Mira la película y explora la historia
Seis minutos por los puntos de inflexión de la IA. Lee cada capítulo y consulta las fuentes originales.
Notas de los capítulos
De cero a la frontera
La IA estudia máquinas capaces de percibir, aprender, razonar y resolver problemas. Sus bases computacionales preceden a su nombre: empezamos en 1936, y 1956 marca un hito en su consolidación como campo.
Son momentos seleccionados, no la obra de un único inventor. Las cifras identifican su métrica y año.
Convertir ideas en cálculo
La máquina de Turing define qué puede calcular un algoritmo; no fue el primer ordenador físico ni una IA completa. McCulloch y Pitts representaron la actividad neuronal mediante operaciones lógicas simplificadas.
Una neurona artificial es un modelo computacional, no una copia completa del cerebro.
Una pregunta abre el futuro
Turing sustituyó una discusión de definiciones por el juego de imitación mediante conversación escrita. También examinó máquinas que aprenden y objeciones.
Conversación fluida, conciencia y fiabilidad general son cuestiones distintas; una conversación no demuestra las tres.
La inteligencia artificial recibe un nombre
La propuesta de Dartmouth se escribió en 1955; el encuentro ocurrió en 1956. Ya existían ideas sobre inteligencia mecánica, pero el nombre reunió objetivos comunes.
Las aspiraciones superaban los datos y el cómputo disponibles.
Dos caminos, una búsqueda
Los métodos simbólicos usan conocimiento explícito; el perceptrón aprende a clasificar ejemplos, con límites lineales en una sola capa. ELIZA utilizaba principalmente palabras clave y reglas de reformulación.
Responder como si se comprendiera no equivale a una comprensión suficiente.
La investigación sigue durante el invierno
Los sistemas expertos crearon valor en ámbitos limitados, con dificultades para obtener y mantener conocimiento. Los inviernos de la IA fueron retrocesos de financiación y confianza en épocas y regiones distintas.
Lighthill y la respuesta de McCarthy documentan el debate. La curva es conceptual, no una serie de inversiones.
Aprender de los errores
La retropropagación aplica la regla de la cadena para calcular gradientes; un optimizador actualiza los pesos. El artículo de 1986 fue un hito de difusión, no una aparición repentina del método.
Más profundidad también exige estabilidad de entrenamiento, datos y recursos.
La máquina vence al campeón
Deep Blue combinó hardware especializado, búsqueda y evaluación de posiciones: una IA específica para una tarea, no un modelo de lenguaje actual. El aprendizaje estadístico enfatizó evaluar datos no vistos.
La generalización se prueba con muestras y entornos nuevos.
El giro de la visión
AlexNet combinó convoluciones, GPU, ReLU y regularización. El 15,3% es el error top-5 del sistema ganador descrito en el artículo, no de todas las configuraciones individuales; el segundo obtuvo un 26,2%.
El error top-5 disminuye cuando mejora el resultado; no es un porcentaje de precisión.
El punto de inflexión del go
AlphaGo combinó redes profundas, búsqueda y aprendizaje por refuerzo. En 2016 también utilizó partidas humanas; el posterior AlphaGo Zero siguió otra ruta de entrenamiento.
El tablero es ilustrativo, no una reproducción del encuentro con Lee Sedol ni de la jugada 37.
La atención abre una era
La atención precede a Transformer. El artículo de 2017 propuso una arquitectura de codificador y decodificador centrada en ella. Los decodificadores generativos suelen usar máscaras causales para no ver tokens futuros.
Los pesos de atención son relaciones computacionales, no una explicación completa ni un rastro mental.
Un modelo, más tareas
GPT-3 es un modelo autorregresivo que predice tokens posteriores. Los ejemplos en el contexto no significan reentrenar todos los pesos durante cada consulta.
El tamaño y la fluidez no son garantías de inteligencia ni de veracidad.
La IA entra en las ciencias de la vida
AlphaFold2 mejoró la predicción de estructuras mediante aprendizaje y restricciones. No simula toda una célula ni sustituye todos los experimentos. El Nobel de Química de 2024 se dividió entre David Baker y, conjuntamente, Demis Hassabis y John Jumper.
La proteína de la animación es conceptual, no una dinámica real de plegamiento.
De reconocer a generar
GAN y difusión son métodos diferentes. La difusión suele añadir ruido y aprender a invertirlo. No es un simple collage de internet, aunque tampoco garantiza no reproducir material de entrenamiento.
El paisaje es procedural. DDPM es un hito, no la primera propuesta de difusión.
Una conversación abre otra puerta
ChatGPT no inició la IA ni fue el primer chatbot. Combinó un modelo potente y una interfaz accesible. Su anuncio explicó el entrenamiento con comentarios humanos y la posibilidad de respuestas plausibles pero erróneas.
La conversación es un ejemplo creado para la película. Una salida natural necesita fuentes y verificación.
Más sentidos, más mundo
Gemini 1.5 ilustró la multimodalidad y los contextos largos; Llama 2 ofreció pesos descargables con condiciones de licencia. Las entradas y salidas admitidas varían por sistema.
Son ejemplos históricos, no una clasificación actual. Pesos, código, datos y licencias abiertos son dimensiones distintas.
El razonamiento avanza
El cómputo de preentrenamiento se usa al construir el modelo; el de inferencia, al responder. Para tareas complejas hay pasos largos, muestreo, búsqueda y verificación. R1 describe modelos descargables y destilación.
El árbol es esquemático, no la estructura de todos los modelos. Hay que comprobar resultados, no solo la longitud del razonamiento.
La inteligencia empieza a actuar
RAG recupera contexto externo y ayuda a actualizar información y citar fuentes, sin garantizar aciertos. Los agentes organizan tareas, usan herramientas y observan resultados.
Una llamada a una herramienta no siempre implica gran autonomía. Importan los permisos y la retroalimentación.
La ola de IA transforma el mundo
Un informe de 2026 no contiene solo datos de 2026. Los 581.700 millones de dólares corresponden a inversión corporativa mundial de 2025; 58→40 es el cambio del índice medio de transparencia.
No es una puntuación de capacidad ni una relación causal. Es una instantánea anual verificada.
El siguiente capítulo lo escribimos nosotros
La película acaba con preguntas, sin una fecha inventada para la AGI. La fiabilidad en entornos abiertos, el reparto de beneficios, la evaluación y la gobernanza siguen siendo retos técnicos y sociales.
Las posibilidades futuras se distinguen de la historia ya ocurrida.
Fuentes y lecturas
Continúa con los artículos originales, las instituciones de investigación y los anuncios.
- Turing · On Computable Numbers / King's College archive ↗ 1936
- McCulloch & Pitts · A Logical Calculus of the Ideas Immanent in Nervous Activity ↗ 1943
- Turing · Computing Machinery and Intelligence ↗ 1950
- McCarthy, Minsky, Rochester & Shannon · Dartmouth proposal ↗ 1955 / 1956
- Rosenblatt · The Perceptron ↗ 1958
- Computer History Museum · AI & Robotics timeline ↗ 1955–1968
- Weizenbaum · ELIZA ↗ 1966
- McCarthy · Review of the Lighthill Report ↗ 1973
- Computer History Museum · Expert Systems oral history ↗ 1980s
- Rumelhart, Hinton & Williams · Learning Representations by Back-propagating Errors ↗ 1986
- IBM · Deep Blue ↗ 1997
- Krizhevsky, Sutskever & Hinton · ImageNet Classification with Deep Convolutional Neural Networks ↗ 2012
- Google DeepMind · AlphaGo ↗ 2016
- Vaswani et al. · Attention Is All You Need ↗ 2017
- Brown et al. · Language Models Are Few-Shot Learners ↗ 2020
- Jumper et al. · Highly Accurate Protein Structure Prediction with AlphaFold ↗ 2021
- Nobel Prize · Chemistry 2024 ↗ 2024
- Goodfellow et al. · Generative Adversarial Networks ↗ 2014
- Ho, Jain & Abbeel · Denoising Diffusion Probabilistic Models ↗ 2020
- OpenAI · Introducing ChatGPT ↗ 2022
- Meta · Llama 2 ↗ 2023
- Google · Gemini 1.5, multimodal reasoning and long context ↗ 2024
- OpenAI · Learning to Reason with LLMs ↗ 2024
- DeepSeek-AI · DeepSeek-R1 ↗ 2025
- Lewis et al. · Retrieval-Augmented Generation ↗ 2020
- Yao et al. · ReAct: Synergizing Reasoning and Acting ↗ 2022
- Stanford HAI · AI Index 2026: 12 Takeaways ↗ 2026
- Stanford · Emerging Technology Review: Artificial Intelligence ↗ 2026
- NIST · AI Risk Management Framework & Generative AI Profile ↗ 2023 / 2024