1950 – Prueba de Turing: Criterio para evaluar si una máquina puede “pensar”.

1957 – Perceptrón (Rosenblatt): Primer algoritmo de aprendizaje supervisado basado en redes neuronales.

1965 – Lógica Difusa (Lotfi Zadeh): Introducción de grados de verdad, útil en sistemas expertos y toma de decisiones.

1931 – Teorema de Incompletitud de Gödel: Límite formal del conocimiento matemático, con implicaciones filosóficas para la IA.

1936 – Máquina de Turing (Alan Turing): Fundamento teórico de la computación moderna y del concepto de una “máquina inteligente”.

1943 – Modelo de Neuronas (McCulloch y Pitts): Primer modelo computacional de neurona basado en lógica booleana. 

1986 – Retropropagación del error (Rumelhart, Hinton y Williams): Algoritmo clave para entrenar redes neuronales profundas.

1995 – Máquinas de Vectores de Soporte (SVM): Algoritmo basado en geometría y optimización convexa para clasificación.

1997 – Deep Blue vence a Kasparov: Hito en IA simbólica con gran uso de heurísticas, lógica y árboles de decisión.

2006 – Redes Neuronales Profundas (Deep Learning): Hinton reintroduce redes profundas, usando matemáticas de álgebra lineal, cálculo y estadística.

2012 – AlexNet y revolución del Deep Learning: Gana ImageNet con CNN, basada en convolución, matrices y optimización.

2014 – Redes Generativas Antagónicas (GANs): Matemáticas probabilísticas y teoría de juegos para generación de imágenes.

2020 – Transformers y GPT-3: Uso intensivo de álgebra lineal (matrices, tensores), probabilidad y teoría de la información.

2022–2025 – Modelos Multimodales y Auto-regresivos (ChatGPT, Gemini, Claude): Optimización, estadística bayesiana y geometría de alta dimensión.