumentó que los símbolos no siempre eran necesarios y que el mundo podía servir como su propio mejor modelo.

Durante los años noventa y principios de los dos mil, el aprendizaje automático se aplicó a numerosos problemas académicos e industriales. Redes bayesianas, modelos ocultos de Márkov, teoría de la información y modelado estocástico se integraron en sistemas más amplios.

Fuente de la imagen: Aprendizaje automático

En 1992, Gerald Tesauro utilizó el aprendizaje temporal-diferencial en TD-Gammon, un programa que jugaba al backgammon al nivel de los mejores jugadores humanos. El resultado superó significativamente a algoritmos anteriores.

El 11 de mayo de 1997, Deep Blue se convirtió en la primera computadora en derrotar en un encuentro a un campeón mundial de ajedrez, Garry Kasparov. El logro se atribuyó principalmente a la ingeniería, el aumento de la capacidad computacional y la velocidad de procesamiento.

En 2005, un robot de la Universidad de Stanford ganó el DARPA Grand Challenge al conducir de forma autónoma 131 millas por un terreno desértico no ensayado. El resultado demostró los avances prácticos de la percepción y la movilidad autónomas.

Fuente de la imagen: DARPA Grand Challenge

En 2007, investigadores de la Universidad de Massachusetts Amherst publicaron Labeled Faces in the Wild, un conjunto de imágenes faciales usado ampliamente para entrenar y evaluar sistemas de reconocimiento. La disponibilidad de grandes conjuntos de datos fue esencial para el posterior éxito del aprendizaje profundo.

En 2013, Google lanzó word2vec como un recurso de código abierto. El sistema podía representar relaciones semánticas mediante operaciones vectoriales y se convirtió en un elemento esencial para el desarrollo posterior de los grandes modelos de lenguaje.

DeepMind fue fundada en 2010 por Demis Hassabis, Shane Legg y Mustafa Suleyman. La empresa se convirtió en una de las organizaciones más importantes dedicadas a desarrollar sistemas avanzados de aprendizaje automático y a perseguir la inteligencia artificial general.

En 2012, el aprendizaje profundo demostró ser una tecnología revolucionaria y eclipsó a muchos otros métodos. Su éxito dependió de redes neuronales más grandes, enormes cantidades de datos de entrenamiento y computadoras mucho más potentes.

Fuente de la imagen: Aprendizaje profundo

OpenAI fue fundada en 2015 como una organización sin fines de lucro para desarrollar inteligencia artificial avanzada sin quedar completamente subordinada a incentivos económicos. Elon Musk se retiró en 2018 y la organización recurrió posteriormente al apoyo financiero de Microsoft.

Fuente de la imagen: OpenAI

A partir de 2016, los riesgos y las consecuencias no deseadas de la tecnología de IA se convirtieron en un campo importante de investigación académica. El debate abarcó la seguridad, los objetivos de los sistemas y sus efectos sociales.

En 2017, investigadores de Google propusieron la arquitectura Transformer en el artículo Attention Is All You Need. Su mecanismo de atención permitió ampliar los modelos de lenguaje y posibilitó buena parte de la IA generativa contemporánea.

OpenAI lanzó GPT-3 en 2020, uno de los primeros grandes modelos de lenguaje basados en la arquitectura Transformer en alcanzar una amplia notoriedad. El modelo mostró capacidades avanzadas de generación y comprensión de texto.

Fuente de la imagen: GPT-3

La inversión en IA creció exponencialmente después de 2020, especialmente mediante financiación de capital de riesgo para empresas de IA generativa. El aumento reflejó tanto los avances técnicos como la expectativa de nuevos mercados y aplicaciones.

Fuente de la imagen: Inteligencia artificial generativa

DeepMind presentó Gato en 2022 como un sistema capaz de realizar múltiples tareas. Su desarrollo ilustró la tendencia hacia modelos más generales y versátiles basados en arquitecturas modernas de aprendizaje profundo.

ChatGPT fue lanzado el 30 de noviembre de 2022 y marcó un punto de inflexión en la adopción pública de la inteligencia artificial. Su interfaz conversacional acercó los grandes modelos de lenguaje a millones de usuarios.

Fuente de la imagen: ChatGPT

En 2024 se anunció OpenAI o3, un modelo avanzado de razonamiento desarrollado por OpenAI. El anuncio formó parte de la carrera por crear sistemas con capacidades de resolución de problemas más generales.

En 2024 se presentó un perro robot basado en inteligencia artificial, concebido como compañía para el hogar y como ayuda profesional. El dispositivo se activaba mediante la plataforma de computación en el borde NVIDIA Jetson Orin.

Hacia mediados de 2024, el sector financiero comenzó a examinar más críticamente a las empresas de IA. Los inversores cuestionaron si podían generar un retorno de la inversión acorde con sus elevadas valoraciones.

En 2024, la Real Academia Sueca de Ciencias otorgó varios Premios Nobel en reconocimiento de contribuciones fundamentales relacionadas con la inteligencia artificial. Estos reconocimientos reflejaron la influencia de la IA y del aprendizaje automático en la ciencia contemporánea.

Fuente de la imagen: Premio Nobel