Los 10 hitos más interesantes desde el algoritmo hasta la inteligencia artificial by Reyes Arellano Oscar

Máquina Universal de Turing (1936‑37)

orreyes1187 — 2025-09-12 14:08:06 UTC

En 1936, el matemático británico Alan Turing creo el modelo matemático abstracto que describe cómo una máquina puede manipular símbolos en una cinta infinita siguiendo un conjunto de reglas. Que demostraba que una máquina así puede resolver cualquier problema computacional siempre que este pueda expresarse como un algoritmo sentando las bases teóricas de lo que hoy llamamos programación universal.

Propuesta de Dartmouth / Nacimiento formal de la IA (1955‑1956)

orreyes1187 — 2025-09-12 14:16:52 UTC

El 31 de agosto de 1955, John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon redactan la propuesta sobre la inteligencia artificial la cual afirmaba que cada aspecto del aprendizaje o de cualquier otra característica de la inteligencia podía definirse con suficiente precisión como para que una máquina la simule.

Se plantearon tareas como cómo hacer que una máquina use lenguaje, formar abstracciones y conceptos, resolver problemas actualmente reservados a los humanos, y que la máquina se mejore a sí misma

Perceptrón (1958)

orreyes1187 — 2025-09-12 14:19:41 UTC

Frank Rosenblatt desarrolló el Perceptron, un modelo de red neuronal simple de una sola capa, que aprende a distinguir clases mediante ajustes en los pesos (aprendizaje supervisado). En concreto, lo presentó en 1958 con demostraciones de que podía reconocer patrones simples (por ejemplo distinguir marcaciones a la izquierda vs derecha en tarjetas).

Se construyó hardware experimental que conectaba células fotocélulas, unidades intermedias, etc

Sistemas expertos: MYCIN (1972‑década de los 70‑80)

orreyes1187 — 2025-09-12 14:22:38 UTC

En Stanford, alrededor de 1972, se comenzó el desarrollo del sistema experto MYCIN, destinado a ayudar en diagnósticos médicos de infecciones sanguíneas/bacteriémicas.

Demostró que sistemas prácticos de IA podían alcanzar niveles cercanos a expertos humanos en dominios específicos.

Introdujo conceptos de explicación (explicabilidad) del razonamiento automático, muy importante para la confiabilidad.

Transformers / “Attention Is All You Need” (2017)

orreyes1187 — 2025-09-12 14:25:46 UTC

En junio de 2017, Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, e Illia Polosukhin publican el paper Attention Is All osea que Introdujeron la arquitectura Transformer: un modelo basado únicamente en mecanismos de atención (“self-attention”, multi-head attention) sin recurrir a redes recurrentes (RNNs) ni convolucionales (CNNs) para modelar secuencias.

Sentó las bases arquitectónicas de los modelos de lenguaje grandes (LLMs) actuales, que usarían transformers como componente central (GPT, BERT, T5, etc.).

1974‑1980 (primer AI Winter)

orreyes1187 — 2025-09-12 14:30:28 UTC

AI Winter es un término que se usa para describir períodos de disminución significativa del interés y financiamiento en investigación de inteligencia artificial, tras etapas de expectativas muy altas y mucha cobertura.

El Lighthill Report (Reino Unido, 1973) criticó el estado de la investigación en IA, señalando que muchas promesas eran grandiosas pero que los resultados prácticos hasta entonces no habían estado a la altura. Destacaba problemas como la “explosión combinatoria” (combinatorial explosion), que implicaba que cierto tipo de algoritmos se volvían inviable en escenarios reales por su complejidad

Explosión del Aprendizaje Automático (Machine Learning) en los 2000s

2025-09-14 00:12:47 UTC

A partir de finales de los años 1990 y especialmente durante los años 2000, la investigación en inteligencia artificial dio un giro decisivo: en lugar de programar a las máquinas con reglas explícitas, los investigadores comenzaron a enseñarles a aprender a partir de datos.

Este cambio de paradigma se conoce como el auge del aprendizaje automático (machine learning), y transformó completamente la relación entre programación tradicional e IA.

BERT (Google, 2018)

2025-09-14 00:29:22 UTC

BERT (Google, 2018) fue un modelo de lenguaje basado en la arquitectura Transformer que revolucionó el procesamiento del lenguaje natural.
Su innovación clave fue leer las oraciones en ambas direcciones al mismo tiempo (bidireccional), lo que le permitió entender mejor el contexto de las palabras.

BERT mejoró notablemente tareas como búsqueda, traducción, preguntas-respuestas y análisis de texto, y abrió el camino a otros modelos modernos (RoBERTa, DistilBERT, GPT, etc.).

2020-GPT-3 (OpenAI)

2025-09-14 00:34:10 UTC

Es un modelo de lenguaje basado en Transformers con 175 mil millones de parámetros, lo que lo convirtió en el modelo más grande y avanzado de su tiempo.

Su innovación clave fue mostrar que con suficiente escala (más datos y más parámetros) un modelo podía realizar tareas complejas de lenguaje sin necesidad de entrenamiento específico (zero-shot y few-shot learning).

Esto permitió generar texto fluido, responder preguntas, traducir, escribir código e incluso razonar de manera básica, marcando el inicio de la IA generativa de propósito general que luego se popularizó con ChatGPT.

2022–2023 – IA generativa mainstream

2025-09-14 00:39:00 UTC

En este periodo, la IA generativa llegó al público masivo gracias a modelos capaces de crear texto, imágenes y otros contenidos de manera natural y accesible.

Este hito marcó el paso de la IA como herramienta especializada de laboratorio a un fenómeno cultural y social, con aplicaciones en educación, arte, programación, ciencia y comunicación diaria.