Categoría: Investigación
-
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.
-
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.
-
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.
-
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.
-
"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.
-
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.
-
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.
-
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 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.