Artículos
Todos los artículos publicados sobre la historia de la IA.
-
Bosques aleatorios: el conjunto de árboles de decisión de Leo Breiman (2001)
En octubre de 2001 Leo Breiman publicó Random Forests en Machine Learning, combinando muchos árboles de decisión decorrelacionados entrenados sobre muestras bootstrap para crear un clasificador general potente.
-
DARPA Grand Challenge 2005: Stanley cruza el desierto (2005)
El 8 de octubre de 2005 el vehículo autónomo Stanley del equipo de Stanford ganó el DARPA Grand Challenge, completando un recorrido de 212 km por el desierto de Mojave en 6 horas 53 minutos tras una carrera de 2004 sin ningún finalizador.
-
Las redes de códigos postales de LeCun: cuando la convolución se encontró con la retropropagación (1989)
En 1989 Yann LeCun y sus colegas en AT&T Bell Laboratories publicaron una red neuronal convolucional entrenada con retropropagación sobre códigos postales manuscritos del Servicio Postal de EE. UU., una prueba temprana de que los filtros locales podían escalar al clasificado real del correo.
-
Máquinas de vectores de soporte: clasificadores de margen máximo con kernels (1995)
En 1995 Corinna Cortes y Vladimir Vapnik publicaron support-vector networks en Machine Learning, combinando separación lineal de margen máximo con el truco del kernel para fronteras no lineales.
-
Modelos de lenguaje neuronales: la lucha de Bengio contra la maldición de la dimensionalidad (2003)
En 2003 Yoshua Bengio y sus colegas publicaron A Neural Probabilistic Language Model en el Journal of Machine Learning Research, aprendiendo representaciones distribuidas de palabras para escapar de los límites de las enormes tablas n-grama.
-
TD-Gammon: aprender backgammon jugando contra sí mismo (1992)
Gerald Tesauro en IBM construyó TD-Gammon, una red neuronal que aprendió backgammon de alto nivel mediante aprendizaje por refuerzo de diferencia temporal y autojuego, alcanzando un juego cercano al nivel experto.
-
Máquinas de Boltzmann: cuando las redes neuronales tomaron prestada la física estadística (1985)
En 1985 David Ackley, Geoffrey Hinton y Terrence Sejnowski publicaron un algoritmo de aprendizaje para máquinas de Boltzmann: unidades binarias estocásticas, una función de energía de la física y un muestreo lento que métodos posteriores intentaron evitar.
-
Redes de creencia profunda: cuando las redes profundas volvieron a ser entrenables (2006)
En julio de 2006 Geoffrey Hinton y sus colegas mostraron que apilar máquinas de Boltzmann restringidas capa a capa y ajustar el resultado con retropropagación permitía entrenar redes profundas. El resultado ayudó a reactivar el renacimiento del aprendizaje profundo.
-
Retropropagación: cómo las redes neuronales aprendieron de sus errores (1986)
En 1986, David Rumelhart, Geoffrey Hinton y Ronald Williams demostraron que las redes neuronales multicapa entrenadas con retropropagación aprenden sus propias representaciones internas. El método sigue siendo el estándar para entrenar la mayoría de las redes neuronales.
-
GAN: cuando las redes neuronales aprendieron a inventar imágenes (2014)
En junio de 2014, Ian Goodfellow y sus colegas presentaron las redes generativas adversativas: dos redes neuronales que se entrenan una contra otra. La idea hizo posible la síntesis realista de imágenes y planteó pronto la cuestión de las falsificaciones.
-
Watson en Jeopardy!: cuando una máquina ganó el concurso (2011)
En febrero de 2011, Watson de IBM derrotó en Jeopardy! a los dos campeones más exitosos del concurso. El sistema mostró cuánto había avanzado el procesamiento del lenguaje natural, e IBM quiso después vender la tecnología a la medicina y a las empresas.
-
GPT-5 convierte el razonamiento en el estándar (2025)
El 7 de agosto de 2025, OpenAI publica GPT-5 como un sistema unificado que decide cuándo responder rápido y cuándo pensar más, y lo ofrece a todos los usuarios de ChatGPT; un lanzamiento accidentado muestra cuánto se aferran las personas a modelos concretos.
-
La IA alcanza el oro en la Olimpiada Internacional de Matemáticas (2025)
En julio de 2025, modelos de lenguaje de Google DeepMind y OpenAI resuelven cinco de seis problemas de la IMO y alcanzan 35 de 42 puntos, nivel de oro, escribiendo demostraciones en lenguaje natural dentro del tiempo de examen.
-
La Cumbre de Impacto de la IA de Nueva Delhi devuelve a EE. UU. a la mesa (2026)
En la primera cumbre global de IA celebrada en el Sur Global, más de 80 países, incluidos EE. UU., China y el Reino Unido, respaldan una declaración no vinculante sobre democratizar la IA, mientras Washington rechaza abiertamente cualquier gobernanza global de la tecnología.
-
AlphaFold gana el Premio Nobel de Química 2024
Un día después de que la IA se llevara el premio de física, el Nobel de Química 2024 honró a AlphaFold, el modelo de DeepMind que predice estructuras de proteínas, y al diseño computacional de proteínas.
-
DeepSeek-R1 y el shock de eficiencia (2025)
Una startup china lanzó un modelo de razonamiento de pesos abiertos que rivalizaba con los mejores a una fracción del coste declarado, y el 27 de enero de 2025 borró una cifra récord del valor de Nvidia.
-
El Premio Nobel de Física 2024 es para las redes neuronales
John Hopfield y Geoffrey Hinton ganaron el Premio Nobel de Física 2024 por su trabajo fundacional sobre redes neuronales artificiales, la maquinaria detrás de la IA actual.
-
El Proyecto Stargate: una apuesta de 500.000 millones por la infraestructura de IA (2025)
En enero de 2025, OpenAI, SoftBank, Oracle y MGX anunciaron Stargate, un plan para invertir hasta 500.000 millones de dólares en centros de datos de IA en EE. UU., justo cuando DeepSeek cuestionaba el coste del cómputo.
-
Gemini 2.0 y el inicio de la era de los agentes (2024)
Gemini 2.0 de Google, lanzado en diciembre de 2024, se presentó como un modelo para la era de los agentes: sistemas que no solo responden, sino que realizan acciones de varios pasos en tu nombre.
-
La Cumbre de Acción sobre IA de París y una brecha de gobernanza (2025)
En febrero de 2025, París acogió la Cumbre de Acción sobre IA. Unos 60 países firmaron una declaración sobre IA inclusiva y sostenible, pero Estados Unidos y el Reino Unido se negaron, exponiendo una grieta sobre cómo gobernar la tecnología.
-
"Attention is all you need": llega el Transformer (2017)
Un artículo de 2017 sustituyó la maquinaria secuencial de las redes anteriores por pura atención. El Transformer se convirtió en la arquitectura tras casi todos los grandes modelos de lenguaje posteriores.
-
AlexNet: la noche en que volvió el aprendizaje profundo (2012)
Una red neuronal profunda entrenada en dos <abbr title="Unidad de procesamiento gráfico">GPU</abbr> de videojuegos arrasó el referente ImageNet y puso fin, casi de un día para otro, a un largo invierno de las redes neuronales.
-
AlphaGo contra Lee Sedol: la máquina que aprendió a jugar (2016)
AlphaGo de DeepMind venció 4–1 a uno de los mayores jugadores de Go, no por búsqueda de fuerza bruta como Deep Blue, sino por una intuición aprendida de datos y del juego contra sí misma.
-
ChatGPT: la semana en que la IA se volvió masiva (2022)
Una demo de chat gratuita sobre un modelo de lenguaje afinado alcanzó cien millones de usuarios en unos dos meses y convirtió la IA de tema de investigación en obsesión pública.
-
Gemini 1.0: la respuesta multimodal de Google (2023)
Google reunió sus esfuerzos de IA bajo el nombre Gemini, una familia nativamente multimodal pensada para rivalizar con GPT-4, y aprendió con cuánto detalle se examinarían ya las demos de lanzamiento.
-
GPT-3: cuando la escala se volvió la estrategia (2020)
El modelo de 175 mil millones de parámetros de OpenAI mostró que un modelo de lenguaje lo bastante grande podía aprender tareas nuevas con unos pocos ejemplos en la consigna, sin reentrenar.
-
GPT-4: el buque insignia que subió el listón (2023)
GPT-4 de OpenAI podía leer imágenes además de texto y obtuvo buenas notas en exámenes hechos para humanos, afianzando una feroz carrera comercial y un secretismo que inquietó a los investigadores.
-
ImageNet: el conjunto de datos que enseñaría a ver a las máquinas (2006)
Fei-Fei Li apostó a que los datos, y no solo mejores algoritmos, abrirían la visión por computadora. ImageNet se convirtió en el referente que encendió la era del aprendizaje profundo.
-
La Ley de IA de la UE: el primer reglamento amplio para la IA (2024)
El Parlamento Europeo aprobó la primera ley integral de IA del mundo, que clasifica los sistemas por riesgo y añade deberes de transparencia para los modelos de propósito general tras los chatbots modernos.
-
Llama 2: los pesos (casi) abiertos cambian el juego (2023)
Meta lanzó un modelo de lenguaje capaz cuyos pesos cualquiera podía descargar y sobre los que construir, situando el debate sobre la IA 'abierta' en el centro de la industria.
-
OpenAI o1: modelos que piensan antes de responder (2024)
OpenAI presentó una línea de modelos entrenada para razonar los problemas paso a paso antes de responder, cambiando velocidad por precisión y reviviendo la idea de que pensar más tiempo puede compensar.
-
El primer invierno de la IA: cuando el hype se congeló (1974–1980)
El informe Lighthill, los recortes de la DARPA y la reacción contra el perceptrón drenaron la financiación de redes neuronales e IA demasiado ambiciosa, preparando una década de escepticismo.
-
Deep Blue vs. Kaspárov: la partida que sacudió el mundo (1997)
La computadora de ajedrez de IBM derrotó al campeón mundial en seis partidas, un espectáculo mediático que demostró que las máquinas pueden superar a los humanos.
-
El segundo invierno de la IA: cómo el boom se convirtió en crisis (1987–1993)
Los sistemas expertos colapsaron, las máquinas Lisp quedaron obsoletas, los gobiernos recortaron fondos, y la IA entró en años de desilusión que casi acabaron con el campo.
-
Sistemas expertos: cuando la IA se convirtió en negocio (años 80)
Los sistemas expertos basados en reglas prometían embotellar el conocimiento humano en software, impulsaron un boom de miles de millones y colapsaron en el segundo invierno de la IA.
-
ELIZA: el chatbot que nunca debió serlo (1966)
ELIZA de Joseph Weizenbaum usaba simple reconocimiento de patrones para simular terapia, y demostró accidentalmente que los humanos proyectan comprensión en las máquinas.
-
El perceptrón de Rosenblatt: la máquina que aprendió (1958)
El perceptrón de Frank Rosenblatt fue la primera máquina que aprendió de la experiencia, celebrada por la prensa, atacada por los críticos y reivindicada décadas después.
-
Computing Machinery and Intelligence: el juego de imitación de Turing (1950)
El artículo de Alan Turing de 1950 reemplazó '¿Pueden pensar las máquinas?' por una prueba práctica, y sigue moldeando cómo hablamos de inteligencia artificial.
-
El Proyecto de Investigación de Verano de Dartmouth sobre Inteligencia Artificial (1956)
Un taller de seis a ocho semanas que acuñó el término "inteligencia artificial" y lo estableció como campo de investigación.