{"id":860,"date":"2025-06-25T09:41:52","date_gmt":"2025-06-25T15:41:52","guid":{"rendered":"https:\/\/evida.ugto.mx\/learning\/?p=860"},"modified":"2025-06-25T10:22:54","modified_gmt":"2025-06-25T16:22:54","slug":"leccion-1-mirando-hacia-el-pasado","status":"publish","type":"post","link":"https:\/\/evida.ugto.mx\/learning\/leccion-1-mirando-hacia-el-pasado\/","title":{"rendered":"Lecci\u00f3n 1. Mirando hacia el pasado"},"content":{"rendered":"\n

Introducci\u00f3n<\/h2>\n\n\n\n

Al iniciar este recorrido por la Inteligencia Artificial, nos sumergiremos primero en sus cimientos hist\u00f3ricos y en las ideas m\u00e1s antiguas que han animado el sue\u00f1o de crear m\u00e1quinas con vida propia. Comprender c\u00f3mo convergieron la Filosof\u00eda, las Matem\u00e1ticas, la Psicolog\u00eda y la Ingenier\u00eda para forjar lo que hoy llamamos IA nos permitir\u00e1 situar con perspectiva los debates \u00e9ticos y sociales que surgen cuando delegamos decisiones en sistemas inteligentes. Esta lecci\u00f3n establece las bases: examinaremos un detallado repaso cronol\u00f3gico de los grandes hitos de la disciplina, exploraremos los mitos de sirvientes mec\u00e1nicos que anticiparon el ideal de la autonom\u00eda, y conoceremos las definiciones esenciales que diferencian al aut\u00f3mata, al robot y al agente racional.<\/p>\n\n\n\n

Desarrollo del tema<\/h2>\n\n\n\n

Mirando hacia atr\u00e1s<\/h3>\n\n\n\n

La historia formal de la IA apenas alcanza un siglo, pero en ese breve lapso ha acumulado descubrimientos que han cambiado radicalmente nuestra forma de concebir las m\u00e1quinas. En 1950, Alan Turing public\u00f3 su famoso art\u00edculo \u201cComputing Machinery and Intelligence\u201d, donde propon\u00eda un test \u2014hoy conocido como test de Turing\u2014 para evaluar la inteligencia de una m\u00e1quina. En aquel texto ya se subrayaban ideas que hoy son centrales: el aprendizaje autom\u00e1tico, el aprendizaje por refuerzo y los algoritmos gen\u00e9ticos. Seis a\u00f1os m\u00e1s tarde, en el taller de verano de Dartmouth (1956), se acu\u00f1\u00f3 p\u00fablicamente por primera vez el t\u00e9rmino \u00abInteligencia Artificial\u00bb, marcando el nacimiento oficial de este campo.<\/p>\n\n\n\n

Durante los a\u00f1os sesenta, la vertiente simb\u00f3lica de la IA cobr\u00f3 protagonismo. En 1965, ELIZA, programada por Joseph Weizenbaum, estableci\u00f3 un hito como sistema de di\u00e1logo en lenguaje natural, capaz de simular una conversaci\u00f3n simple en ingl\u00e9s. Un a\u00f1o despu\u00e9s, en el MIT, comenzaron los trabajos en Shakey, el primer robot m\u00f3vil de prop\u00f3sito general, que demostraba la viabilidad de unir percepci\u00f3n, planificaci\u00f3n y acci\u00f3n mec\u00e1nica. Sin embargo, aquel mismo a\u00f1o la publicaci\u00f3n del informe ALPAC supuso un duro rev\u00e9s para la traducci\u00f3n autom\u00e1tica, al dictaminar que los avances eran insuficientes, lo que llev\u00f3 a una dr\u00e1stica reducci\u00f3n de fondos en el \u00e1rea. Pese a ello, en 1968 Terry Winograd present\u00f3 SHRDLU, un programa de comprensi\u00f3n de lenguaje natural que, integrado con un brazo rob\u00f3tico, obedec\u00eda instrucciones en un \u201cmundo\u201d de bloques de juguete, mostrando el poder de la IA simb\u00f3lica para modelar entornos sencillos.<\/p>\n\n\n\n

Figura 1<\/strong>
Captura de pantalla con la interfaz del programa ELIZA<\/em><\/em><\/p>\n\n\n

\n
\"Captura<\/figure>\n<\/div>\n\n\n

En los setenta, la aplicaci\u00f3n pr\u00e1ctica cobr\u00f3 fuerza con MYCIN (1972), un sistema experto desarrollado en Stanford para diagnosticar infecciones sangu\u00edneas y recomendar tratamientos. No obstante, ese mismo a\u00f1o, el influyente informe de James Lighthill sobre los avances de la IA en Gran Breta\u00f1a concluy\u00f3 que las expectativas no se cumpl\u00edan, provocando un recorte masivo de apoyos gubernamentales y dando inicio a uno de los llamados \u201cinviernos de la IA\u201d.<\/p>\n\n\n\n

La d\u00e9cada de los ochenta recuper\u00f3 el entusiasmo gracias a ambiciosos proyectos y nuevos enfoques. Con un presupuesto de 850 millones de d\u00f3lares, el gobierno japon\u00e9s puso en marcha el proyecto de Quinta Generaci\u00f3n de Computadoras, con el reto de crear m\u00e1quinas capaces de tareas de IA avanzadas como la conversaci\u00f3n, la traducci\u00f3n autom\u00e1tica y el reconocimiento visual. Paralelamente, las redes neuronales volvieron a brillar con descubrimientos que revitalizaron el aprendizaje autom\u00e1tico, y los sistemas expertos comenzaron a encontrar aplicaciones comerciales \u2014por ejemplo, el sistema \u201cRI\u201d en Digital Equipment Corporation\u2014 demostrando que la IA pod\u00eda ofrecer beneficios reales a la industria.<\/p>\n\n\n\n

Los noventa trajeron la explosi\u00f3n de la red global gracias a Tim Berners-Lee. En 1997, IBM logr\u00f3 un hito al derrotar al campe\u00f3n mundial de ajedrez Garry Kasparov con Deep Blue, y en 1998 Tiger Electronics lanz\u00f3 Furby, un juguete interactivo dotado de algoritmos sencillos de IA, seguido en 1999 por AIBO de Sony, concebido como mascota rob\u00f3tica aut\u00f3noma. Adem\u00e1s, los progresos en redes neuronales para reconocimiento de escritura cimentaron el nacimiento del Machine Learning como disciplina independiente.<\/p>\n\n\n\n

El nuevo milenio confirm\u00f3 la entrada de la IA en la vida cotidiana. En 2002 apareci\u00f3 Roomba, la aspiradora rob\u00f3tica de iRobot, y en 2004 los veh\u00edculos Spirit y Opportunity de la NASA demostraron la navegaci\u00f3n aut\u00f3noma en Marte. En 2006, Geoffrey Hinton revolucion\u00f3 las redes neuronales profundas al publicar trabajos clave que impulsaron el Deep Learning; poco despu\u00e9s, Fei-Fei Li y su equipo en Princeton crearon ImageNet, base esencial para los avances en reconocimiento de im\u00e1genes.<\/p>\n\n\n\n

Ya en la d\u00e9cada de 2010, Watson de IBM gan\u00f3 en 2011 el concurso Jeopardy! frente a dos antiguos campeones, evidenciando la madurez de los sistemas de preguntas y respuestas. En 2016, AlphaGo, de Google DeepMind, super\u00f3 al maestro de Go Lee Sedol, demostrando la capacidad de las m\u00e1quinas para manejar dominios de enorme complejidad estrat\u00e9gica. A lo largo de la d\u00e9cada, la mejora simult\u00e1nea de hardware y algoritmos de Deep Learning permiti\u00f3 entrenar modelos de gran escala en texto e im\u00e1genes, superando retos largamente postergados en visi\u00f3n por computador y traducci\u00f3n autom\u00e1tica.<\/p>\n\n\n\n

Este panorama hist\u00f3rico, que comienza en 1950 aunque arranca de ideas precedentes en el siglo XX, muestra un avance vertiginoso y a veces turbulento. Para quienes deseen explorar cada paso con mayor detalle, la BBC ofrece un recorrido por \u201c15 momentos clave en la historia de la IA\u201d que complementa y ampl\u00eda este resumen.<\/p>\n\n\n\n

Sirvientes rob\u00f3ticos<\/h3>\n\n\n\n

La noci\u00f3n de m\u00e1quinas con cualidades cercanas a las humanas se remonta a la antig\u00fcedad. En la Il\u00edada XVIII, escrita por Homero alrededor del siglo VIII a. C., se describe c\u00f3mo Hefesto, el herrero divino, se apoyaba en servidoras de oro animadas con mente, coraz\u00f3n inteligente y fuerza sobrehumana. Del mismo universo mitol\u00f3gico procede Talos, un coloso de bronce que patrullaba la costa de Creta tres veces al d\u00eda a la velocidad de doscientos cincuenta millas por hora, lanzando rocas contra intrusos.<\/p>\n\n\n\n

Estos relatos subrayan un rasgo recurrente: la doble naturaleza de tales aut\u00f3matas, simult\u00e1neamente herramientas dise\u00f1adas a partir de materiales vulgares y entidades poseedoras de rasgos mentales. Aunque engendradas por divinidades, exhib\u00edan un grado de autonom\u00eda y de inteligencia que las acercaba a lo vivo. Como se\u00f1ala Mayor (2018), aquellas criaturas encarnan el concepto de \u201cbiotechne\u201d o \u201cvida a trav\u00e9s de la artesan\u00eda\u201d, anticipando la fascinaci\u00f3n contempor\u00e1nea por lo artificial.<\/p>\n\n\n\n

Figura 2<\/strong>
Un ejemplo cotidiano de la IA moderna es el chatbot que atiende las primeras consultas a un servicio al cliente<\/em><\/p>\n\n\n

\n
\"Un<\/figure>\n<\/div>\n\n\n

En comparaci\u00f3n, la IA moderna puede entenderse tambi\u00e9n como un conjunto de herramientas dise\u00f1adas para encargarse de sub\u00adtareas espec\u00edficas que antes requer\u00edan intervenci\u00f3n humana. Un ejemplo cotidiano es el chatbot que atiende las primeras consultas a un servicio al cliente: tras analizar el texto del usuario, decide a qu\u00e9 departamento dirigir la petici\u00f3n. Aunque esta funci\u00f3n es mucho m\u00e1s sencilla que la de un sirviente heroico, libera a las personas de tareas repetitivas. Sin embargo, la inexperiencia de estos sistemas a veces provoca errores de redirecci\u00f3n o respuestas incongruentes, record\u00e1ndonos que a\u00fan estamos lejos de m\u00e1quinas tan infalibles como las de la mitolog\u00eda.<\/p>\n\n\n\n

\u00bfIA aut\u00f3noma?<\/h3>\n\n\n\n

La promesa de asistentes inteligentes \u2014herederos modernos de los aut\u00f3matas hom\u00e9ricos\u2014 se materializa hoy en dispositivos como Alexa, Siri o Google Assistant. A pesar de su naturaleza todav\u00eda rudimentaria, estos sistemas nos permiten consultar el clima, gestionar citas o reproducir m\u00fasica con simples comandos de voz. Sin embargo, su nivel de autonom\u00eda suscita inquietudes: \u00bfhasta qu\u00e9 punto pueden tomar decisiones sin supervisi\u00f3n humana?<\/p>\n\n\n\n

El fracaso del chatbot Tay, lanzado por Microsoft en 2016 y retirado en menos de 24 horas por emitir mensajes racistas y mis\u00f3ginos en Twitter, ejemplifica las consecuencias de delegar en sistemas sin controles \u00e9ticos adecuados. De igual modo, la retirada de Lee Luda por la empresa surcoreana ScatterLab tras difundir contenido inapropiado pone de manifiesto que los sesgos y carencias de dise\u00f1o pueden generar da\u00f1os reputacionales y sociales. Estos tropiezos sensacionalistas evidencian que la autonom\u00eda de la IA requiere un marco de supervisi\u00f3n y responsabilidad que a\u00fan est\u00e1 en construcci\u00f3n.<\/p>\n\n\n\n

Figura 3<\/strong>
Asistentes inteligentes<\/em><\/em><\/p>\n\n\n

\n
\"Asistentes<\/figure>\n<\/div>\n\n\n

Contexto: sistemas aut\u00f3nomos e inteligentes<\/h3>\n\n\n\n

Para entender la IA es \u00fatil distinguir dos conceptos cercanos pero distintos. Un aut\u00f3mata, en su sentido cl\u00e1sico, es una m\u00e1quina que opera total o parcialmente por s\u00ed misma, siguiendo secuencias de instrucciones predefinidas que responden a entradas determinadas. Ejemplos hist\u00f3ricos son los campaneros de los relojes mec\u00e1nicos, que \u201caciertan\u201d a golpear a cada hora mediante engranajes y levas, sin un \u00e1pice de percepci\u00f3n real. Estos artefactos fueron concebidos a menudo como curiosidades de entretenimiento, imitando movimientos humanos o animales de forma mec\u00e1nica.<\/p>\n\n\n\n

El robot a\u00f1ade a esa capacidad de seguir patrones la flexibilidad de la programaci\u00f3n digital. Al incorporar circuitos y software, un robot puede ejecutar comportamientos m\u00e1s complejos y adaptarse a nuevas tareas mediante la reconfiguraci\u00f3n de su c\u00f3digo. De hecho, el t\u00e9rmino proviene del polaco robota, que significa \u201ctrabajo forzado\u201d o \u201cesclavitud\u201d, remitiendo de forma inquietante a la idea de sirvientes autom\u00e1ticos. En su versi\u00f3n m\u00e1s avanzada, un agente inteligente \u2014o sistema aut\u00f3nomo e inteligente\u2014 combina percepci\u00f3n, adaptaci\u00f3n y generaci\u00f3n de objetivos: capta informaci\u00f3n del entorno, aprende de la experiencia, persiste en el tiempo y persigue metas sin intervenci\u00f3n constante.<\/p>\n\n\n\n

Contexto: los cuatro tipos de IA seg\u00fan Russell y Norvig<\/h3>\n\n\n\n

En su cl\u00e1sico Artificial Intelligence: A Modern Approach<\/em>, Stuart Russell y Peter Norvig proponen un marco ordenado por dos ejes: \u201cpensar\u201d vs. \u201cactuar\u201d y \u201chumanamente\u201d vs. \u201cracionalmente\u201d. De este cruce surgen cuatro grandes categor\u00edas. \u201cPensar humanamente\u201d busca replicar procesos cognitivos mediante modelos de la mente humana, un objetivo compartido con la ciencia cognitiva interdisciplinar. \u201cPensar racionalmente\u201d aspira a formalizar las \u201cleyes del pensamiento\u201d a trav\u00e9s de la l\u00f3gica matem\u00e1tica, aunque es un reto adaptar reglas l\u00f3gicas a la complejidad contradictoria de la mente real.<\/p>\n\n\n\n

Por su parte, \u201cactuar humanamente\u201d se ejemplifica en el test de Turing, donde un ordenador \u201caprueba\u201d si enga\u00f1a a un interlocutor haci\u00e9ndole creer que es un ser humano. Esta aproximaci\u00f3n requiere integrar conocimiento, razonamiento, lenguaje y aprendizaje. Finalmente, \u201cactuar racionalmente\u201d consiste en elegir la acci\u00f3n m\u00e1s adecuada para alcanzar un objetivo, dadas las circunstancias; Russell y Norvig consideran este enfoque como el m\u00e1s abarcador, pues engloba tanto la planificaci\u00f3n l\u00f3gica como la adaptaci\u00f3n pr\u00e1ctica. En este marco, un agente de IA opera aut\u00f3nomamente, percibe su entorno, persiste a lo largo del tiempo, se adapta al cambio y crea y persigue metas de forma independiente.<\/p>\n\n\n\n

Figura 4<\/strong>
Los cuatro tipos de IA seg\u00fan Russell y Norvig<\/em><\/em><\/p>\n\n\n

\n
\"Los<\/figure>\n<\/div>\n\n