La inteligencia artificial (IA) es el campo de la informática que estudia cómo construir sistemas capaces de realizar tareas que, hechas por una persona, requerirían inteligencia: reconocer una imagen, traducir un idioma, jugar al ajedrez o mantener una conversación. No existe una única técnica: la IA agrupa desde reglas escritas a mano hasta redes neuronales entrenadas con millones de ejemplos.
Una distinción central es la de IA estrecha frente a IA general. La IA estrecha (también llamada narrow AI o ANI) resuelve una tarea concreta muy bien — reconocer rostros, recomendar vídeos, predecir el clima — pero no sabe hacer nada fuera de ese dominio. Toda la IA que existe hoy en producción es estrecha. La IA general (AGI) es un objetivo aún no alcanzado: un sistema con la flexibilidad de aprendizaje de un ser humano, capaz de transferir lo aprendido de un dominio a otro cualquiera.
Un poco de historia
La idea de máquinas que piensan es antigua, pero la disciplina nace formalmente a mediados del siglo XX:
1950 — Alan Turing publica Computing Machinery and Intelligence y propone el llamado "test de Turing": si una persona no puede distinguir las respuestas de una máquina de las de otro humano, la máquina "piensa" a efectos prácticos. Es la primera formulación seria de qué significaría que una máquina fuera inteligente.
1958 — El perceptrón, de Frank Rosenblatt, es el primer modelo de neurona artificial entrenable: aprende a separar dos clases de puntos ajustando pesos numéricos a partir de ejemplos. Es el antepasado directo de las redes neuronales modernas (lección 5).
1970s y 1987–1993 — Los "inviernos de la IA": dos periodos de desilusión y recorte de financiación, causados por promesas que la tecnología de la época no podía cumplir (el perceptrón, por ejemplo, no podía resolver problemas no separables linealmente, como XOR — algo que resolveremos en la lección 5 con una red de varias capas).
1997 — Deep Blue vence a Kaspárov en ajedrez: la primera victoria de una máquina sobre el campeón mundial vigente, aunque basada en búsqueda por fuerza bruta, no en aprendizaje.
2012 — El resurgir del deep learning: una red neuronal convolucional (AlexNet) gana por un margen enorme la competición ImageNet de reconocimiento de imágenes. Marca el inicio de la era moderna: redes con muchas capas ("profundas"), entrenadas con grandes volúmenes de datos y GPUs.
2017 — La arquitectura Transformer, presentada en el artículo Attention Is All You Need, cambia radicalmente el procesamiento de lenguaje y sienta las bases técnicas de los modelos de lenguaje modernos.
2020s — Los grandes modelos de lenguaje (LLM): sistemas entrenados con enormes cantidades de texto que generan y comprenden lenguaje natural con una fluidez sin precedentes, y que hoy asisten en programación, escritura, análisis de datos y muchas otras tareas.
IA en el mundo de hoy
La IA estrecha ya está integrada en productos cotidianos: recomendadores de contenido, traducción automática, reconocimiento de voz, detección de fraude, diagnóstico asistido por imágenes médicas, generación de texto e imágenes, y los asistentes conversacionales que usan LLMs. Casi todos estos sistemas comparten un mismo principio de fondo, que exploraremos en las próximas lecciones: aprenden ajustando parámetros numéricos para minimizar un error, usando matemáticas relativamente simples (vectores, derivadas y el gradiente) aplicadas a gran escala.
Repasa los conceptos clave de esta lección con las siguientes tarjetas: