De la ciencia ficción a la realidad

La inteligencia artificial (IA) ha capturado la imaginación de científicos, ingenieros y visionarios durante décadas. Lo que comenzó como una mera fantasía en la literatura y el cine, hoy en día está transformando industrias y cambiando la forma en que vivimos y trabajamos. Este artículo explora el fascinante viaje de la IA, desde sus inicios hasta el presente, destacando los hitos clave y las figuras que han moldeado su desarrollo.

La idea de crear máquinas que puedan pensar y actuar como humanos no es nueva. Si nos remontamos a la antigua Grecia, encontramos relatos de autómatas en la mitología. El dios Hefesto, por ejemplo, fabricó estatuas vivientes y sirvientes mecánicos. Estas historias reflejan un deseo humano profundo de construir entidades que puedan realizar tareas por nosotros.

Otro ejemplo notable es el de Al-Jazari, un inventor musulmán del siglo XII, conocido por sus increíbles diseños de máquinas automáticas. Su «Libro del Conocimiento de Ingeniosos Dispositivos Mecánicos» describe varios dispositivos automáticos, incluidos relojes y mecanismos de lavado de manos que funcionaban de manera casi autónoma. Estas creaciones no solo servían un propósito funcional, sino que también eran muestra de la sofisticación técnica de su época.

Siglos más tarde, encontramos a Leonardo da Vinci, uno de los mayores genios del Renacimiento, que diseñó varios autómatas y máquinas. Entre sus numerosos inventos, es conocido por haber creado un caballero mecánico alrededor de 1495, que podía sentarse, mover sus brazos y levantar su visor. Aunque nunca se construyó en su tiempo, los bocetos de Da Vinci demostraron una comprensión avanzada de la mecánica y el movimiento, anticipando las futuras posibilidades de la robótica.

Sin embargo, el concepto de IA tal como lo entendemos hoy comenzó a tomar forma en el siglo XX, con el desarrollo de la computación y la teoría matemática.

Fundación de la IA: 1950s

El término «inteligencia artificial» fue acuñado por primera vez en 1956 por John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon en la Conferencia de Dartmouth. Esta reunión marcó el nacimiento oficial de la IA como un campo de estudio académico. Los investigadores estaban llenos de optimismo y creían que en unas pocas décadas, las máquinas serían tan inteligentes como los humanos.

Pero antes de este evento fundamental, hubo desarrollos significativos. En 1950, el matemático británico Alan Turing publicó su famoso artículo «Computing Machinery and Intelligence» en el que proponía la prueba de Turing, una forma de determinar si una máquina podía exhibir un comportamiento inteligente indistinguible del de un ser humano. Es famosa la frase de Turing:  «La pregunta de si una máquina puede pensar es demasiado insignificante para merecer discusión», todo un avance para lo que nos encontraríamos después.

Etapa de florecimiento: 1960s y 1970s

Durante los años 60, el entusiasmo por la IA creció exponencialmente. Investigadores como Marvin Minsky en el MIT y John McCarthy en la Universidad de Stanford hicieron grandes avances en el campo. Fue una década marcada por la esperanza y la innovación, con la idea de que las máquinas inteligentes no solo eran posibles, sino que estaban a la vuelta de la esquina.

Uno de los primeros programas de IA fue el «Logic Theorist«, desarrollado por Allen Newell y Herbert A. Simon en 1956. Este programa fue capaz de demostrar teoremas de lógica matemática, una tarea que anteriormente solo podían realizar los humanos. El Logic Theorist se considera el primer programa de IA que mostró la capacidad de las máquinas para realizar razonamientos simbólicos.

John McCarthy, por otro lado, no sólo acuñó el término «inteligencia artificial», sino que también desarrolló el lenguaje de programación LISP en 1958, que se convirtió en la base de muchos programas de IA. McCarthy creía firmemente en la capacidad de las máquinas para realizar tareas complejas y en el potencial de la IA para resolver problemas prácticos.

Marvin Minsky, conocido como uno de los padres de la IA, fundó el Laboratorio de IA del MIT en 1959. Su trabajo se centró en la creación de máquinas capaces de simular cualquier aspecto de la inteligencia humana. Minsky fue un pionero en el desarrollo de redes neuronales y sistemas de percepción visual, sentando las bases para muchos de los avances actuales en IA.

Otro hito significativo de esta época fue el desarrollo de ELIZA en 1966 por Joseph Weizenbaum en el MIT. ELIZA fue uno de los primeros programas de procesamiento de lenguaje natural, capaz de simular una conversación con un terapeuta humano. Aunque ELIZA seguía reglas simples y patrones de conversación predefinidos, demostró el potencial de las máquinas para interactuar con los humanos en lenguaje natural.

Una de las anécdotas más curiosas sobre ELIZA es que muchas personas comenzaron a confiar en el programa y a compartir sus problemas personales, creyendo que realmente estaban hablando con un terapeuta humano. Weizenbaum se sorprendió y preocupó al ver cuán fácil era para las personas atribuir inteligencia y empatía a una máquina, lo que le llevó a reflexionar sobre las implicaciones éticas de la IA.

En 1969, al final de este periodo, Marvin Minsky y Seymour Papert publicaron «Perceptrons», un libro crítico sobre las limitaciones de las redes neuronales simples. Aunque su crítica fue constructiva, llevó a una disminución en la investigación sobre redes neuronales durante los años 70, contribuyendo al primer «invierno de la IA».

Primer invierno de la IA: 1970s

A pesar de los avances de los años 60, la IA enfrenta importantes desafíos en los años 70. Las expectativas iniciales eran altísimas, y cuando los resultados prácticos no se materializaron a la velocidad esperada, la financiación y el interés en la investigación de IA disminuyeron drásticamente. Este período se conoce como el «primer invierno de la IA».

Varios proyectos y programas que prometían grandes avances fueron abandonados debido a la falta de progreso tangible y a la reducción del apoyo financiero. Unode ellos, muy importante, fue el Proyecto SHRDLU (1968-1970s): Un programa de IA desarrollado por Terry Winograd en el MIT para comprender y generar lenguaje natural en un mundo de bloques. Aunque fue innovador, su aplicación práctica era limitada y no progresó más allá de los entornos de investigación controlados.

Durante este invierno, la financiación de la DARPA (Agencia de Proyectos de Investigación Avanzados de Defensa) para proyectos de IA también disminuyó significativamente. En 1973, su presupuesto para IA se redujo en un 70%, pasando de 3 millones de dólares a menos de 1 millón. Esta agencia, fundada en 1958,  fue uno de los principales patrocinadores de la investigación en IA. Buscaba garantizar que Estados Unidos liderara la tecnología de vanguardia, incluida la inteligencia artificial y financió proyectos ambiciosos como el programa de redes neuronales y los sistemas de procesamiento de lenguaje natural. 

En 1973, el informe Lighthill en el Reino Unido criticó severamente el progreso en la investigación de IA, argumentando que no se habían logrado los objetivos prometidos. Al año siguiente, la financiación total para proyectos de IA en Estados Unidos cayó de 20 millones de dólares en 1969 a 4 millones de dólares. Como resultado, muchos programas en Europa también fueron cancelados.

A pesar de estos desafíos, algunos proyectos continuaron a menor escala y con expectativas más realistas. La disminución en la financiación y la atención forzó a los investigadores a ser más pragmáticos y a centrarse en objetivos más alcanzables.

Renacimiento y el segundo invierno: 1980s y 1990s

El campo de la IA experimentó un renacimiento en los años 80 con la introducción de los «sistemas expertos». Estos sistemas eran programas de IA diseñados para resolver problemas complejos en dominios específicos, utilizando una base de conocimientos y reglas de inferencia. Algunos ejemplos que encontramos son el programa XCON/R1 (1980s) o PROSPECTOR (1974-1983) El primero había sido desarrollado por Digital Equipment Corporation, XCON y era un sistema experto utilizado para configurar pedidos de computadoras. Ahorro millones de dólares a la empresa al reducir errores en las configuraciones de sistemas. El segundo, era un sistema experto desarrollado en SRI International para la exploración geológica, ayudó en la identificación de yacimientos de molibdeno en Washington.

Estos éxitos iniciales generaron un renovado interés y financiación en la IA, pero también trajeron nuevas expectativas. Los sistemas expertos demostraron ser útiles en tareas específicas, pero también enfrentaron limitaciones significativas. Eran costosos de desarrollar y mantener, requerían actualizaciones constantes y no podían aprender de nuevas experiencias.

A finales de los años 80 y principios de los 90, la IA volvió a entrar en un período de declive, conocido como el «segundo invierno de la IA». Las expectativas no cumplidas y la falta de avances significativos llevaron a otra disminución en la financiación y el interés. Así, la inversión en IA en empresas de capital riesgo en los Estados Unidos disminuyó de 422 millones de dólares en 1985 a 80 millones de dólares en 1990. También muchas startups de IA cerraron o fueron absorbidas por otras compañías debido a la falta de viabilidad comercial.

Auge del Machine Learning: Finales de los 1990s y 2000s

El resurgimiento de la IA en la década de 1990 y 2000 se debió en gran parte a los avances en el aprendizaje automático (machine learning). Este enfoque permite a las máquinas aprender de datos y mejorar con el tiempo sin ser programadas explícitamente para cada tarea.

La aparición del machine learning marcó una diferencia crucial respecto a los enfoques anteriores. Mientras que los sistemas expertos y otros métodos tradicionales de IA dependían en gran medida de reglas predefinidas y conocimiento explícitamente programado, el machine learning se basaba en la capacidad de los algoritmos para detectar patrones y hacer predicciones a partir de grandes conjuntos de datos. Esto significaba que las máquinas podían «aprender» y adaptarse a nuevas situaciones por sí mismas, lo que aumentaba significativamente su versatilidad y potencial.

Un evento clave en esta era fue el enfrentamiento entre Deep Blue, una computadora desarrollada por IBM, y el campeón mundial de ajedrez Garry Kasparov en 1997. Este evento no solo fue un hito tecnológico, sino también un símbolo cultural de la creciente capacidad de las máquinas para realizar tareas que anteriormente se consideraban exclusivamente humanas. El equipo detrás de Deep Blue incorporó técnicas avanzadas de búsqueda y evaluación de posiciones de ajedrez. Deep Blue no sólo evaluaba millones de posiciones por segundo, sino que también utilizaba una extensa base de datos de partidas jugadas por grandes maestros para tomar decisiones informadas.

El enfrentamiento con Garry Kasparov tuvo lugar en dos fases. La primera, en 1996, resultó en una victoria de Kasparov, pero Deep Blue ganó una partida, lo que ya era un hito impresionante. La revancha en 1997 culminó en una victoria de Deep Blue, convirtiéndose en la primera vez que una computadora derrotaba a un campeón mundial de ajedrez en una serie de partidas. Este evento capturó la imaginación del público y demostró que las máquinas podían rivalizar con los humanos en el dominio de tareas complejas. Garry Kasparov dijo después de su derrota, «Sentí una nueva clase de inteligencia en Deep Blue».

La era del Deep Learning y el Big Data: 2010s 

La última década ha visto una explosión en el campo de la IA, impulsada por el desarrollo de redes neuronales profundas (deep learning) y el acceso a grandes volúmenes de datos (big data). Algoritmos avanzados y una potencia de cálculo sin precedentes han permitido avances increíbles en áreas como el reconocimiento de imágenes, la traducción automática y la conducción autónoma.

Para entender este salto es importante conocer las diferencias entre Machine Learning y Deep Learning. El Machine Learning utiliza algoritmos que procesan datos y generan modelos predictivos basados en patrones identificados. Requiere un esfuerzo significativo para extraer características relevantes de los datos y suele ser menos eficiente en tareas muy complejas que requieren un entendimiento profundo de los datos. El Deep Learning, en cambio, constituye  un subcampo del machine learning que utiliza redes neuronales profundas con múltiples capas para procesar datos. Estas redes pueden aprender características relevantes por sí mismas a partir de grandes volúmenes de datos, lo que las hace más efectivas en tareas complejas como el reconocimiento de imágenes y el procesamiento del lenguaje natural.

Figuras clave en esta era incluyen a Geoffrey Hinton, Yann LeCun y Yoshua Bengio, quienes han sido pioneros en el campo del deep learning. En 2012, un equipo de investigadores dirigido por Hinton ganó la competencia de reconocimiento de imágenes ImageNet, marcando un hito en el rendimiento de las redes neuronales.

Al igual que había sucedido casi una década antes con Deep Blue, el enfrentamiento de AlphaGo contra Lee Sedol en 2016 fue un momento crucial en la historia de la IA. AlphaGo utilizó una combinación de redes neuronales profundas y aprendizaje de refuerzo para dominar el juego de Go. La IA fue entrenada inicialmente con datos de partidas jugadas por humanos y luego mejoró su habilidad jugando millones de partidas contra versiones de sí misma. El éxito de AlphaGo no solo demostró el poder del deep learning, sino que también abrió nuevas posibilidades para aplicaciones de IA en dominios más allá de los juegos.

IA en la Actualidad y el Futuro: La popularización de la IA Generativa

Hoy en día, la IA está presente en casi todos los aspectos de nuestras vidas, desde asistentes virtuales como Siri y Alexa hasta aplicaciones de salud, finanzas y entretenimiento. Empresas de todo el mundo están invirtiendo en IA para mejorar sus productos y servicios, aumentar la eficiencia y crear nuevas oportunidades de negocio.

A partir de 2020, hemos visto la irrupción de la IA generativa, una subárea de la IA que se centra en la creación de contenido nuevo. Las redes generativas adversariales (GANs), desarrolladas por Ian Goodfellow y sus colegas en 2014, han sido una pieza clave en esta revolución. Las GANs consisten en dos redes neuronales que se entrenan juntas: una generadora que crea contenido y una discriminadora que evalúa la calidad de dicho contenido. Este enfoque ha llevado a la creación de imágenes, música y textos sorprendentemente realistas.

La IA generativa no solo está revolucionando la creación de contenido, sino también aplicaciones en diseño, desarrollo de productos y servicios personalizados. Por ejemplo, empresas de moda están utilizando IA generativa para diseñar nuevas colecciones, y arquitectos están explorando cómo las GANs pueden ayudar en el diseño de edificios.

Ricardo Alfaro