Dartmouth, matemáticas, informática, lenguaje y evolución de una idea que terminó entrando en nuestra vida cotidiana.
“Antes de preguntarnos qué puede hacer una máquina inteligente, deberíamos preguntarnos por qué el ser humano decidió construirla.”
PREÁMBULO
Desde hace algunos días he venido observando, con cierta curiosidad, las opiniones que se expresan alrededor de la Inteligencia Artificial.
Hay opiniones encontradas, historias sobre lo que la IA hizo, lo que dejó de hacer, lo que aparentemente puede hacer y, también, sobre aquello que algunos consideran que debería o no debería hacer.
En medio de tantas opiniones, esta tarde, mientras regresaba a casa, me vino una pregunta que considero mucho más sencilla, pero quizá también mucho más profunda: ¿Para qué hicieron la Inteligencia Artificial?
No me refiero solamente a lo que actualmente hace una IA, ni a las capacidades que hoy podemos observar.
Me refiero a su origen. A la pregunta inicial. A la idea que llevó a un grupo de científicos a plantear, hace 70 años, que algunos aspectos de aquello que llamamos inteligencia podían ser estudiados y simulados mediante una máquina.
Y mientras pensaba en ello, recordé una experiencia que tuve cuando era niño.
Tenía aproximadamente siete años cuando vi una película en blanco y negro que todavía recuerdo perfectamente.
Antes de comenzar, alguien me dijo: “No te vayas a asustar”.
Por supuesto, no me asusté. La película era Frankenstein.
Recuerdo particularmente aquella escena en la que construyen al monstruo utilizando diferentes partes, lo colocan sobre una mesa, conectan el aparato y finalmente lo someten a una descarga de energía eléctrica.
Y entonces ocurre algo extraordinario para un niño de siete años: la criatura cobra vida. Yo estaba fascinado.
No sentía miedo. Quería entender cómo habían conseguido hacerlo. Sin embargo, el verdadero problema llegó al final.
Cuando Frankenstein muere, se rompió el encanto. Me sentí profundamente triste. Lloré.
Las personas que estaban conmigo, mucho mayores que yo, pensaron que estaba asustado. Pero no era miedo.
Era otra cosa.
Yo no entendía por qué habían construido aquella criatura con diferentes partes, le habían dado vida y, finalmente, la historia terminaba con su muerte.
Para mí había una contradicción.
Si se habían tomado tantas molestias para construirlo y darle vida, ¿por qué terminar destruyéndolo?
Intenté explicarlo.
Y, para mi sorpresa, aquel comentario infantil provocó una pequeña división de opiniones: algunos estaban de acuerdo conmigo y otros no. Era 1977.
Después de aquello, parece que decidieron que ya no era conveniente invitarme a ver películas.
No me importó demasiado.
Con el tiempo comprendí que aquella experiencia infantil, además de curiosa, contenía una pregunta que volvería a encontrar muchas décadas después en otro contexto: ¿Para qué construimos aquello que construimos?
Hoy, al observar el desarrollo de la Inteligencia Artificial, encuentro una analogía que me parece inevitable.
El ser humano decidió construir una “inteligencia” artificial.
Y hasta el propio nombre resulta revelador.
No estamos hablando simplemente de una máquina. Estamos hablando de una inteligencia. Una inteligencia artificial.
Entonces aparece nuevamente la pregunta: ¿Qué pretendíamos hacer?, ¿Qué queríamos demostrar?, ¿Qué función queríamos que desempeñara?, ¿Qué problema intentábamos resolver?, ¿Y qué esperábamos encontrar al otro lado de ese experimento?
Hace 70 años, estas preguntas comenzaron a adquirir una forma científica más concreta.
En 1956, en Dartmouth, un grupo de investigadores dio forma a un nuevo campo de investigación al que denominaron Artificial Intelligence.
Desde entonces, el camino ha sido extraordinario.
Pero hay algo que me interesa especialmente destacar.
La Inteligencia Artificial no evolucionó sola.
A su lado evolucionaron las matemáticas y la informática.
La lógica, la probabilidad, la estadística, el álgebra lineal, el cálculo, la optimización, la teoría de la información y otras áreas matemáticas fueron proporcionando herramientas para representar y procesar problemas cada vez más complejos.
Al mismo tiempo, la informática desarrolló algoritmos, lenguajes de programación, estructuras de datos, arquitecturas de computación y nuevas formas de interacción entre el ser humano y las máquinas.
Y, en paralelo, la lingüística y los lenguajes formales permitieron avanzar en otra pregunta fascinante: ¿cómo puede una máquina representar, procesar y finalmente trabajar con algo tan humano como el lenguaje?
Así comenzó a construirse una enorme estructura.
Una estructura que hoy casi no vemos porque se encuentra escondida detrás de una pantalla, una aplicación, un teléfono o una conversación.
Pero allí está:
matemáticas,
lógica,
lingüística,
algoritmos,
programación,
informática,
datos,
aprendizaje,
redes neuronales,
modelos de lenguaje
e Inteligencia Artificial.
Setenta años después de aquella planeación inicial, la IA ya no pertenece exclusivamente a los laboratorios de investigación.
La encontramos en la ciencia, en la industria, en diferentes ámbitos de la defensa y la seguridad, en las empresas, en los hogares, en nuestros teléfonos y, cada vez con mayor presencia, en las escuelas y universidades.
Y entonces surge otra pregunta, mucho más cercana a nuestra vida cotidiana: ¿Cuánto utiliza usted la Inteligencia Artificial en su casa, en su trabajo o en sus estudios?
Quizá la respuesta sea “mucho”.
Quizá sea “poco”.
O quizá sea “no estoy seguro”.
Precisamente por eso nace este artículo.
No pretende presentar a la Inteligencia Artificial como una criatura misteriosa, ni como una tecnología milagrosa, ni como una amenaza inevitable.
Tampoco pretende convertirla en protagonista de historias exageradas.
La intención es regresar al principio.
Mirar hacia Dartmouth.
Preguntar por sus orígenes.
Comprender por qué recibió el nombre de Inteligencia Artificial.
Observar cómo las matemáticas y la informática evolucionaron prácticamente de manera paralela.
Seguir el camino que va desde la lógica y los algoritmos hasta los lenguajes de programación, los datos, las redes neuronales y los actuales sistemas de Inteligencia Artificial.
Y, finalmente, regresar a nosotros.
A nuestra casa.
A nuestro trabajo.
A nuestra escuela.
A nuestra investigación.
Porque quizá comprender de dónde viene la Inteligencia Artificial nos ayude a comprender mejor qué podemos esperar de ella.
Y también qué no deberíamos esperar.
Espero que este recorrido le ayude a despejar algunas dudas, pero, sobre todo, que le genere nuevas preguntas e ideas acerca de cómo comenzó esta extraordinaria evolución conjunta entre la Inteligencia Artificial, las matemáticas y la informática.
Después de todo, quizá la pregunta más interesante no sea solamente qué puede hacer hoy una Inteligencia Artificial.
Tal vez debamos comenzar por algo mucho más sencillo: ¿para qué decidimos construirla?
Muy agradecido, como siempre, por el tiempo que dedica a leerme.
Muchas gracias.
Saludos cordiales.
70 AÑOS DE LA INTELIGENCIA ARTIFICIAL: UNA VISIÓN RETROSPECTIVA.
INTRODUCCIÓN
Hoy hablamos de Inteligencia Artificial con una naturalidad que habría parecido extraordinaria hace apenas algunas décadas.
Una persona puede conversar con una máquina utilizando lenguaje natural, solicitarle una explicación matemática, pedirle que traduzca un texto, generar una imagen, analizar información, escribir un programa, explorar una hipótesis científica o recibir asistencia para organizar una actividad educativa.
La Inteligencia Artificial está en los laboratorios, en las universidades, en las empresas, en los teléfonos inteligentes y, cada vez más, en los hogares y las aulas.
Pero esta presencia cotidiana puede hacernos olvidar una pregunta fundamental:
¿De dónde salió todo esto?
¿Para qué se creó la Inteligencia Artificial?
¿Por qué se llamó “inteligencia”?
¿Qué relación tiene con las matemáticas?
¿Qué papel desempeñaron la informática y los lenguajes de programación?
¿Cómo pasó de ser una investigación altamente especializada a convertirse en una herramienta utilizada por millones de personas?
Y quizá la pregunta más interesante: ¿Qué tuvo que ocurrir para que una idea matemática pudiera terminar conversando con nosotros?
En 2026 se cumplen 70 años del Dartmouth Summer Research Project on Artificial Intelligence, celebrado en 1956.
Dartmouth no inventó de la nada todas las ideas que posteriormente formarían la Inteligencia Artificial.
Sus raíces se encontraban mucho antes en la lógica, las matemáticas, la estadística, la teoría de la computación, la filosofía y los primeros trabajos sobre máquinas capaces de procesar información.
Pero Dartmouth tuvo una importancia histórica extraordinaria.
Allí se dio identidad a un campo de investigación y se utilizó formalmente el nombre “artificial intelligence”.
La propuesta de 1955, firmada por John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon, planteaba investigar si aspectos del aprendizaje y de la inteligencia podían describirse con suficiente precisión como para que una máquina pudiera simularlos.
Setenta años después, regresar a esa pregunta puede ayudarnos a comprender mejor no solamente la Inteligencia Artificial, sino también nuestra propia relación con ella.
I. ANTES DE LA INTELIGENCIA ARTIFICIAL EXISTÍA UNA PREGUNTA
La Inteligencia Artificial no comenzó con una computadora.
Comenzó con una pregunta humana.
¿Cómo pensamos?
¿Cómo razonamos?
¿Cómo aprendemos?
¿Cómo resolvemos problemas?
¿Cómo reconocemos patrones?
¿Podría una parte de esos procesos ser descrita mediante reglas?
Estas preguntas pertenecen simultáneamente a la filosofía, las matemáticas, la lógica, la psicología, la lingüística y, posteriormente, a la informática.
Durante siglos, el ser humano intentó comprender el razonamiento.
La lógica permitió estudiar la estructura de los argumentos.
Las matemáticas proporcionaron lenguajes formales.
La probabilidad permitió estudiar la incertidumbre.
La estadística permitió extraer información de los datos.
La computación permitió ejecutar procedimientos.
Y poco a poco apareció una posibilidad que habría parecido casi filosófica:
¿podría una máquina realizar alguna de las operaciones que asociamos con la inteligencia?
La pregunta estaba planteada.
Todavía faltaba construir el camino.
II. LAS MATEMÁTICAS COMO PRIMER LENGUAJE DE LA MÁQUINA
Para que una máquina pueda trabajar con una idea, necesitamos representarla.
Aquí aparece uno de los grandes protagonistas de esta historia:
la matemática.
Una relación matemática puede expresarse mediante símbolos.
Una regla lógica puede formalizarse.
Un problema puede transformarse en una secuencia de operaciones.
Y una secuencia de operaciones puede convertirse en un algoritmo.
La cadena comienza a adquirir una forma:
IDEA
↓
REPRESENTACIÓN
↓
REGLA
↓
ALGORITMO
↓
PROCEDIMIENTO
La matemática proporcionó una parte fundamental del lenguaje necesario para construir esa cadena.
El álgebra booleana permitió representar operaciones lógicas.
La probabilidad permitió trabajar con incertidumbre.
La estadística permitió analizar datos.
La teoría de la información permitió estudiar información y comunicación.
El álgebra lineal permitió representar grandes cantidades de información mediante vectores y matrices.
El cálculo permitió estudiar cambios y optimización.
La teoría de grafos permitió representar relaciones.
El análisis numérico permitió transformar problemas matemáticos en procedimientos computacionales.
Por eso podemos afirmar que existe una historia matemática detrás de la Inteligencia Artificial.
No es una historia visible.
Es una estructura invisible.
III. LA ESTRUCTURA INVISIBLE
Cuando utilizamos una Inteligencia Artificial moderna, observamos una respuesta.
Una frase.
Una imagen.
Una traducción.
Una clasificación.
Una predicción.
Una recomendación.
Pero debajo de esa respuesta puede existir una enorme estructura matemática.
Vectores.
Matrices.
Funciones.
Probabilidades.
Transformaciones.
Parámetros.
Gradientes.
Optimización.
Algoritmos.
Datos.
La respuesta es visible.
La estructura que la produce es, en gran medida, invisible.
Y esta idea será importante durante todo nuestro recorrido.
Porque la historia de la Inteligencia Artificial puede interpretarse como la historia de cómo el ser humano fue construyendo estructuras cada vez más sofisticadas para representar información y procesarla automáticamente.
IV. TURING: DE LA COMPUTACIÓN A LA INTELIGENCIA
Antes de Dartmouth, Alan Turing había formulado algunas de las preguntas que posteriormente serían fundamentales para la Inteligencia Artificial.
Su trabajo sobre computabilidad proporcionó una base formal para comprender qué significa que una máquina pueda ejecutar un procedimiento.
En 1950, Turing publicó “Computing Machinery and Intelligence” y planteó una pregunta que continúa siendo famosa:
¿pueden pensar las máquinas?
Su propuesta del juego de imitación desplazó parcialmente la discusión desde una definición filosófica de “pensar” hacia una forma operacional de examinar el comportamiento de una máquina.
La cuestión comenzó a transformarse.
Ya no se trataba únicamente de preguntar:
“¿Puede una máquina pensar?”
Podíamos preguntar:
“¿Qué aspectos de una conducta considerada inteligente pueden ser representados y ejecutados computacionalmente?”
La diferencia parece pequeña.
Pero es enorme.
Porque convierte una pregunta filosófica en un programa de investigación.
V. DARTMOUTH: EL NACIMIENTO FORMAL DE UN CAMPO
En 1955 se preparó la propuesta para el Dartmouth Summer Research Project on Artificial Intelligence.
El encuentro tuvo lugar durante el verano de 1956.
La idea central era ambiciosa: investigar si aspectos del aprendizaje y de la inteligencia podían describirse con suficiente precisión para que una máquina pudiera simularlos.
La propuesta incluía problemas relacionados con el lenguaje, la formación de conceptos, la abstracción, la resolución de problemas y la posibilidad de que las máquinas mejoraran su desempeño.
Dartmouth proporcionó algo que hasta entonces se encontraba disperso:
un nombre,
una comunidad,
un programa de investigación
y una pregunta común.
INTELIGENCIA ARTIFICIAL.
La expresión había nacido.
El campo comenzaba a caminar.
VI. PERO ¿POR QUÉ “INTELIGENCIA”?
Aquí aparece una pregunta que merece especial atención.
¿Por qué llamarla Inteligencia Artificial?
La expresión no significaba que las máquinas tuvieran conciencia humana.
Tampoco afirmaba que una computadora poseyera emociones, experiencia subjetiva o una mente equivalente a la humana.
La intención era estudiar si determinadas capacidades asociadas con la inteligencia podían ser simuladas mediante sistemas artificiales.
Por eso debemos distinguir:
INTELIGENCIA
CONCIENCIA
INTELIGENCIA HUMANA
No son sinónimos.
Una máquina puede realizar una tarea que consideramos inteligente sin que ello demuestre que posee conciencia.
Puede reconocer un patrón sin experimentar el mundo como nosotros.
Puede generar lenguaje sin que eso resuelva por sí mismo las preguntas filosóficas acerca de la comprensión.
Esta distinción continúa siendo fundamental setenta años después.
VII. DE LA MATEMÁTICA AL ALGORITMO
Pero todavía existía un problema.
¿Cómo transformar una idea matemática en una operación que una máquina pudiera ejecutar?
La respuesta fue el algoritmo.
Un algoritmo es, simplificando, un procedimiento definido para resolver un problema o realizar una tarea.
Podemos pensar en él como un puente:
PROBLEMA
↓
MÉTODO
↓
SECUENCIA DE PASOS
↓
ALGORITMO
↓
PROGRAMA
La computadora necesita instrucciones.
Y las instrucciones necesitan una representación formal.
Aquí entra en escena la informática.
VIII. LA INFORMÁTICA: EL PUENTE ENTRE LA IDEA Y LA EJECUCIÓN
La informática permitió convertir procedimientos abstractos en procesos ejecutables.
La computadora no entiende una idea humana de la misma manera que una persona.
Necesita representaciones.
Necesita estructuras.
Necesita instrucciones.
Necesita operaciones.
Por eso la informática se convirtió en uno de los pilares de la Inteligencia Artificial.
La matemática podía describir.
La lógica podía formalizar.
El algoritmo podía indicar qué hacer.
Pero la informática permitía ejecutar.
Así podemos ampliar nuestra cadena:
FILOSOFÍA
↓
MATEMÁTICAS
↓
LÓGICA
↓
ALGORITMOS
↓
INFORMÁTICA
↓
INTELIGENCIA ARTIFICIAL
IX. LOS LENGUAJES DE PROGRAMACIÓN
Sin lenguajes de programación, gran parte de la informática moderna sería impracticable.
Los primeros computadores requerían instrucciones extremadamente cercanas al funcionamiento interno de la máquina.
Con el tiempo surgieron lenguajes de más alto nivel.
FORTRAN.
LISP.
ALGOL.
COBOL.
BASIC.
C.
C++.
Java.
Python.
R.
Cada uno pertenece a una etapa diferente de la evolución de la programación y posee características propias.
Pero todos comparten una idea:
permitir que el ser humano exprese procedimientos de manera formal para que puedan ser procesados por una computadora.
En la historia temprana de la Inteligencia Artificial, LISP adquirió especial importancia por su capacidad para trabajar con símbolos y estructuras de datos, adecuadas para diversos problemas de representación del conocimiento y razonamiento.
Y existe aquí una precisión histórica particularmente interesante.
John Kemeny y Thomas Kurtz, en Dartmouth, desarrollaron BASIC a comienzos de la década de 1960 con la intención de hacer la computación más accesible a estudiantes de diferentes disciplinas. Dartmouth señala este desarrollo como parte de la posterior democratización de la computación.
La historia comenzaba a describir un movimiento extraordinario:
la computadora dejaba de ser exclusivamente una herramienta para especialistas.
X. CUANDO EL LENGUAJE TAMBIÉN SE CONVIRTIÓ EN MATEMÁTICA
Pero apareció otro problema.
El ser humano no piensa solamente en números.
Piensa mediante palabras, símbolos, conceptos, relaciones y estructuras.
Entonces surgió otra pregunta:
¿podemos representar matemáticamente el lenguaje?
Aquí convergen la lingüística formal, la lógica matemática, las gramáticas formales, la teoría de lenguajes y la teoría de autómatas.
Una oración posee estructura.
Una palabra puede desempeñar diferentes funciones.
Una expresión puede ser válida o inválida dentro de una gramática.
Un conjunto de reglas puede describir determinadas construcciones.
El lenguaje, entonces, también puede estudiarse como una estructura formal.
Esto fue fundamental para la informática.
Un compilador, por ejemplo, necesita analizar la estructura de un programa antes de transformarlo en instrucciones ejecutables.
De esta manera encontramos otro puente:
LENGUAJE
↓
GRAMÁTICA
↓
ESTRUCTURA
↓
ANÁLISIS
↓
REPRESENTACIÓN
↓
PROCESAMIENTO
XI. DEL COMPILADOR AL PROCESAMIENTO DEL LENGUAJE NATURAL
Existe aquí una conexión fascinante.
Cuando escribimos un programa, utilizamos un lenguaje formal.
Cuando hablamos, utilizamos un lenguaje natural.
Son sistemas diferentes.
Pero ambos pueden ser estudiados mediante estructuras.
La informática desarrolló herramientas para analizar lenguajes formales.
La Inteligencia Artificial comenzó posteriormente a abordar el lenguaje humano.
Así apareció el procesamiento del lenguaje natural.
La computadora podía comenzar a trabajar con textos, palabras, estructuras sintácticas y relaciones lingüísticas.
Al principio predominaban reglas explícitas.
Después aparecieron modelos estadísticos.
Posteriormente llegaron métodos de aprendizaje automático.
Finalmente, las redes neuronales profundas transformaron nuevamente el campo.
La historia vuelve a repetirse:
REGLAS
↓
ESTADÍSTICA
↓
DATOS
↓
APRENDIZAJE
↓
REDES NEURONALES
↓
MODELOS DE LENGUAJE
XII. LOS PRIMEROS SISTEMAS: CUANDO LA MÁQUINA SEGUÍA REGLAS
Los primeros sistemas de IA trabajaron intensamente con símbolos y reglas.
Un sistema podía recibir una serie de condiciones.
Podía aplicar reglas.
Podía buscar soluciones.
Podía manipular símbolos.
Logic Theorist, desarrollado por Allen Newell y Herbert Simon en 1956, es uno de los ejemplos históricos de esta etapa.
La idea era poderosa:
si el razonamiento puede representarse mediante símbolos y reglas, una máquina puede manipular esas representaciones.
Pero pronto apareció una dificultad.
El mundo real es mucho más complejo que un conjunto cerrado de reglas.
Existe incertidumbre.
Existe ruido.
Existe información incompleta.
Existe contexto.
Existe ambigüedad.
XIII. LA PROBABILIDAD ENTRA EN LA HISTORIA
La probabilidad y la estadística ofrecieron una nueva perspectiva.
La pregunta dejó de ser únicamente:
“¿Qué regla debo aplicar?”
Y comenzó a ser:
“¿Qué resultado es más probable dadas las evidencias disponibles?”
Esta transformación fue fundamental.
La IA comenzó a trabajar con datos.
Y los datos permitieron descubrir regularidades que no siempre era necesario programar explícitamente.
La máquina podía aprender patrones.
Aquí nació una transición fundamental:
DE PROGRAMAR TODAS LAS REGLAS
A
PROGRAMAR MÉTODOS PARA APRENDER DE LOS DATOS.
XIV. LOS SISTEMAS EXPERTOS
Durante las décadas de 1970 y 1980, los sistemas expertos adquirieron gran importancia.
La idea era introducir en una computadora conocimiento especializado de determinados dominios.
Un sistema podía utilizar reglas y una base de conocimiento para ayudar en problemas concretos.
Existieron sistemas destinados a áreas como la química y el diagnóstico médico.
Pero los sistemas expertos también mostraron los límites de la representación manual del conocimiento.
El conocimiento humano es difícil de capturar completamente.
Los expertos no siempre pueden explicar todas las reglas que utilizan.
Existe experiencia.
Existe contexto.
Existen excepciones.
Existe conocimiento implícito.
La IA necesitaba otra estrategia.
XV. EL INVIERNO DE LA INTELIGENCIA ARTIFICIAL
La historia de la IA tampoco fue una historia de éxito continuo.
Hubo periodos de enorme entusiasmo.
Y también periodos de decepción.
Cuando las promesas superaron las capacidades reales de los sistemas, disminuyeron el interés y el financiamiento.
Estos periodos fueron conocidos como “inviernos de la Inteligencia Artificial”.
La lección científica es importante.
Una idea puede ser correcta en principio y, sin embargo, carecer todavía de los datos, los algoritmos, el hardware o las representaciones necesarias para funcionar a gran escala.
La historia de la IA demuestra así que el progreso tecnológico casi nunca depende de una sola disciplina.
Depende de la convergencia.
XVI. CIENCIA, INDUSTRIA Y DEFENSA
Durante la segunda mitad del siglo XX, la informática adquirió también una importancia estratégica.
La capacidad de procesar información tenía aplicaciones científicas, industriales y de defensa.
Reconocimiento de patrones.
Procesamiento de señales.
Planificación.
Logística.
Simulación.
Traducción automática.
Análisis de información.
Sistemas de decisión.
Robótica.
Estas necesidades impulsaron diferentes líneas de investigación.
Pero debemos evitar una simplificación histórica:
la Inteligencia Artificial no fue creada exclusivamente para fines militares.
Su desarrollo involucró universidades, investigadores, empresas, laboratorios y organismos públicos con objetivos diversos.
Sí es correcto señalar que determinadas investigaciones relacionadas con computación e IA recibieron apoyo de instituciones vinculadas con defensa y seguridad, y que algunos desarrollos encontraron aplicaciones estratégicas.
Pero simultáneamente se desarrollaron aplicaciones científicas, educativas, industriales y civiles.
La historia fue una convergencia, no una sola ruta.
XVII. CUANDO LA COMPUTACIÓN SE HIZO COTIDIANA
Durante décadas, una computadora fue un objeto extraordinariamente especializado.
Después apareció la computadora personal.
Más tarde Internet.
Después el teléfono inteligente.
La capacidad computacional comenzó a introducirse en prácticamente todos los aspectos de la vida cotidiana.
La Inteligencia Artificial acompañó esa transformación.
La evolución puede observarse así:
LABORATORIO
↓
UNIVERSIDAD
↓
CENTRO DE INVESTIGACIÓN
↓
INDUSTRIA
↓
COMPUTADORA PERSONAL
↓
INTERNET
↓
TELÉFONO INTELIGENTE
↓
HOGAR
↓
ESCUELA
XVIII. DEL LABORATORIO AL HOGAR
Actualmente podemos encontrarnos con IA en numerosas actividades cotidianas.
Reconocimiento de voz.
Traducción.
Recomendaciones.
Clasificación de fotografías.
Reconocimiento de objetos.
Predicción de texto.
Sistemas de navegación.
Asistentes digitales.
Automatización doméstica.
Procesamiento de imágenes.
Herramientas de generación de texto e imágenes.
Lo extraordinario es que muchas personas utilizan estas tecnologías sin conocer las matemáticas que existen debajo.
Y eso no es necesariamente un problema.
Nadie necesita conocer la física cuántica para utilizar un teléfono.
Pero comprender los principios generales sí puede ser importante.
Porque una sociedad que utiliza una tecnología también necesita comprender sus posibilidades y sus límites.
XIX. LA IA EN LA ESCUELA
La llegada de la Inteligencia Artificial al ámbito educativo representa otro cambio importante.
Primero tuvimos papel y lápiz.
Después calculadoras.
Luego computadoras.
Después Internet.
Ahora tenemos sistemas capaces de dialogar con estudiantes mediante lenguaje natural.
La IA puede explicar un concepto.
Puede generar ejemplos.
Puede proponer ejercicios.
Puede ayudar a revisar una solución.
Puede comparar procedimientos.
Puede asistir en programación.
Puede ayudar a explorar problemas matemáticos.
Pero aparece una pregunta fundamental:
¿Debe la IA resolver el problema del estudiante o ayudarlo a comprenderlo?
La respuesta educativa depende del propósito.
Si la herramienta sustituye completamente el razonamiento del estudiante, puede disminuir la oportunidad de aprender.
Si se utiliza para preguntar, explorar, comparar, detectar errores y construir explicaciones, puede convertirse en una herramienta poderosa de aprendizaje.
La diferencia está en la metodología.
XX. DEL USUARIO AL COLABORADOR
Durante décadas utilizamos computadoras como herramientas.
Hoy comenzamos a establecer relaciones diferentes con ellas.
Podemos dialogar.
Podemos plantear problemas.
Podemos explorar hipótesis.
Podemos pedir explicaciones.
Podemos solicitar diferentes enfoques.
Esto genera una nueva posibilidad: la colaboración humano-IA.
Pero colaborar no significa abandonar el pensamiento.
Significa utilizar la capacidad computacional como apoyo a la actividad humana.
El ser humano conserva algo fundamental:
el propósito.
La máquina puede procesar.
El ser humano decide qué pregunta vale la pena formular.
La máquina puede encontrar patrones.
El ser humano determina qué significan y cómo deben verificarse.
La máquina puede generar una hipótesis.
El investigador debe comprobarla.
La máquina puede producir una solución.
El científico debe evaluar si esa solución es correcta.
La colaboración comienza precisamente allí.
XXI. APRENDIZAJE AUTOMÁTICO: CUANDO LA MÁQUINA DEJA DE RECIBIR TODAS LAS REGLAS
El aprendizaje automático produjo otro cambio profundo.
En lugar de escribir manualmente todas las reglas necesarias para resolver un problema, podemos proporcionar datos y diseñar un procedimiento mediante el cual el sistema ajuste sus parámetros.
En términos simplificados:
DATOS
↓
MODELO
↓
PREDICCIÓN
↓
ERROR
↓
AJUSTE
↓
NUEVA PREDICCIÓN
Este ciclo puede repetirse numerosas veces.
La matemática vuelve a ocupar el centro.
Si una función de pérdida es: L(θ)
y θ representa los parámetros del modelo, podemos estudiar cómo modificar esos parámetros mediante el gradiente: ∇L(θ)
Una expresión simplificada del descenso por gradiente es: θₙ₊₁ = θₙ – η∇L(θₙ)
Aquí encontramos una de las ideas matemáticas fundamentales detrás de muchos procedimientos de entrenamiento.
La máquina no “aprende” necesariamente como aprende un ser humano.
Ajusta parámetros siguiendo un procedimiento matemático.
Pero el resultado puede ser extraordinariamente complejo.
XXII. LAS REDES NEURONALES
Las redes neuronales artificiales introdujeron una nueva forma de representar determinadas tareas.
Una unidad puede recibir entradas ponderadas: z = w₁x₁ + w₂x₂ + … + wₙxₙ + b
y posteriormente aplicar una función.
Una red completa puede encadenar muchas transformaciones:
ENTRADA
↓
CAPA
↓
CAPA
↓
CAPA
↓
SALIDA
Con redes profundas, la representación puede adquirir niveles progresivamente más complejos.
La inspiración histórica proviene parcialmente de las redes neuronales biológicas.
Pero una red neuronal artificial no es un cerebro humano.
Es un modelo matemático y computacional inspirado de manera simplificada en ciertos aspectos de los sistemas neuronales.
XXIII. LA COMPUTACIÓN SE ENCUENTRA CON EL CÁLCULO
La evolución de la IA moderna no puede entenderse sin considerar también el hardware.
El entrenamiento de modelos requiere enormes cantidades de operaciones.
Matrices.
Vectores.
Transformaciones.
Multiplicaciones.
Cálculos de gradientes.
Procesamiento paralelo.
La evolución de procesadores, almacenamiento, redes y unidades especializadas permitió ejecutar modelos cada vez mayores.
Aquí aparece nuevamente nuestra estructura invisible:
MATEMÁTICAS
ALGORITMOS
DATOS
HARDWARE
=
NUEVAS CAPACIDADES DE IA
XXIV. DEEP LEARNING
El deep learning llevó las redes neuronales a escalas mayores.
Las representaciones comenzaron a aprenderse de manera jerárquica.
En una imagen, por ejemplo, un sistema puede detectar inicialmente patrones simples y posteriormente combinarlos en representaciones más complejas.
En lenguaje ocurre algo diferente, pero la idea general permanece:
múltiples transformaciones permiten construir representaciones.
Stanford identifica el deep learning como una forma de aprendizaje automático basada en representaciones jerárquicas mediante redes neuronales, y señala que su expansión fue impulsada por avances en datos, computación y hardware.
La IA comenzaba a abandonar definitivamente la imagen de una máquina que simplemente seguía reglas.
XXV. EL LENGUAJE SE CONVIERTE EN VECTOR
Uno de los grandes cambios conceptuales fue representar información lingüística mediante estructuras matemáticas.
Una palabra puede representarse como un vector: w = (x₁, x₂, x₃, …, xₙ)
Esto permite trabajar con relaciones matemáticas entre representaciones.
Las palabras que aparecen en contextos semejantes pueden adquirir representaciones relacionadas.
El lenguaje comienza entonces a tener una dimensión geométrica.
No significa que el lenguaje humano sea literalmente geometría.
Significa que determinados patrones lingüísticos pueden representarse matemáticamente en espacios vectoriales.
Aquí se unen nuevamente:
LINGÜÍSTICA
ÁLGEBRA LINEAL
ESTADÍSTICA
COMPUTACIÓN.
XXVI. DEL SIGNIFICADO A LA ATENCIÓN
El lenguaje plantea un problema adicional:
el significado depende del contexto.
Una misma palabra puede tener diferentes significados.
Una frase puede depender de otra frase anterior.
Una relación distante dentro de un texto puede resultar importante.
En 2017, el trabajo “Attention Is All You Need” presentó la arquitectura Transformer, basada en mecanismos de atención y diseñada para procesar secuencias de manera altamente paralelizable.
El trabajo se convirtió en una referencia fundamental para la evolución posterior de los modelos de lenguaje.
La atención permitió modelar relaciones entre diferentes elementos de una secuencia de una manera que transformó el desarrollo posterior del procesamiento del lenguaje.
Y debajo seguían las matemáticas.
Matrices.
Productos.
Vectores.
Probabilidades.
Transformaciones.
Optimización.
XXVII. LA INTELIGENCIA ARTIFICIAL GENERATIVA
Llegamos entonces a una nueva etapa.
La Inteligencia Artificial dejó de concentrarse únicamente en clasificar o predecir.
Comenzó a generar.
Texto.
Imágenes.
Audio.
Código.
Video.
Modelos matemáticos.
La transformación fue importante.
Antes podíamos preguntar:
“¿Qué es esto?”
Ahora podemos preguntar:
“¿Puedes producir algo relacionado con esto?”
La IA generativa convirtió la interacción en algo mucho más parecido a una conversación.
Y aquí el lenguaje humano regresó al centro de la escena.
XXVIII. EL LENGUAJE NATURAL COMO NUEVA INTERFAZ
Durante gran parte de la historia de la computación, el ser humano tuvo que aprender a hablar con la máquina mediante lenguajes formales.
Ahora comienza a suceder algo diferente.
La persona puede utilizar lenguaje natural.
La máquina interpreta la solicitud mediante un modelo computacional.
El sistema genera una respuesta.
Podemos representarlo así:
HUMANO
↓
LENGUAJE NATURAL
↓
MODELO COMPUTACIONAL
↓
PROCESAMIENTO MATEMÁTICO
↓
RESPUESTA
Esto puede dar la impresión de que desapareció la programación.
No es así.
La programación continúa.
La informática continúa.
Las matemáticas continúan.
Lo que cambió fue la interfaz.
XXIX. DE LA CIENCIA AL USO COTIDIANO
Y aquí regresamos a la pregunta social.
¿Cómo llegó todo esto hasta nuestros hogares?
La respuesta es acumulativa.
Primero fue necesario desarrollar las matemáticas.
Después la lógica.
Después la computación.
Después los lenguajes de programación.
Después los algoritmos.
Después los datos.
Después los métodos de aprendizaje.
Después el hardware.
Después las redes.
Después las interfaces.
Y finalmente los sistemas comenzaron a estar disponibles para el público general.
La tecnología que alguna vez requería un laboratorio especializado puede hoy utilizarse desde un dispositivo cotidiano.
Este proceso puede llamarse transferencia tecnológica y democratización de la capacidad computacional.
Pero democratizar una herramienta también significa democratizar la responsabilidad de utilizarla correctamente.
XXX. CIENCIA: UNA HERRAMIENTA PARA EXPLORAR
En ciencia, la Inteligencia Artificial puede ayudar a analizar datos, encontrar patrones, acelerar cálculos, desarrollar código, explorar hipótesis y construir modelos.
Pero existe una distinción que debemos preservar cuidadosamente:
EXPLORAR NO ES DEMOSTRAR.
Una simulación no es automáticamente una demostración matemática.
Una correlación no demuestra causalidad.
Una predicción no constituye por sí misma una explicación.
Una respuesta generada por IA no se convierte automáticamente en un hecho por el simple hecho de estar bien escrita.
La ciencia conserva su responsabilidad fundamental:
preguntar,
formular,
contrastar,
verificar,
reproducir,
corregir.
La Inteligencia Artificial puede participar en ese proceso.
No sustituye el método científico.
XXXI. DEFENSA, INDUSTRIA Y SOCIEDAD
La historia tecnológica también nos muestra que una misma herramienta puede adquirir diferentes funciones según el contexto.
La informática desarrollada para investigación puede tener aplicaciones industriales.
Una técnica desarrollada en un contexto industrial puede terminar utilizándose en educación.
Una arquitectura desarrollada para una tarea puede terminar formando parte de productos de consumo.
Las aplicaciones relacionadas con defensa representan solamente una parte de esa historia.
No debemos confundir el origen histórico de determinadas líneas de investigación con el propósito único de toda la disciplina.
La IA es el resultado de múltiples comunidades científicas y tecnológicas.
Su historia es plural.
XXXII. LOS RETOS DE LA IA COTIDIANA
Cuando una tecnología estaba limitada a unos cuantos especialistas, sus riesgos también estaban relativamente contenidos.
Ahora la situación es diferente.
La Inteligencia Artificial puede utilizarse masivamente.
Eso plantea nuevos retos:
privacidad,
seguridad,
sesgos,
desinformación,
propiedad intelectual,
dependencia tecnológica,
alfabetización digital,
evaluación de resultados,
responsabilidad,
educación.
La pregunta ya no es únicamente:
“¿Podemos construirlo?”
Ahora debemos preguntar:
“¿Cómo lo utilizamos?”
Y todavía más:
“¿Para qué queremos utilizarlo?”
XXXIII. LA EDUCACIÓN COMO NUEVA FRONTERA
Quizá uno de los escenarios más importantes de esta nueva etapa sea la educación.
Porque la educación no consiste solamente en obtener respuestas.
Consiste en aprender a formular preguntas.
Una Inteligencia Artificial puede ofrecer una respuesta inmediata.
Pero el verdadero aprendizaje puede comenzar cuando el estudiante pregunta:
¿Por qué?
¿Cómo?
¿Puedes demostrarlo?
¿Qué supuesto utilizaste?
¿Existe otra solución?
¿Qué pasaría si cambiamos esta variable?
¿Cómo sabemos que la respuesta es correcta?
En ese sentido, la IA puede convertirse en una herramienta para fortalecer el pensamiento crítico.
La herramienta no sustituye al maestro.
Tampoco sustituye al estudiante.
Puede convertirse en un nuevo instrumento dentro de una relación educativa que continúa siendo humana.
XXXIV. LA GRAN CADENA DE SETENTA AÑOS
Ahora podemos observar el recorrido completo.
FILOSOFÍA
¿Qué significa pensar?
↓
MATEMÁTICAS
¿Cómo podemos formalizar?
↓
LÓGICA
¿Cómo podemos representar el razonamiento?
↓
LINGÜÍSTICA
¿Cómo podemos representar el lenguaje?
↓
ALGORITMOS
¿Cómo podemos describir procedimientos?
↓
PROGRAMACIÓN
¿Cómo podemos expresar esos procedimientos?
↓
INFORMÁTICA
¿Cómo podemos ejecutarlos?
↓
DATOS
¿Qué información tenemos?
↓
APRENDIZAJE AUTOMÁTICO
¿Qué patrones podemos extraer?
↓
REDES NEURONALES
¿Cómo podemos construir representaciones complejas?
↓
DEEP LEARNING
¿Cómo podemos aprender representaciones jerárquicas?
↓
MODELOS DE LENGUAJE
¿Cómo podemos trabajar con grandes estructuras lingüísticas?
↓
IA GENERATIVA
¿Cómo podemos producir nuevas representaciones?
↓
SOCIEDAD
¿Para qué decidimos utilizar todo esto?
XXXV. ¿PARA QUÉ SE CREÓ LA INTELIGENCIA ARTIFICIAL?
Después de recorrer siete décadas, podemos regresar finalmente a la pregunta inicial.
¿Para qué se creó la Inteligencia Artificial?
La respuesta histórica no es:
“para sustituir al ser humano”.
Tampoco:
“para crear máquinas conscientes”.
Y mucho menos:
“para dominar el mundo”.
La motivación inicial fue científica: investigar si determinados aspectos del aprendizaje y de la inteligencia podían describirse formalmente y ser simulados mediante máquinas.
Dartmouth convirtió esa pregunta en un campo de investigación con nombre propio.
Después vinieron las aplicaciones.
Algunas tuvieron éxito.
Otras fracasaron.
Algunas fueron abandonadas.
Otras transformaron industrias.
Y algunas terminaron entrando en nuestros hogares y escuelas.
La historia de la Inteligencia Artificial demuestra así algo que ocurre frecuentemente en ciencia y tecnología:
una idea puede comenzar como una pregunta teórica y terminar modificando la vida cotidiana.
XXXVI. SETENTA AÑOS DESPUÉS
En 1956, la idea parecía extraordinaria.
En 2026, podemos conversar con una máquina.
Pero quizá eso no sea lo más extraordinario.
Lo verdaderamente extraordinario es observar el camino que tuvo que recorrer el conocimiento humano para llegar hasta aquí.
La filosofía formuló preguntas.
Las matemáticas proporcionaron estructuras.
La lógica formalizó razonamientos.
La lingüística estudió estructuras del lenguaje.
La informática permitió ejecutar procedimientos.
Los lenguajes de programación hicieron posible expresar algoritmos.
Los datos proporcionaron materia prima.
La estadística permitió encontrar regularidades.
El cálculo permitió optimizar.
El álgebra lineal proporcionó representaciones.
El hardware permitió escalar.
Las redes conectaron sistemas.
Y la Inteligencia Artificial reunió muchas de esas piezas.
No fue un milagro.
Fue una construcción colectiva.
EPÍLOGO
Quizá después de 70 años deberíamos dejar de observar la Inteligencia Artificial únicamente como una máquina.
Porque la IA no es una sola máquina.
Es una historia.
Una historia de preguntas humanas.
Una historia de matemáticas.
Una historia de lógica.
Una historia de lenguajes.
Una historia de algoritmos.
Una historia de computadoras.
Una historia de científicos, ingenieros, matemáticos, lingüistas y filósofos.
Una historia de aciertos y errores.
Una historia de expectativas y decepciones.
Una historia de laboratorios.
Una historia de ciencia e industria.
Una historia en la que también participaron proyectos relacionados con defensa.
Y finalmente una historia que abandonó los laboratorios para llegar a la sociedad.
Hoy la encontramos en el hogar.
En el teléfono.
En la universidad.
En la escuela.
En el laboratorio.
En la empresa.
Y ahora también en nuestra conversación cotidiana.
Pero existe una paradoja fascinante.
La Inteligencia Artificial nació intentando comprender y reproducir algunos aspectos de la inteligencia.
Y después de 70 años, continúa obligándonos a preguntarnos qué significa realmente ser inteligente.
Quizá ése sea su mayor legado.
No haber creado una respuesta definitiva.
Sino haber ampliado la pregunta.
Porque detrás de una respuesta generada por una máquina existen algoritmos.
Detrás de los algoritmos existen matemáticas.
Detrás de las matemáticas existen ideas.
Y detrás de esas ideas existe un ser humano que alguna vez se atrevió a preguntar:
“¿Podremos construir una máquina capaz de realizar aquello que llamamos inteligencia?”
Setenta años después, la pregunta sigue abierta.
Pero ahora podemos formular una nueva:
“¿Qué podemos aprender sobre nosotros mismos al construir máquinas que intentan representar nuestra inteligencia?”
Tal vez el futuro de la Inteligencia Artificial no consista simplemente en construir máquinas cada vez más capaces.
Tal vez consista en aprender a convivir, investigar, enseñar y crear con ellas de manera responsable.
La máquina puede calcular.
Puede procesar.
Puede comparar.
Puede reconocer patrones.
Puede generar.
Puede simular.
Puede ayudarnos a explorar.
Pero el propósito sigue siendo humano.
Y quizá ahí se encuentre la verdadera frontera de los próximos setenta años.
No en conseguir que las máquinas sean cada vez más humanas.
Sino en conseguir que los seres humanos sepan utilizar cada vez mejor las máquinas que han creado.
La Inteligencia Artificial tiene 70 años.
Pero la pregunta que la originó es mucho más antigua.
Y probablemente seguirá acompañándonos mucho después de que las máquinas que hoy conocemos hayan quedado en la historia.
“Construimos máquinas para comprender la inteligencia; quizá el verdadero descubrimiento de estos setenta años sea que, al intentar enseñar a una máquina a pensar, el ser humano terminó descubriendo nuevas formas de pensar sobre sí mismo.”
