Capítulo 2: Historia de la Inteligencia Artificial (1943–2026)¶

Módulo 01 — FUNDAMENTOS · AI Master Academy "Quien no conoce la historia de la IA está condenado a comprar el hype dos veces."

Objetivos de este capítulo¶

Al terminar este capítulo serás capaz de:

Situar cualquier tecnología de IA actual en su contexto histórico.
Explicar por qué la IA ha vivido ciclos de euforia e "inviernos", y detectar cuándo se repite el patrón.
Entender los hitos técnicos clave (perceptrón, backpropagation, AlexNet, Transformer, RLHF, agentes) y por qué ocurrieron cuando ocurrieron.
Extraer lecciones prácticas de cada era para tu trabajo diario como AI Engineer.
Evaluar con criterio profesional cualquier "nueva revolución" tecnológica que aparezca en los próximos años.

Nota

Este capítulo no exige conocimientos previos. Si acabas de llegar desde el Capítulo 1, tienes todo lo necesario. Los conceptos técnicos (redes neuronales, backpropagation, Transformers) se explican aquí de forma intuitiva y se profundizan en módulos posteriores.

Índice¶

Visión general: el mapa de 80 años
Prehistoria (1943–1955): las semillas
Nacimiento (1956): la conferencia de Dartmouth
Primera edad dorada (1956–1974)
Primer invierno de la IA (1974–1980)
La era de los sistemas expertos (1980–1987)
Segundo invierno (1987–1993)
Renacimiento estadístico (1993–2011)
La revolución del Deep Learning (2012–2017)
La era Transformer (2017–2022)
La era de los LLMs y ChatGPT (2022–2024)
La era de los agentes y el razonamiento (2024–2026)
Lecciones de la historia
Buenas prácticas: cómo evaluar el hype
Errores comunes
Preguntas frecuentes (FAQ)
Resumen del capítulo
Bibliografía y lecturas recomendadas

Visión general: el mapa de 80 años¶

Antes de sumergirnos era por era, conviene ver el bosque completo. La historia de la IA no es una línea recta de progreso: es una montaña rusa de expectativas infladas, decepciones profundas y avances reales que casi siempre llegaron por donde nadie miraba.

timeline
    title Historia de la IA: 1943-2026
    section Fundación
        1943 : McCulloch y Pitts - neurona artificial
        1950 : Turing - Computing Machinery and Intelligence
        1956 : Conferencia de Dartmouth - nace el término AI
    section Primera ola
        1957 : Perceptrón de Rosenblatt
        1966 : ELIZA de Weizenbaum
        1969 : Minsky y Papert - límites del perceptrón
        1973 : Informe Lighthill
        1974 : Primer invierno de la IA
    section Segunda ola
        1980 : Auge de los sistemas expertos - XCON
        1986 : Backpropagation popularizado
        1987 : Colapso del mercado LISP - Segundo invierno
    section Era estadística
        1997 : Deep Blue vence a Kasparov
        2006 : Deep Learning renace con Hinton
        2011 : Watson gana Jeopardy
    section Deep Learning
        2012 : AlexNet gana ImageNet
        2016 : AlphaGo vence a Lee Sedol
        2017 : Attention Is All You Need - Transformer
    section Era LLM
        2020 : GPT-3 y las scaling laws
        2022 : ChatGPT - el momento iPhone
        2024 : Modelos de razonamiento y MCP
        2026 : Agentes autónomos en producción

La forma más útil de leer esta historia es como una alternancia de tres estados:

Estado	Qué ocurre	Duración típica	Ejemplos
Euforia	Promesas grandiosas, inversión masiva, titulares	5–10 años	1956–1974, 1980–1987, 2012–hoy
Invierno	Recortes, descrédito, éxodo de talento	5–7 años	1974–1980, 1987–1993
Trabajo silencioso	Avances reales sin titulares	Constante	Backprop (1986), LSTM (1997), Transformer (2017)

Nota

El término "invierno de la IA" (AI winter) fue acuñado por analogía con "invierno nuclear": un periodo en el que la financiación y el interés se congelan casi por completo. Ha ocurrido dos veces y muchos ingenieros veteranos siguen preguntándose si habrá un tercero.

1. Prehistoria (1943–1955): las semillas¶

Contexto: un mundo en guerra y las primeras computadoras¶

Para entender por qué la IA nació en los años 40 y 50 —y no antes— hay que mirar el contexto. La Segunda Guerra Mundial aceleró brutalmente la computación: el descifrado de códigos en Bletchley Park (donde trabajaba Alan Turing), el cálculo de trayectorias balísticas y el Proyecto Manhattan crearon las primeras computadoras electrónicas (Colossus, ENIAC). Por primera vez en la historia humana existían máquinas que manipulaban símbolos a velocidad eléctrica.

Al mismo tiempo, la neurociencia empezaba a describir el cerebro en términos de células individuales (neuronas) que se comunican mediante impulsos eléctricos. La pregunta era inevitable: si el cerebro es una máquina de procesar señales, ¿puede una máquina procesar señales como un cerebro?

1943: McCulloch y Pitts — la neurona como puerta lógica¶

Warren McCulloch (neurofisiólogo) y Walter Pitts (lógico autodidacta, con solo 20 años) publicaron en 1943 "A Logical Calculus of the Ideas Immanent in Nervous Activity". Su idea central:

Una neurona puede modelarse como una unidad que suma sus entradas y se activa si la suma supera un umbral.

Con esta abstracción demostraron que redes de estas "neuronas formales" podían computar cualquier función lógica (AND, OR, NOT...). Es decir: una red de neuronas simplificadas es equivalente a una máquina lógica universal.

Neurona de McCulloch-Pitts (modelo simplificado):

    entrada_1 ──┐
    entrada_2 ──┤──> [ Σ suma ] ──> ¿suma >= umbral? ──> salida (0 o 1)
    entrada_3 ──┘

Advertencia

La neurona de McCulloch-Pitts no aprendía: sus pesos y umbrales se fijaban a mano. El aprendizaje automático llegaría 15 años después con el perceptrón. Es un error común confundir ambos modelos.

1949: Donald Hebb — "las neuronas que se disparan juntas, se conectan"¶

El psicólogo Donald Hebb propuso en The Organization of Behavior que el aprendizaje biológico ocurre reforzando las conexiones entre neuronas que se activan simultáneamente. La "regla de Hebb" inspiraría directamente los primeros algoritmos de aprendizaje de redes neuronales.

1950: Turing y "Computing Machinery and Intelligence"¶

Alan Turing, que ya en 1936 había definido matemáticamente qué es "computar" (la máquina de Turing), publicó en la revista filosófica Mind el artículo más influyente de la prehistoria de la IA: "Computing Machinery and Intelligence" (1950).

El artículo abre con una pregunta demoledora: "¿Pueden pensar las máquinas?". Turing la considera mal planteada (¿qué significa "pensar"?) y la sustituye por un experimento operativo: el juego de la imitación, hoy conocido como el test de Turing.

El test de Turing explicado¶

Elemento	Descripción
Participantes	Un interrogador humano (C), un humano (B) y una máquina (A)
Medio	Conversación por texto (para eliminar pistas físicas: voz, aspecto)
Objetivo de la máquina	Hacerse pasar por humana
Objetivo del interrogador	Descubrir quién es la máquina
Criterio	Si el interrogador no distingue a la máquina del humano con fiabilidad, la máquina "pasa" el test
Idea de fondo	La inteligencia se juzga por el comportamiento observable, no por el mecanismo interno

Turing, además, anticipó en el mismo artículo casi todas las objeciones que aún hoy se discuten ("la máquina solo hace lo que se le programa", "las máquinas no pueden ser creativas", la objeción de la conciencia...) y las respondió una por una. También predijo el aprendizaje automático: propuso que en lugar de programar una mente adulta, sería más fácil programar una "mente de niño" y educarla con datos. Setenta años después, así es exactamente como entrenamos los LLMs.

Consejo profesional

Lee el paper original de Turing (está enlazado en la bibliografía). Es corto, sin matemáticas, y sigue siendo la mejor vacuna contra los debates estériles sobre "si la IA piensa de verdad". Como ingeniero, te interesa el comportamiento medible del sistema, igual que a Turing.

1951–1955: los primeros programas¶

1951: Marvin Minsky y Dean Edmonds construyen SNARC, la primera máquina de red neuronal (con 3.000 válvulas de vacío, simulaba 40 neuronas).
1952: Arthur Samuel (IBM) escribe un programa de damas que aprende jugando contra sí mismo — precursor directo del aprendizaje por refuerzo. Samuel acuñaría después el término machine learning (1959).
1954: El experimento Georgetown-IBM traduce 60 frases del ruso al inglés y desata el primer hype de la traducción automática ("estará resuelta en 3 a 5 años", dijeron; tardó 60).

¿Por qué ocurrió entonces?¶

Tres ingredientes coincidieron por primera vez:

Hardware: existían computadoras programables de propósito general.
Teoría: la lógica matemática (Boole, Gödel, Turing, Church) daba un lenguaje formal para hablar de "pensamiento mecánico".
Financiación: la Guerra Fría inyectaba dinero militar en cualquier tecnología de información (traducción del ruso, criptografía, mando y control).

¿Qué se aprendió?¶

Que la computación es un concepto independiente del sustrato: da igual si computan válvulas, transistores o neuronas.
Que la inteligencia puede estudiarse como procesamiento de información, medible por comportamiento.
Que las promesas de plazos ("en 5 años") ya nacían infladas desde el minuto uno.

¿Por qué importa hoy?¶

El test de Turing regresó al debate público en 2022–2024: los LLMs modernos mantienen conversaciones indistinguibles de las humanas en muchos contextos. Entender qué mide y qué no mide el test (comportamiento, no comprensión interna) te da criterio para evaluar afirmaciones sobre modelos.
La neurona de McCulloch-Pitts es, literalmente, la unidad básica de las redes neuronales que usarás cada día: entradas ponderadas, suma, función de activación. La versión moderna solo cambia el escalón por funciones suaves (ReLU, GELU) para poder entrenar con gradientes.
La visión de Turing de "educar una máquina niño con datos" es el paradigma exacto del pre-entrenamiento + fine-tuning que estudiarás en módulos posteriores.

2. Nacimiento (1956): la conferencia de Dartmouth¶

Contexto¶

En 1955, un joven profesor de matemáticas de 28 años llamado John McCarthy quería reunir a todos los investigadores que trabajaban en "máquinas que piensan" — dispersos entre teoría de autómatas, cibernética, teoría de la información y redes neuronales. Para la propuesta de financiación a la Fundación Rockefeller necesitaba un nombre nuevo, que no arrastrara las connotaciones de la "cibernética" de Norbert Wiener. Eligió: Artificial Intelligence.

El evento¶

El Dartmouth Summer Research Project on Artificial Intelligence se celebró durante el verano de 1956 en el Dartmouth College (New Hampshire, EE. UU.). Duró unas ocho semanas y funcionó más como un taller abierto que como una conferencia formal.

Los protagonistas¶

Persona	Afiliación (1956)	Contribución posterior
John McCarthy	Dartmouth	Acuñó "AI"; inventó LISP (1958); fundó los laboratorios de IA de MIT y Stanford
Marvin Minsky	Harvard	Cofundó el MIT AI Lab; teoría de marcos (frames); crítica del perceptrón
Claude Shannon	Bell Labs	Padre de la teoría de la información (1948); primer paper de ajedrez por computadora (1950)
Nathaniel Rochester	IBM	Diseñador del IBM 701, primera computadora científica comercial de IBM
Allen Newell y Herbert Simon	RAND / Carnegie	Llegaron con el Logic Theorist ya funcionando — el primer programa de IA de la historia

La frase clave de la propuesta original (1955) resume el optimismo fundacional:

"El estudio procederá sobre la base de la conjetura de que cada aspecto del aprendizaje o cualquier otra característica de la inteligencia puede, en principio, describirse con tanta precisión que se puede construir una máquina que lo simule."

¿Qué se logró realmente?¶

Menos de lo que se esperaba y más de lo que parece:

No se resolvió ningún problema técnico durante el verano.
Sí se fundó una disciplina: nombre, comunidad, agenda de investigación y legitimidad académica.
Newell y Simon demostraron el Logic Theorist, que probaba teoremas de lógica de los Principia Mathematica — evidencia tangible de que una máquina podía hacer algo considerado "intelectual".

Nota

El nombre "Artificial Intelligence" fue en parte una decisión de marketing académico, y funcionó espectacularmente. Lección meta: en tecnología, nombrar bien una disciplina o un producto es un acto de ingeniería social con consecuencias de décadas. Compárese con el poder actual de términos como "GenAI", "agentes" o "AGI".

¿Por qué ocurrió entonces?¶

Las computadoras comerciales (IBM 701, UNIVAC) salían de los laboratorios militares hacia universidades y empresas.
La psicología cognitiva emergía frente al conductismo: se volvía legítimo hablar de "procesos mentales" como procesamiento de información.
Había una masa crítica de jóvenes brillantes (McCarthy y Minsky tenían ~28 años) sin las cargas de disciplinas establecidas.

¿Qué se aprendió?¶

El poder de crear una comunidad con identidad propia: la IA sobrevivió a sus inviernos en gran parte porque Dartmouth creó tribu, revistas y laboratorios.
El riesgo del optimismo fundacional: la conjetura de Dartmouth ("todo aspecto de la inteligencia puede simularse") sigue sin demostrarse ni refutarse 70 años después.

¿Por qué importa hoy?¶

Los debates que escuchas hoy sobre "AGI" son literalmente la conjetura de Dartmouth con otro nombre. Conocer su origen te permite participar con perspectiva histórica en lugar de reaccionar a titulares.
LISP, inventado por McCarthy dos años después, introdujo ideas que usas a diario aunque programes en Python: funciones como valores de primera clase, recursión, garbage collection, homoiconicidad (código como datos — el antepasado conceptual de que un LLM genere y ejecute código).
La estructura "taller de verano + financiación visionaria" es el modelo que siguen hoy los labs de IA: pequeños equipos, apuestas a largo plazo, mucha libertad.

3. Primera edad dorada (1956–1974)¶

Contexto¶

Tras Dartmouth, el dinero fluyó. DARPA (entonces ARPA) financió laboratorios enteros en MIT, Stanford y Carnegie Mellon casi sin condiciones — el legendario contrato de J.C.R. Licklider financiaba "personas, no proyectos". Durante casi dos décadas, la IA vivió su primera adolescencia: demostraciones asombrosas en dominios de juguete y promesas cada vez más grandiosas.

Las predicciones de la época dan vértigo retrospectivo:

Herbert Simon (1965): "Las máquinas serán capaces, en veinte años, de hacer cualquier trabajo que un hombre pueda hacer."
Marvin Minsky (1970, en la revista Life): "En de tres a ocho años tendremos una máquina con la inteligencia general de un ser humano medio."

Avance 1: Logic Theorist y GPS (Newell y Simon)¶

El Logic Theorist (1956) demostró 38 de los primeros 52 teoremas del capítulo 2 de los Principia Mathematica de Russell y Whitehead, y para uno de ellos encontró una demostración más elegante que la original. Su sucesor, el General Problem Solver (GPS, 1957 — nada que ver con la geolocalización), introdujo el análisis medios-fines: comparar el estado actual con el objetivo y elegir la acción que reduce la diferencia. Es el antepasado directo de la planificación en agentes.

Concepto clave que nació aquí: la búsqueda heurística. Los problemas interesantes tienen espacios de estados gigantescos (el ajedrez tiene ~10^120 partidas posibles); las heurísticas son reglas que podan ese espacio. Toda la IA simbólica clásica es, en el fondo, búsqueda + heurísticas.

Avance 2: el perceptrón de Rosenblatt (1957–1958)¶

Frank Rosenblatt, psicólogo en el Cornell Aeronautical Laboratory, construyó el perceptrón: la primera neurona artificial que aprendía de ejemplos ajustando sus pesos automáticamente.

Perceptrón de Rosenblatt:

  x1 ──(peso w1)──┐
  x2 ──(peso w2)──┤──> suma = w1·x1 + w2·x2 + ... + sesgo
  x3 ──(peso w3)──┘         │
                            ▼
              salida = 1 si suma > 0, si no 0

  Regla de aprendizaje (¡esto era lo revolucionario!):
    si la salida es incorrecta:
        ajustar cada peso en la dirección que reduce el error

La máquina física, el Mark I Perceptron, clasificaba imágenes simples captadas por 400 fotocélulas. La prensa enloqueció: el New York Times (1958) escribió que el perceptrón sería "el embrión de una computadora electrónica que caminará, hablará, verá, escribirá, se reproducirá y será consciente de su existencia". El hype de las redes neuronales no lo inventó ChatGPT.

Avance 3: ELIZA (1966) — el primer chatbot¶

Joseph Weizenbaum (MIT) creó ELIZA, un programa que simulaba a una psicoterapeuta rogeriana (esas que reformulan lo que dice el paciente). ELIZA no entendía absolutamente nada: funcionaba por coincidencia de patrones y sustitución de plantillas.

Cómo funcionaba ELIZA, con pseudocódigo comentado¶

# ELIZA (simplificado): coincidencia de patrones + plantillas de respuesta.
# NO hay comprensión, NO hay memoria real, NO hay aprendizaje.

# 1) Reglas: patrón que buscar -> lista de respuestas con huecos
REGLAS = [
    # (*) captura cualquier texto; {0} lo reinyecta en la respuesta
    ("* me siento *",      ["¿Por qué te sientes {1}?",
                            "¿Desde cuándo te sientes {1}?"]),
    ("* mi madre *",       ["Háblame más de tu familia.",
                            "¿Qué relación tienes con tu madre?"]),
    ("* yo soy *",         ["¿Cuánto tiempo llevas siendo {1}?",
                            "¿Por qué crees que eres {1}?"]),
    ("* porque *",         ["¿Es esa la verdadera razón?"]),
    ("*",                  ["Cuéntame más.",           # regla comodín:
                            "Entiendo. Continúa.",     # si nada coincide,
                            "¿Y cómo te hace sentir eso?"])  # respuesta vaga
]

# 2) Inversión de pronombres: "yo" -> "tú", "mi" -> "tu", etc.
#    Esto crea la ilusión de que "te escucha".
INVERSIONES = {"yo": "tú", "mi": "tu", "soy": "eres", "me": "te"}

def eliza(frase_usuario):
    frase = normalizar(frase_usuario)          # minúsculas, sin signos
    for patron, respuestas in REGLAS:          # primera regla que coincida
        captura = coincide(patron, frase)      # extrae el texto de los *
        if captura is not None:
            captura = invertir_pronombres(captura, INVERSIONES)
            plantilla = elegir_aleatoria(respuestas)  # variedad = ilusión
            return plantilla.format(*captura)  # rellena los huecos
    # nunca llega aquí: la regla "*" siempre coincide

# Ejemplo de conversación:
#   Usuario: "Me siento triste por mi madre"
#   ELIZA:   "¿Por qué te sientes triste por tu madre?"
#   (Solo copió "triste por mi madre" e invirtió "mi" -> "tu")

Lo perturbador no fue el programa, sino la reacción humana: la propia secretaria de Weizenbaum le pidió que saliera de la sala para hablar "en privado" con ELIZA. Weizenbaum quedó tan alarmado por la facilidad con que la gente atribuía comprensión a un truco de patrones que se convirtió en uno de los primeros críticos éticos de la IA (Computer Power and Human Reason, 1976). Este fenómeno se llama hoy el efecto ELIZA: la tendencia humana a proyectar mente donde solo hay mecanismo.

Advertencia

El efecto ELIZA está más vivo que nunca. Cuando un usuario dice que un LLM "le entiende", o cuando un equipo de producto asume que el modelo "sabe" algo porque lo dijo con confianza, estás viendo el efecto ELIZA en 2026. Diseña tus productos asumiendo que los usuarios sobreestimarán la comprensión del sistema.

Avance 4: Shakey el robot (1966–1972)¶

Shakey, del Stanford Research Institute (SRI), fue el primer robot móvil que razonaba sobre sus propias acciones: percibía su entorno con una cámara, construía un plan lógico (con el planificador STRIPS) y lo ejecutaba, replanificando si algo fallaba. Era lentísimo (podía tardar horas en cruzar una habitación preparada), pero integró por primera vez percepción + planificación + acción — la arquitectura conceptual de cualquier agente moderno. Del proyecto Shakey salieron además el algoritmo de búsqueda A* (que sigue en tu GPS y en tus videojuegos) y la transformada de Hough (visión por computador).

Otros hitos de la era¶

LISP (McCarthy, 1958): el lenguaje de la IA durante 30 años.
SHRDLU (Winograd, 1970): entendía órdenes en inglés sobre un "mundo de bloques" — impresionante en su micro-mundo, imposible de escalar fuera de él.
DENDRAL (1965, Stanford): identificaba estructuras moleculares; germen de los sistemas expertos de los 80.

¿Por qué ocurrió entonces?¶

Financiación militar abundante y sin exigencia de resultados a corto plazo.
Los primeros éxitos en dominios formales (lógica, juegos, micro-mundos) parecían generalizar — nadie sabía aún que lo difícil es el mundo abierto, no el razonamiento formal.
El costo de demostrar era bajo: una demo en un micro-mundo cabía en las computadoras de la época.

¿Qué se aprendió?¶

La paradoja de Moravec (formulada después, vivida entonces): lo que es difícil para los humanos (lógica, ajedrez) resultó fácil para las máquinas; lo que es fácil para un niño de 3 años (ver, agarrar, entender lenguaje cotidiano) resultó dificilísimo.
Los micro-mundos no escalan: un sistema que funciona en un mundo de bloques no funciona en el mundo real. El conocimiento de sentido común es un océano.
Las demos impresionantes generan expectativas que la tecnología no puede pagar — y la factura llega.

¿Por qué importa hoy?¶

ELIZA es tu lección permanente de diseño de producto: la fluidez conversacional no implica comprensión, y los usuarios lo olvidarán. Los benchmarks y las evaluaciones sistemáticas existen porque las demos engañan.
Shakey es el esqueleto de tus agentes: percibir → planificar → actuar → replanificar es exactamente el bucle de un agente LLM con herramientas en 2026. Solo cambió el motor de razonamiento (de lógica formal a modelo de lenguaje).
La búsqueda heurística sigue viva: los modelos de razonamiento modernos que exploran cadenas de pensamiento y las técnicas de búsqueda en árbol sobre LLMs son descendientes directos de las ideas de Newell y Simon.
El perceptrón te enseña que una buena idea puede llegar 50 años antes que el hardware que la hace útil.

4. Primer invierno de la IA (1974–1980)¶

Contexto: la factura del hype¶

A principios de los 70, los financiadores empezaron a hacer la pregunta incómoda: "Llevamos 15 años pagando. ¿Dónde están los resultados prometidos?". La traducción automática había fracasado (el informe ALPAC de 1966 ya había cortado esa financiación en EE. UU.), los robots no salían del laboratorio y las "máquinas con inteligencia humana en 8 años" de Minsky no aparecían.

El informe Lighthill (1973)¶

El detonante británico fue el informe Lighthill: el Parlamento del Reino Unido encargó a Sir James Lighthill (un prestigioso matemático aplicado, ajeno a la IA) evaluar el estado del campo. Su veredicto, "Artificial Intelligence: A General Survey", fue demoledor:

La IA no había cumplido ninguna de sus promesas grandiosas.
Los resultados solo funcionaban en problemas de juguete; el campo chocaba contra la explosión combinatoria (los espacios de búsqueda crecen exponencialmente y las heurísticas no bastan en el mundo real).
No existía como disciplina coherente: era una mezcla de robótica, automatización y aspiraciones filosóficas.

Consecuencia directa: el Reino Unido desmanteló casi toda su investigación en IA, salvo en dos o tres universidades (Edimburgo, Essex, Sussex sobrevivieron a duras penas). Hubo incluso un debate televisado en la BBC (1973) entre Lighthill y John McCarthy — el hype de la IA ya era tema de prime time hace 50 años.

En EE. UU., la enmienda Mansfield (1969) obligó a DARPA a financiar solo investigación con aplicación militar directa, y los recortes cayeron en cascada durante los 70.

Minsky, Papert y los límites del perceptrón (1969)¶

El golpe técnico más famoso había llegado un poco antes: en 1969, Marvin Minsky y Seymour Papert publicaron el libro Perceptrons, un análisis matemático riguroso que demostraba que un perceptrón de una sola capa no puede aprender funciones que no sean linealmente separables. El ejemplo canónico: la función XOR (o exclusivo).

El problema XOR explicado¶

XOR devuelve 1 cuando las entradas son diferentes:

Entrada A	Entrada B	A XOR B	¿Separable con una línea?
0	0	0	Los puntos (0,0) y (1,1) dan 0...
0	1	1	...y los puntos (0,1) y (1,0) dan 1.
1	0	1	Dibuja los 4 puntos en un plano:
1	1	0	ninguna línea recta separa los 0 de los 1

Un perceptrón simple traza, geométricamente, una línea recta (un hiperplano) que divide el espacio en dos regiones. Para AND y OR existe esa línea; para XOR, no — los ceros y los unos están en diagonal y ninguna recta puede separarlos.

   B
   1 |  (0,1)=1      (1,1)=0
     |
   0 |  (0,0)=0      (1,0)=1
     +---------------------- A
        0             1

   Intenta trazar UNA recta que deje los "1" a un lado
   y los "0" al otro. Es imposible. Eso es XOR.

La ironía histórica: Minsky y Papert sabían (y lo mencionaron) que redes multicapa sí pueden resolver XOR. Pero conjeturaron que no habría forma eficiente de entrenarlas, y el campo entero les creyó. La financiación de redes neuronales se evaporó durante ~15 años. El algoritmo que entrena redes multicapa —backpropagation— ya existía en formas embrionarias (Werbos lo describió en su tesis de 1974, en pleno invierno), pero nadie escuchaba. Rosenblatt murió en un accidente en 1971 sin ver la reivindicación de su idea.

Nota

XOR se resuelve trivialmente con una red de dos capas: la capa oculta transforma el espacio de entrada de modo que los puntos se vuelven separables. Esta es la intuición fundamental del deep learning: cada capa re-representa los datos hasta que el problema se vuelve fácil. Lo verás en detalle en el módulo de redes neuronales.

¿Qué se aprendió?¶

Los límites teóricos importan, pero su interpretación importa más: un resultado correcto (perceptrón de 1 capa ≠ XOR) mal extrapolado ("las redes neuronales son un callejón sin salida") congeló una línea de investigación válida durante 15 años.
La explosión combinatoria es real: la potencia bruta de la época no podía compensar la falta de conocimiento estructurado. (Nota el contraste con la Bitter Lesson de la sección 12: décadas después, la potencia bruta sí pudo.)
La financiación es procíclica: llega en masa cuando sobran promesas y se va en masa cuando faltan resultados — justo cuando más se necesita perseverancia.

¿Por qué importa hoy?¶

Cuando leas "los LLMs han tocado techo" o "el escalado ha muerto", recuerda el caso Perceptrons: distingue siempre entre una limitación demostrada de una arquitectura concreta y una condena de todo el paradigma. Son cosas muy distintas.
El invierno enseña gestión de carrera: los investigadores que siguieron trabajando en redes neuronales durante la travesía del desierto (Hinton, LeCun, Bengio, Schmidhuber) acabaron definiendo la era moderna. Las mejores oportunidades profesionales suelen estar en lo que acaba de pasar de moda pero tiene fundamentos sólidos.
Como AI Engineer harás "informes Lighthill" en miniatura: evaluar si una tecnología prometida por un proveedor cumple en producción. El método de Lighthill (ignorar demos, exigir resultados en problemas reales, buscar la explosión combinatoria oculta) sigue siendo válido.

5. La era de los sistemas expertos (1980–1987)¶

Contexto: la IA se vuelve negocio¶

La IA salió de su primer invierno con una estrategia nueva y más humilde: en lugar de perseguir inteligencia general, capturar el conocimiento de un experto humano en un dominio estrecho y venderlo como software. Nacieron los sistemas expertos, y con ellos la primera industria comercial de la IA: en su pico, se estimaba que el mercado movía miles de millones de dólares y dos tercios de las grandes empresas estadounidenses experimentaban con la tecnología.

¿Qué es un sistema experto?¶

Un sistema experto tiene dos piezas separadas — y esa separación fue su gran idea arquitectónica:

flowchart LR
    subgraph SE["Sistema experto clásico"]
        BC["Base de conocimiento<br/>(reglas SI-ENTONCES<br/>extraídas de expertos humanos)"]
        MI["Motor de inferencia<br/>(encadena reglas para<br/>llegar a conclusiones)"]
        ME["Módulo de explicación<br/>(por qué llegué a<br/>esta conclusión)"]
    end
    U["Usuario<br/>(responde preguntas)"] --> MI
    BC --> MI
    MI --> ME --> U
    IC["‍ Ingeniero del conocimiento<br/>(entrevista a expertos<br/>y escribe reglas)"] -.mantiene.-> BC

Una regla típica: SI el organismo es grampositivo Y crece en cadenas ENTONCES es probablemente estreptococo (certeza 0.7).

Los sistemas estrella¶

MYCIN (Stanford, años 70)¶

Diagnosticaba infecciones bacterianas de la sangre y recomendaba antibióticos con dosis ajustadas. Con ~600 reglas, en evaluaciones alcanzó un desempeño comparable o superior al de médicos no especialistas. Introdujo los factores de certeza (razonar con incertidumbre) y el módulo de explicación (responder "¿por qué me preguntas eso?"). Nunca se usó clínicamente: por responsabilidad legal, integración en el flujo hospitalario y desconfianza — el primer gran caso de que el despliegue es más difícil que el modelo, lección que hoy sigue vigente palabra por palabra.

XCON / R1 (CMU + Digital Equipment Corporation, 1980)¶

Caso empresarial

XCON (eXpert CONfigurer) es el caso de negocio fundacional de la IA empresarial. DEC vendía computadoras VAX por componentes, y configurar un pedido válido (compatibilidades, cables, alimentación, disposición en armarios) era tan complejo que los errores de configuración costaban millones en devoluciones y retrasos. XCON, desarrollado por John McDermott (CMU), automatizó la configuración con reglas. Resultados reportados: procesaba decenas de miles de pedidos y DEC declaró ahorros del orden de 25 millones de dólares al año. Pero la letra pequeña es la lección: la base creció de ~750 reglas a más de 10.000, y DEC necesitaba un equipo grande y permanente solo para mantenerlas, porque cada nuevo producto del catálogo obligaba a revisar interacciones entre reglas. El costo de mantenimiento crecía más rápido que el valor. Apunta este patrón: lo volverás a ver en cualquier sistema basado en reglas, incluidos los prompts gigantes con cientos de instrucciones.

Las máquinas LISP y el Quinto Proyecto japonés¶

Alrededor del boom creció un ecosistema completo:

Máquinas LISP: computadoras de hardware especializado para ejecutar LISP eficientemente (Symbolics, Lisp Machines Inc., Xerox). Costaban decenas de miles de dólares por puesto. Fueron las "GPUs de los 80": hardware dedicado al workload de IA de moda.
Quinta Generación (Japón, 1982): el MITI japonés lanzó un plan nacional de ~10 años para construir computadoras de inferencia lógica masivamente paralelas (basadas en Prolog). Asustó tanto a Occidente que EE. UU. respondió con la Strategic Computing Initiative de DARPA y el consorcio MCC, y Europa con ESPRIT y el programa Alvey británico. Carrera geopolítica por la IA: tampoco la inventó esta década de 2020.
Empresas de shells de sistemas expertos (Teknowledge, IntelliCorp) vendían el "motor vacío" para que cada empresa metiera sus reglas.

¿Por qué triunfaron en las empresas?¶

ROI medible en dominios cerrados: configurar pedidos, autorizar créditos, diagnosticar fallos de maquinaria — problemas con reglas relativamente estables y valor claro.
Explicabilidad: el sistema podía justificar cada conclusión mostrando las reglas usadas. A un directivo (o a un regulador) le encanta eso.
Escasez de expertos humanos: capturar el conocimiento del único ingeniero que sabía configurar un VAX y replicarlo era valiosísimo.
Narrativa creíble: no prometían "inteligencia humana", prometían "el conocimiento de tu mejor empleado, en software".

¿Por qué colapsaron?¶

El cuello de botella de la adquisición de conocimiento: extraer reglas de expertos humanos era lento, caro y frustrante (los expertos no saben verbalizar cómo deciden — mucho de su saber es tácito).
El mantenimiento de reglas no escala: con miles de reglas, cada cambio provoca interacciones imprevisibles. No hay "aprendizaje": todo ajuste es manual. Los costos crecen superlinealmente con el tamaño de la base.
Fragilidad: fuera de su dominio exacto, el sistema no degradaba con elegancia — fallaba de forma absurda y sin avisar (no sabía que no sabía).
El hardware especializado quedó obsoleto: hacia 1987, las estaciones de trabajo genéricas (Sun) y los PCs ejecutaban LISP más barato que las máquinas LISP dedicadas. El mercado de hardware colapsó en cuestión de meses.

Consejo profesional — la lección para el arquitecto moderno

El mantenimiento de reglas no escala. Cada vez que en un sistema con LLMs acumules condicionales: prompts con 200 instrucciones, cadenas de if para post-procesar salidas, listas negras de casos especiales... estás reconstruyendo XCON y heredarás su curva de costos. La respuesta moderna es la misma que dio la historia: sustituye reglas manuales por aprendizaje y evaluación (fine-tuning, few-shot dinámico, RAG bien diseñado, evals automatizadas que detectan regresiones). Las reglas explícitas están bien para lo crítico y auditable (guardrails de seguridad, cumplimiento normativo); son deuda técnica para todo lo demás.

¿Qué se aprendió?¶

Conocimiento > razonamiento para resolver problemas reales (el "conocimiento es poder" de Feigenbaum)... pero adquirir y mantener conocimiento a mano es el cuello de botella fatal.
La separación base de conocimiento / motor de inferencia fue un patrón arquitectónico brillante que reencontrarás en RAG: separar lo que el sistema sabe (documentos indexados) de cómo razona (el LLM).
Un mercado construido sobre hardware especializado caro es vulnerable a la mercantilización del hardware genérico.

¿Por qué importa hoy?¶

RAG es el nieto de los sistemas expertos: base de conocimiento externa + motor de razonamiento general. La diferencia clave es que ya no escribes las reglas a mano — el LLM aporta el sentido común que a MYCIN le faltaba, y los documentos aportan el conocimiento del dominio.
MYCIN te enseña que la barrera final es organizacional, no técnica: responsabilidad, integración con flujos de trabajo, confianza del usuario experto. En 2026, los proyectos de IA empresarial siguen muriendo exactamente por esas tres causas.
La explicabilidad vende: los sistemas expertos ganaron contratos porque justificaban sus decisiones. Los modelos de razonamiento actuales, que muestran su cadena de pensamiento, redescubren esa ventaja comercial.
Las máquinas LISP son un aviso sobre apostar la empresa a un hardware/stack especializado de moda. Piensa en esto al firmar contratos plurianuales de infraestructura de IA.

6. Segundo invierno (1987–1993)¶

Contexto y detonantes¶

El segundo invierno fue más comercial que académico: colapsó una industria, no solo una línea de financiación.

Cadena de acontecimientos:

1987 — colapso del mercado de máquinas LISP: las workstations genéricas de Sun y los PCs con compiladores LISP decentes hicieron innecesario el hardware especializado. Un mercado de cientos de millones de dólares se evaporó. Symbolics, la estrella del sector (y, anécdota histórica, primer dominio .com registrado de internet, en 1985), entró en decadencia terminal.
1988–1990 — desilusión con los sistemas expertos: las empresas descubrieron los costos reales de mantenimiento (el patrón XCON). Muchos sistemas fueron abandonados silenciosamente. "Sistema experto" pasó de argumento de venta a palabra maldita en las propuestas comerciales.
~1991 — fin sin gloria del Quinto Proyecto japonés: la Quinta Generación terminó sin alcanzar sus objetivos visionarios. El paradigma elegido (lógica masivamente paralela con Prolog) apuntó en la dirección equivocada mientras el futuro real (estadística + hardware genérico) crecía en otra parte.
Recortes de DARPA: la Strategic Computing Initiative recortó la IA "de propósito general" y redirigió fondos a aplicaciones concretas y medibles.

Durante estos años, "IA" se volvió tan tóxico como etiqueta que los investigadores rebautizaron su trabajo: informática, sistemas basados en conocimiento, reconocimiento de patrones, machine learning. Hubo un chiste recurrente en la industria: "en cuanto algo funciona, deja de llamarse IA" (el llamado efecto IA).

El trabajo silencioso que preparó el deshielo¶

Como en todo invierno, lo importante ocurrió sin titulares:

1986: Rumelhart, Hinton y Williams popularizan backpropagation en Nature ("Learning representations by back-propagating errors"), demostrando que las redes multicapa sí se pueden entrenar — la respuesta, 17 años tarde, a Minsky y Papert. El grupo PDP (Parallel Distributed Processing) reaviva el conexionismo.
1989: Yann LeCun aplica redes convolucionales (CNN) a la lectura de dígitos manuscritos en Bell Labs; su sistema acabaría leyendo un porcentaje significativo de los cheques de EE. UU. — deep learning en producción en los 90, aunque nadie lo llamara así.
1988: Judea Pearl publica Probabilistic Reasoning in Intelligent Systems: las redes bayesianas dan a la IA un tratamiento matemáticamente riguroso de la incertidumbre, enterrando los factores de certeza ad hoc de MYCIN.
La comunidad adopta métodos estadísticos, benchmarks compartidos y validación empírica — la cultura científica que definiría la era siguiente.

¿Qué se aprendió?¶

Los inviernos no detienen el progreso técnico, solo la financiación y el marketing. Backprop, las CNN y las redes bayesianas nacieron o maduraron en pleno invierno.
Un colapso comercial arrastra también a las tecnologías buenas: la sobreventa perjudica a todo el ecosistema, incluidos los honestos.
El rigor empírico (datasets compartidos, métricas, comparaciones controladas) es lo que reconstruyó la credibilidad del campo.

¿Por qué importa hoy?¶

Si alguna vez llega un enfriamiento del mercado de la IA generativa, este capítulo es tu manual: el valor real sobrevive a los inviernos (los cheques se siguieron leyendo con CNNs durante todo el invierno). Posiciónate en aplicaciones con ROI demostrable, no en promesas.
El "efecto IA" te ayuda a leer el mercado laboral: muchas cosas que hoy se llaman "IA" pasarán a llamarse simplemente "software" cuando maduren. Tu carrera debe anclarse en fundamentos (datos, evaluación, sistemas), no en etiquetas.
La historia de backprop-1986 enseña que en IA las ideas correctas a veces esperan décadas a su momento. Mantén una lista personal de "ideas que funcionaron a pequeña escala pero el hardware no acompañó" — es una fuente de ventaja profesional.

7. Renacimiento estadístico (1993–2011)¶

Contexto: de reglas a datos¶

Entre 1993 y 2011 la IA se reinventó en silencio bajo la marca machine learning: en lugar de programar el conocimiento a mano (el enfoque que había fracasado dos veces), aprenderlo automáticamente de los datos. Tres corrientes convergieron:

Matemáticas serias: teoría del aprendizaje estadístico (Vapnik), probabilidad bayesiana, optimización convexa.
Internet: por primera vez en la historia, texto, imágenes y comportamiento humano digitalizados a escala masiva. Los datos pasaron de escasos a abundantes.
Ley de Moore: la potencia de cómputo se duplicaba cada ~2 años sin que nadie tuviera que hacer nada.

Los algoritmos de la era¶

Técnica	Años de auge	Idea central	Uso típico de la época
SVM (máquinas de vectores de soporte)	1995–2010	Encontrar el hiperplano de separación con margen máximo; el kernel trick proyecta datos a espacios donde se vuelven separables (¡la respuesta elegante al problema XOR!)	Clasificación de texto, detección de spam, bioinformática
Modelos gráficos / redes bayesianas	1990s–2000s	Representar dependencias probabilísticas y razonar con incertidumbre	Diagnóstico, filtros de spam, el clip de Office
HMM y modelos n-grama	1990s–2000s	Modelos probabilísticos de secuencias	Reconocimiento de voz, traducción estadística (Google Translate pre-2016)
Boosting y ensembles (AdaBoost, Random Forests)	1997–2012	Combinar muchos modelos débiles en uno fuerte	Detección de caras (Viola-Jones, 2001), ranking, riesgo crediticio
Aprendizaje por refuerzo (TD-learning)	1992–	Aprender de recompensas retardadas	TD-Gammon (1992) jugó backgammon a nivel de élite mundial
Redes neuronales	Marginadas hasta ~2006	Backprop funcionaba, pero con los datos y cómputo de la época perdía contra las SVM	Lectura de cheques (LeCun), nichos

Nota

Ironía histórica deliciosa: las SVM resolvían la no-linealidad (el problema XOR) con matemáticas elegantes y garantías teóricas, y por eso dominaron la década de 2000 mientras las redes neuronales eran consideradas cosa de nostálgicos. Diez años después, la fuerza bruta de las redes profundas arrasó con la elegancia. Guarda esta tensión elegancia-vs-escala para la Bitter Lesson de la sección 12.

Deep Blue vs. Kasparov (1997): el hito mediático¶

En mayo de 1997, Deep Blue de IBM venció a Garry Kasparov, campeón del mundo de ajedrez, 3½–2½ en un match a seis partidas en Nueva York. Fue portada mundial y un momento cultural: la "cima del intelecto humano" caía ante una máquina.

Lo técnicamente honesto: Deep Blue no aprendía ni razonaba como un humano. Era búsqueda masiva por fuerza bruta (~200 millones de posiciones por segundo, hardware especializado) + una función de evaluación afinada a mano con ayuda de grandes maestros + libro de aperturas. Es decir: la vieja búsqueda heurística de Newell y Simon, llevada al extremo por la ley de Moore.

Dos lecturas que siguen importando:

La lectura del público: "las máquinas ya son más inteligentes que nosotros" — incorrecta pero potentísima como narrativa.
La lectura del ingeniero: un problema cerrado + cómputo masivo + evaluación afinada vence al mejor humano sin necesidad de "comprensión". Primer gran aviso de la Bitter Lesson.

2006: el deep learning susurra su regreso¶

Geoffrey Hinton, que nunca abandonó las redes neuronales, publicó en 2006 (con Osindero y Teh) "A fast learning algorithm for deep belief nets": una forma de pre-entrenar redes profundas capa a capa. El término deep learning empezó a circular. Pocos escucharon; el establishment del ML seguía con sus SVMs. Pero el grupo de Toronto, junto con los de Bengio (Montreal) y LeCun (NYU) —financiados en los años difíciles por el instituto canadiense CIFAR— tenían ya todas las piezas menos dos: más datos y más cómputo. Ambas estaban a punto de llegar.

Mientras tanto, dos hechos de infraestructura pasaron casi inadvertidos y lo cambiaron todo:

2007: NVIDIA lanza CUDA, permitiendo programar GPUs para cómputo general. Las GPUs, diseñadas para videojuegos, resultan ser máquinas perfectas de multiplicar matrices — que es el 95 % de una red neuronal.
2009: Fei-Fei Li (Stanford) publica ImageNet, un dataset de ~14 millones de imágenes etiquetadas en ~22.000 categorías, construido con crowdsourcing. En 2010 lanza el desafío anual ILSVRC: clasificar imágenes en 1.000 categorías. Un benchmark público, grande y difícil — el terreno de juego donde estallaría la revolución.

Watson en Jeopardy! (2011)¶

En febrero de 2011, Watson de IBM venció a Ken Jennings y Brad Rutter, los dos mejores campeones históricos del concurso Jeopardy! (preguntas de cultura general con juegos de palabras, en lenguaje natural abierto). Watson combinaba búsqueda masiva sobre ~200 millones de páginas de texto, cientos de algoritmos de análisis de lenguaje en paralelo y un modelo estadístico de confianza para decidir cuándo pulsar el botón.

Watson fue el canto del cisne de la era pre-deep-learning del NLP: un logro real de ingeniería de sistemas (ensamblar cientos de técnicas estadísticas), pero un callejón sin salida arquitectónico — cinco años después, redes neuronales entrenadas de extremo a extremo superarían todo ese andamiaje artesanal. Comercialmente, IBM sobrevendió la marca Watson (especialmente en salud) y acabó protagonizando uno de los casos de estudio de hype corporativo más citados de la década.

¿Qué se aprendió?¶

Los datos vencen a las reglas: la lección central de la era. El famoso paper de Halevy, Norvig y Pereira (Google, 2009) lo tituló "The Unreasonable Effectiveness of Data": algoritmos simples con muchos datos superan a algoritmos sofisticados con pocos.
Los benchmarks públicos aceleran el progreso: ImageNet, y antes MNIST y las evaluaciones de NIST en voz, crearon competencia medible y acumulativa.
El rigor estadístico rehabilitó al campo: train/test split, validación cruzada, métricas estándar — la caja de herramientas que usarás toda tu carrera nació de la resaca del segundo invierno.
Los hitos mediáticos (Deep Blue, Watson) traen financiación y talento, pero también siembran la siguiente ronda de expectativas infladas.

¿Por qué importa hoy?¶

Esta era construyó tu caja de herramientas de evaluación: cuando montas evals para un sistema LLM (conjuntos de test, métricas, comparaciones A/B), estás aplicando la cultura empírica nacida aquí. Es la parte de la historia que nunca pasó de moda.
"The Unreasonable Effectiveness of Data" es la razón de que exista tu puesto de trabajo: los LLMs son la conclusión lógica de esa filosofía — el dataset pasó de "el spam de Hotmail" a "todo el texto de internet".
Los métodos "clásicos" (regresión logística, árboles con boosting como XGBoost, SVMs) siguen ganando en producción cuando hay datos tabulares y presupuesto limitado. Un AI Engineer serio los tiene en su arsenal y no dispara un LLM a todo lo que se mueve.
Watson-en-salud es el caso de estudio permanente de sobreventa B2B: úsalo cuando debas moderar las expectativas de un stakeholder.

8. La revolución del Deep Learning (2012–2017)¶

AlexNet e ImageNet 2012: el big bang¶

En octubre de 2012, una red neuronal convolucional llamada AlexNet —creada por Alex Krizhevsky e Ilya Sutskever, dirigidos por Geoffrey Hinton en la Universidad de Toronto— ganó el desafío ImageNet (ILSVRC) con un ~15,3 % de error top-5, frente al ~26 % del segundo clasificado. En un benchmark donde el progreso anual se medía en décimas, sacar más de diez puntos de golpe no era una mejora: era un cambio de paradigma. En dos años, todos los participantes serios del concurso usaban deep learning; en cinco, la visión por computador clásica (características diseñadas a mano como SIFT y HOG) era historia.

¿Por qué fue el big bang? Los tres factores¶

Nada de AlexNet era conceptualmente nuevo — las CNN existían desde los 80 (LeCun). Lo nuevo fue la convergencia simultánea de tres factores, y esta tabla es probablemente la más importante del capítulo:

Factor	Qué faltaba antes	Qué cambió hacia 2012	Lección general
Datos	Datasets de miles de imágenes: insuficientes para modelos grandes (sobreajuste)	ImageNet: 1,2 millones de imágenes etiquetadas para el desafío, gracias a internet + crowdsourcing	Un modelo solo puede ser tan bueno como grande y variado sea su alimento
Cómputo	Entrenar una red grande en CPU llevaba meses: iterar era imposible	GPUs + CUDA: AlexNet se entrenó en ~una semana con 2 GPUs de consumo (GTX 580) en el dormitorio de Krizhevsky	El hardware de una industria ajena (videojuegos) desbloqueó la IA; vigila siempre el hardware
Algoritmos	Redes profundas difíciles de entrenar: gradientes que se desvanecen, sobreajuste	ReLU (activación que no satura), dropout (regularización), mejores inicializaciones + el know-how acumulado por los "creyentes" durante 25 años	Las mejoras algorítmicas pequeñas se acumulan y esperan al momento en que datos y cómputo las hacen brillar

Consejo profesional

Interioriza el triángulo datos-cómputo-algoritmos como herramienta de análisis. Ante cualquier "salto revolucionario" en IA, pregunta: ¿qué cambió en cada vértice? Casi siempre descubrirás que el "genio repentino" es en realidad la convergencia de tendencias de una década. Y ante cualquier proyecto propio que no avanza, pregunta lo mismo: ¿me falta datos, cómputo o algoritmo? El diagnóstico correcto ahorra meses.

Consecuencia inmediata: fichajes masivos de académicos por Google, Facebook, Microsoft y Baidu; el precio del talento de deep learning se disparó; NVIDIA pivotó su estrategia hacia la IA (decisión que la convertiría en una de las empresas más valiosas del mundo); y DeepMind (fundada en 2010) fue adquirida por Google en 2014.

word2vec (2013): el significado como geometría¶

Tomas Mikolov y su equipo en Google publicaron word2vec: una red simple que aprende a representar cada palabra como un vector de números (un embedding), entrenándose con una tarea trivial — predecir palabras vecinas en texto masivo. El resultado asombró a todos:

Palabras de significado similar terminan cerca en el espacio vectorial.
Las direcciones del espacio capturan relaciones semánticas: el ejemplo célebre, vector("rey") - vector("hombre") + vector("mujer") ≈ vector("reina").

Por qué es un hito conceptual: demostró que el significado puede emerger de la pura estadística de co-ocurrencia ("una palabra se conoce por las compañías que frecuenta" — la hipótesis distribucional de la lingüística, hecha código). Todo el NLP moderno —incluidos los embeddings que usarás en cada sistema RAG— desciende de esta idea.

seq2seq y la traducción neuronal (2014–2016)¶

Sutskever, Vinyals y Le (Google, 2014) presentaron sequence-to-sequence: dos redes recurrentes (LSTM), una que codifica la frase de entrada en un vector y otra que decodifica ese vector generando la frase de salida, palabra a palabra. Por primera vez, la traducción automática se aprendía de extremo a extremo, sin diccionarios ni reglas gramaticales programadas.

Problema: comprimir una frase entera en un solo vector es un cuello de botella (las frases largas se degradaban). La solución de Bahdanau, Cho y Bengio (2014) fue el mecanismo de atención: dejar que el decodificador "mire hacia atrás" a todas las palabras de la entrada y decida a cuáles atender en cada paso. Recuerda esta palabra — atención — porque en 2017 se convertirá en la protagonista absoluta.

En 2016, Google reemplazó su traductor estadístico de frases por GNMT (traducción neuronal): mejoras de calidad que la vía anterior habría tardado años en lograr, desplegadas de un día para otro a cientos de millones de usuarios. El deep learning ya no era solo benchmarks: era producción planetaria.

AlphaGo (2016): la intuición también se computa¶

En marzo de 2016, AlphaGo (DeepMind) venció 4–1 a Lee Sedol, uno de los mejores jugadores de Go de la historia, en Seúl — con más de 200 millones de espectadores. El Go era "el juego que la fuerza bruta no puede resolver": más posiciones posibles que átomos en el universo observable y una dependencia enorme de la "intuición" posicional humana. Los expertos predecían que faltaba una década.

Cómo funcionaba, en una frase: redes neuronales profundas (una policy network que sugiere jugadas prometedoras y una value network que evalúa posiciones, entrenadas primero con partidas humanas y luego jugando contra sí misma por refuerzo) guiando una búsqueda en árbol Monte Carlo. Es decir: la intuición aprendida podando la búsqueda — el matrimonio de las dos tradiciones históricas de la IA (conexionista y de búsqueda).

El momento cultural fue la jugada 37 de la partida 2: un movimiento que los comentaristas profesionales consideraron un error hasta comprender, jugadas después, que era brillante. Una máquina había producido algo que los mejores expertos humanos describieron como creativo. Y en 2017, AlphaGo Zero rizó el rizo: aprendió desde cero, sin ninguna partida humana, solo jugando contra sí misma — y superó a la versión que venció a Lee Sedol. El conocimiento humano no solo no era necesario: era un lastre. (Anota esto para la Bitter Lesson.)

¿Por qué ocurrió entonces?¶

Fue la era en que el triángulo datos-cómputo-algoritmos entró en círculo virtuoso: cada éxito atraía inversión, la inversión pagaba más GPUs y más talento, y más GPUs y talento producían el siguiente éxito. Además, las grandes plataformas de internet (Google, Facebook, Amazon, Baidu) tenían simultáneamente los datos, el dinero y los problemas de negocio (búsqueda, feeds, publicidad, recomendación) donde el deep learning imprimía dinero de inmediato.

¿Qué se aprendió?¶

Las representaciones aprendidas vencen a las diseñadas: 40 años de ingeniería de características de visión artesanal cayeron ante features aprendidas de los datos. Lo mismo pasó después en voz, texto y biología.
El aprendizaje extremo-a-extremo simplifica los sistemas: seq2seq reemplazó pipelines de decenas de componentes por una sola red entrenable.
Los "imposibles a diez años vista" pueden caer mañana: la predicción experta sobre el Go falló por una década. La incertidumbre en IA es radical, en ambas direcciones.
Las GPU convirtieron el cómputo en el recurso estratégico del campo — y ya nunca dejó de serlo.

¿Por qué importa hoy?¶

Los embeddings de word2vec son tu pan de cada día: búsqueda semántica, RAG, clustering de documentos, sistemas de recomendación — todo se apoya en representar significado como vectores. Este es el capítulo donde nació esa idea.
El patrón encoder-decoder con atención de seq2seq es el borrador del Transformer con el que trabajas a diario.
AlphaGo es el manual conceptual de los modelos de razonamiento actuales: gastar más cómputo en el momento de decidir (búsqueda/deliberación en inferencia) sobre una base de intuición aprendida. Cuando en 2024–2026 oyes "test-time compute", es la jugada 37 volviendo a casa.
La tabla de los 3 factores es tu framework de due diligence permanente para evaluar cualquier tecnología emergente.

9. La era Transformer (2017–2022)¶

"Attention Is All You Need" (2017)¶

En junio de 2017, ocho investigadores de Google (Vaswani, Shazeer, Parmar, Uszkoreit, Jones, Gomez, Kaiser y Polosukhin) publicaron el paper con el título más profético de la historia reciente: "Attention Is All You Need". Proponían el Transformer, una arquitectura para traducción automática que hacía algo herético: eliminar por completo la recurrencia (las RNN/LSTM que dominaban el NLP) y quedarse solo con el mecanismo de atención.

La idea, sin matemáticas¶

Una red recurrente lee la frase palabra a palabra, en orden, arrastrando un resumen en su memoria. Problemas: es lenta (secuencial, no paraleliza) y olvidadiza (lo leído hace 50 palabras se diluye).
El Transformer procesa todas las palabras a la vez, y cada palabra "mira" (atiende) a todas las demás y decide cuáles son relevantes para interpretarse a sí misma. En "el gato que vimos ayer en el tejado maullaba", la palabra "maullaba" puede atender directamente a "gato", sin importar la distancia.
Como todo se calcula en paralelo con multiplicaciones de matrices, la arquitectura encaja perfectamente en las GPUs/TPUs. Y esa es la clave histórica: el Transformer no ganó solo por ser mejor — ganó por ser escalable. Podías hacerlo 100 veces más grande y entrenarlo en 100 veces más datos, y simplemente... funcionaba mejor.

flowchart TD
    A["Texto de entrada<br/>(troceado en tokens)"] --> B["Embeddings<br/>(cada token → vector)"]
    B --> C["+ Codificación posicional<br/>(el orden importa)"]
    C --> D["Autoatención multi-cabeza<br/>(cada token atiende a todos los demás<br/>y pondera cuáles le importan)"]
    D --> E["Red feed-forward<br/>(procesa cada posición)"]
    E --> F["× N capas apiladas<br/>(cada capa refina la representación)"]
    F --> G["Salida: predicción<br/>del siguiente token"]
    G -.->|"el token predicho se añade<br/>a la entrada y se repite"|A

La descendencia inmediata: BERT y GPT¶

Del Transformer salieron dos linajes con filosofías opuestas:

	BERT (Google, 2018)	GPT (OpenAI, 2018–2020)
Parte usada del Transformer	Encoder (bidireccional)	Decoder (autoregresivo)
Tarea de pre-entrenamiento	Rellenar palabras tapadas (masked LM)	Predecir la siguiente palabra
Fortaleza	Entender texto (clasificar, buscar, extraer)	Generar texto
Modo de uso típico	Fine-tuning por tarea	Prompting (pedírselo por escrito)
Impacto	Revolucionó los buscadores y el NLP industrial 2019–2022	Se convirtió en el linaje de los LLMs actuales

GPT-2 (2019, 1.500 millones de parámetros): generaba párrafos coherentes. OpenAI retrasó su publicación completa alegando riesgo de mal uso — polémica fundacional del debate seguridad-vs-apertura que sigue vivo hoy.
GPT-3 (2020, 175.000 millones de parámetros, paper "Language Models are Few-Shot Learners"): el salto cualitativo. Sin reentrenar nada, aprendía tareas nuevas desde el propio prompt (in-context learning): le mostrabas dos o tres ejemplos y generalizaba. Nadie programó esa capacidad; emergió de la escala. Aquí nace la ingeniería de prompts, es decir, una parte de tu profesión.

Las scaling laws, explicadas de forma intuitiva¶

En 2020, Kaplan y colegas (OpenAI) publicaron "Scaling Laws for Neural Language Models", quizá el paper más influyente de la década en términos estratégicos. Hallazgo:

El rendimiento de un modelo de lenguaje mejora de forma suave, predecible y sostenida al aumentar tres cantidades: tamaño del modelo (parámetros), cantidad de datos y cómputo de entrenamiento. Las curvas siguen leyes de potencia y no muestran signos de saturación en los rangos medidos.

Intuición con analogía: es como descubrir que la fuerza de un motor crece de forma predecible con su cilindrada, con una fórmula que se cumple desde el motor de una motosierra hasta el de un buque. La consecuencia estratégica es enorme: puedes planificar la mejora. Si sabes que con 10× más cómputo obtendrás X mejora medible, construir modelos gigantes deja de ser una apuesta ciega y se convierte en una inversión calculable. Las scaling laws convirtieron la IA en una industria de capital: quien más cómputo y datos agrega, gana — y por eso las décadas de 2020 se miden en gigavatios y fábricas de chips.

En 2022, DeepMind refinó la receta con Chinchilla (Hoffmann et al.): para un presupuesto de cómputo dado, los modelos de la época estaban sobredimensionados en parámetros y subalimentados en datos — conviene entrenar modelos algo más pequeños con muchos más tokens. Moraleja técnica: escalar no es solo "hacerlo más grande", es equilibrar el triángulo.

Advertencia

Las scaling laws son regularidades empíricas, no leyes físicas. Predicen la pérdida del modelo (qué tan bien predice texto), no directamente qué capacidades concretas emergerán ni cuándo. Y dependen de que sigan existiendo más datos útiles y más cómputo asequible — dos supuestos discutidos activamente entre 2024 y 2026 (de ahí el giro hacia datos sintéticos y hacia escalar el cómputo de inferencia). Úsalas como brújula, no como profecía.

Codex y Copilot (2021): la IA entra en tu editor¶

En 2021, OpenAI presentó Codex, un GPT afinado sobre código público, y GitHub lanzó Copilot: autocompletado de funciones enteras dentro del editor. Fue el primer producto masivo donde un LLM se integró en el flujo de trabajo profesional de millones de personas — y la señal temprana de que la generación de código sería una de las aplicaciones estrella (spoiler de la sección 11: los coding agents). También abrió los debates jurídicos sobre entrenamiento con código con licencias — bienvenido a la dimensión legal de tu profesión.

¿Qué se aprendió?¶

La arquitectura que mejor escala vence a la más ingeniosa a pequeña escala (Transformer vs. LSTM: la Bitter Lesson otra vez).
De la escala emergen capacidades cualitativamente nuevas (few-shot learning) que nadie diseñó — lo que obliga a evaluar los modelos empíricamente, como fenómenos, no solo a leer sus especificaciones.
La predictibilidad atrae capital: las scaling laws transformaron la investigación en una carrera industrial de infraestructura.
Un solo paradigma (predicción del siguiente token sobre texto masivo) unificó tareas que antes tenían comunidades y técnicas separadas: traducción, resumen, QA, código, diálogo.

¿Por qué importa hoy?¶

Trabajas dentro de esta arquitectura: la ventana de contexto, el costo por token, la latencia de generación token a token, por qué el modelo "olvida" lo que quedó fuera de contexto — todo son consecuencias directas del diseño del Transformer que acabas de ver. Entenderlo te hace mejor ingeniero cada día.
BERT vs. GPT sigue siendo una decisión de arquitectura de sistemas: para clasificar o buscar (embeddings) a menudo no necesitas un modelo generativo gigante; los encoders pequeños y baratos siguen siendo la elección correcta en muchos pipelines. Conocer ambos linajes te ahorra dinero.
Las scaling laws explican el tablero geopolítico y de mercado en el que trabajas: los precios de las APIs, la concentración del sector, la sed de chips y energía. Leer una noticia de infraestructura de IA con las scaling laws en mente es leerla con rayos X.
El in-context learning de GPT-3 es el fundamento teórico del prompting: cuando escribes ejemplos few-shot en un prompt, estás explotando esa capacidad emergente descubierta en 2020.

10. La era de los LLMs y ChatGPT (2022–2024)¶

El eslabón que faltaba: RLHF¶

GPT-3 (2020) era asombroso pero indomable: completaba texto, no obedecía. Si le escribías "Explica la fotosíntesis", podía responder con una lista de más preguntas de examen (porque en internet, ese texto suele continuar así). El eslabón entre "modelo que completa texto" y "asistente que ayuda" fue el RLHF (Reinforcement Learning from Human Feedback), presentado a escala en el paper de InstructGPT (Ouyang et al., 2022).

RLHF explicado de forma intuitiva¶

Piensa en ello como una educación en tres etapas:

Pre-entrenamiento (la biblioteca): el modelo lee cantidades ingentes de texto y aprende a predecir la siguiente palabra. Resultado: sabe muchísimo, pero se comporta como un loro erudito sin modales — continúa cualquier texto de la forma más probable, no de la más útil.
Fine-tuning supervisado (las clases de conversación): humanos escriben miles de ejemplos de la forma "instrucción → respuesta excelente" y el modelo se afina imitándolos. Ahora entiende el formato "me piden algo, respondo ayudando".
Aprendizaje por refuerzo con preferencias humanas (el pulido): el modelo genera varias respuestas a una misma petición; evaluadores humanos las ordenan de mejor a peor; con esas comparaciones se entrena un modelo de recompensa que aprende a predecir "qué preferiría un humano"; y el LLM se optimiza para maximizar esa recompensa. Analogía: un chef que ya sabe cocinar (etapas 1–2) y ahora recibe, plato tras plato, el ranking de un panel de catadores — no le dan la receta, le dan la preferencia, y él ajusta su cocina.

Resultado del paper InstructGPT: un modelo 100 veces más pequeño que GPT-3, afinado con RLHF, era preferido por los evaluadores humanos frente al GPT-3 gigante crudo. Lección enorme: la alineación con la intención del usuario vale órdenes de magnitud de escala.

Nota

En paralelo, Anthropic (fundada en 2021 por exmiembros de OpenAI, entre ellos Dario y Daniela Amodei) desarrolló Constitutional AI (Bai et al., 2022): en lugar de depender solo de miles de evaluaciones humanas para la parte de inocuidad, el modelo critica y revisa sus propias respuestas guiándose por una lista explícita de principios (una "constitución"), y esas revisiones alimentan el entrenamiento (RLAIF: refuerzo con feedback de IA). Es la técnica detrás de la familia Claude.

30 de noviembre de 2022: el momento iPhone¶

OpenAI publicó ChatGPT como "demo de investigación": GPT-3.5 con RLHF y una interfaz de chat. Lo que pasó después no tiene precedente en la historia del software: un millón de usuarios en 5 días y, según estimaciones ampliamente citadas, unos 100 millones de usuarios mensuales en unos dos meses — la adopción de consumo más rápida registrada hasta entonces.

¿Por qué "momento iPhone"? Porque, igual que el iPhone en 2007, no inventó la tecnología subyacente: la hizo tangible. GPT-3 llevaba dos años disponible por API y solo lo conocían los desarrolladores; ChatGPT puso una caja de texto delante de toda la humanidad. La capacidad ya existía; la interfaz creó la revolución. De la noche a la mañana, "IA generativa" pasó de término técnico a tema de sobremesa, los consejos de administración de todo el planeta exigieron "una estrategia de IA", y Google declaró estado de emergencia interno.

La carrera 2023–2024¶

Cronología de trazo grueso (los detalles finos cambian rápido; el patrón es lo que importa):

2023: GPT-4 (OpenAI) eleva el listón de razonamiento y admite imágenes como entrada. Anthropic lanza la familia Claude (con contextos largos como seña de identidad temprana y un posicionamiento explícito en seguridad). Google lanza Bard y luego consolida la familia Gemini, multimodal desde el diseño. Microsoft integra GPT-4 en Bing y en Office (Copilot); la IA generativa aterriza en las herramientas de oficina de cientos de millones de personas.
Meta y el open source: Llama (febrero de 2023) se filtra en semanas y, con Llama 2 (julio de 2023, licencia permisiva para casi todos los usos), Meta convierte los pesos abiertos en estrategia corporativa. Florece un ecosistema entero: Mistral (Francia), Qwen (Alibaba), y multitud de modelos afinados por la comunidad sobre estas bases. El debate "pesos abiertos vs. cerrados" —seguridad, soberanía tecnológica, comoditización— se vuelve estructural en la industria y en la regulación.
Multimodalidad: los modelos dejan de ser solo de texto — ven imágenes, oyen y hablan (voz en tiempo real), y la generación de imagen (la línea DALL-E, Midjourney, Stable Diffusion — esta última de pesos abiertos, 2022) y de vídeo madura a velocidad de vértigo. La frontera texto/imagen/audio se disuelve: un "LLM" de 2024 es en realidad un modelo multimodal.
El contexto se dispara: de los ~4.000 tokens típicos de 2022 a ventanas de cientos de miles y hasta un millón de tokens anunciadas en 2023–2024 — documentos enteros, bases de código completas, horas de transcripción en un solo prompt.
Regulación: la UE aprueba el AI Act (2024), primer marco regulatorio integral de IA del mundo, con obligaciones escalonadas por nivel de riesgo. La conformidad regulatoria entra en la descripción de tu puesto.

Caso empresarial

El patrón de adopción corporativa 2023–2024 fue notablemente uniforme: (1) pánico/euforia del consejo tras probar ChatGPT; (2) prohibición inicial por miedo a fugas de datos (varios bancos y grandes tecnológicas restringieron su uso interno); (3) pilotos con datos controlados, típicamente un chatbot interno sobre documentación (RAG); (4) descubrimiento de que la demo era lo fácil y la evaluación, la seguridad y la integración eran lo difícil; (5) consolidación en pocos casos de uso con ROI medible: soporte, generación de código, búsqueda interna, marketing. Si esta escalera te recuerda a la de los sistemas expertos de los 80, es porque es la misma — con mejores modelos.

¿Qué se aprendió?¶

La interfaz es parte de la tecnología: el mismo modelo, con chat + RLHF, cambió el mundo; sin ellos, era una curiosidad de API. La adopción depende de la fricción, no solo de la capacidad.
La alineación es ingeniería de producto, no solo ética: RLHF hizo el modelo utilizable. Un modelo capaz pero no alineado con la intención del usuario es un mal producto.
Los LLMs traen defectos estructurales que la industria aprendió a nombrar y mitigar (no a eliminar): alucinaciones (generación fluida de falsedades), sesgos heredados de los datos, inyección de prompts, conocimiento congelado en la fecha de corte.
El open source acelera y comoditiza: lo que en 2022 costaba millones y era secreto, en 2024 se descargaba de Hugging Face. Planifica asumiendo que la capacidad de frontera de hoy es la commodity de dentro de 18–24 meses.

¿Por qué importa hoy?¶

RLHF y sus variantes (DPO y compañía) explican el "carácter" de los modelos con los que trabajas: por qué se niegan a ciertas cosas, por qué tienden a la complacencia (sycophancy), por qué responden con listas y tono servicial. Cuando un modelo te frustre, recuerda: estás hablando con el resultado de un proceso de optimización de preferencias — y el prompting eficaz consiste en trabajar con ese carácter, no contra él.
La elección abierto-vs-API es tu decisión arquitectónica recurrente: costo por token vs. costo de infraestructura propia, privacidad de datos, latencia, control de versiones del modelo. Nació en 2023 y te acompañará toda la carrera.
Las alucinaciones definen tu trabajo: gran parte de la ingeniería de IA aplicada (RAG, grounding, citas de fuentes, verificación, evals) existe para gestionar este defecto estructural. Quien promete eliminarlas del todo, vende humo; quien sabe reducirlas y detectarlas, cobra bien.
El caso empresarial de arriba es tu mapa cuando entres en una organización: sabrás en qué peldaño de la escalera está y qué viene después.

11. La era de los agentes y el razonamiento (2024–2026)¶

Nota

Esta sección describe la actualidad en el momento de escribir (julio de 2026). A diferencia de las eras anteriores, aquí no hay veredicto histórico: describimos tendencias en marcha, con la prudencia que este mismo capítulo recomienda. Evitamos cifras de mercado deliberadamente — caducan en meses.

Tendencia 1: modelos de razonamiento (test-time compute)¶

Hacia finales de 2024 se consolidó un giro conceptual: además de escalar el entrenamiento (más parámetros, más datos), escalar el cómputo en el momento de la inferencia — permitir que el modelo "piense antes de responder", generando cadenas de razonamiento internas, explorando alternativas y verificándose, a cambio de más tiempo y costo por respuesta.

La intuición viene de la psicología (el "sistema 1 / sistema 2" popularizado por Kahneman): los LLM clásicos responden "de instinto" (sistema 1); los modelos de razonamiento deliberan (sistema 2). Los resultados en matemáticas, ciencia y programación competitiva mejoraron de forma notable respecto a los modelos instantáneos, y todos los grandes laboratorios adoptaron el enfoque en 2025, a menudo con presupuestos de razonamiento ajustables: el mismo modelo puede responder rápido y barato o lento y profundo, según lo que pida el problema.

Nota histórica: es la síntesis de los dos linajes que has visto en este capítulo — la búsqueda deliberativa de Newell, Simon y AlphaGo, montada sobre la intuición aprendida de las redes neuronales. Ochenta años de historia dándose la mano.

Tendencia 2: agentes con herramientas¶

Un agente es un LLM puesto en un bucle con capacidad de actuar:

flowchart TD
    O["Objetivo del usuario<br/>('resuelve este ticket', 'investiga X',<br/>'arregla este bug')"] --> P["LLM razona:<br/>¿cuál es el siguiente paso?"]
    P --> D{"¿Necesito<br/>actuar?"}
    D -->|"sí"|T["Llama a una herramienta:<br/>buscar, leer archivo, ejecutar código,<br/>consultar API, escribir, navegar"]
    T --> R["Observa el resultado<br/>(salida, error, datos)"]
    R --> P
    D -->|"objetivo cumplido<br/>o imposible"|F["Respuesta final<br/>+ registro de lo hecho"]

Si este bucle percibir → razonar → actuar → observar te suena, es porque es Shakey (1966) con un LLM como cerebro. La diferencia es que ahora el eslabón de razonamiento entiende lenguaje, código y contexto del mundo real lo bastante bien como para que el bucle sea útil fuera del laboratorio.

Manifestaciones principales del periodo 2024–2026:

Coding agents: de autocompletar líneas (Copilot, 2021) a completar tareas: herramientas como Claude Code y equivalentes reciben un objetivo ("arregla este bug", "añade este endpoint con tests"), exploran el repositorio, editan múltiples archivos, ejecutan los tests, leen los errores y corrigen — con el humano como revisor. El desarrollo de software se consolidó como el caso de uso agéntico más maduro, probablemente porque el código ofrece lo que a otros dominios les falta: verificación automática (compila o no, los tests pasan o no).
Computer use: modelos que operan interfaces gráficas como un humano — miran la pantalla (capturas), mueven el cursor, clican y teclean. Anthropic lo introdujo públicamente a finales de 2024 y la industria siguió. En 2026 sigue madurando: prometedor y en mejora continua, aún no infalible — recuerda la paradoja de Moravec: manejar interfaces pensadas para humanos es más difícil de lo que parece.
Investigación y trabajo de oficina agéntico: agentes que investigan un tema en múltiples fuentes y sintetizan informes, gestionan flujos de datos entre aplicaciones, o encadenan pasos de procesos administrativos.

Tendencia 3: MCP — el estándar de conexión de herramientas¶

Un agente vale lo que valen sus herramientas, y conectar cada modelo con cada sistema (archivos, bases de datos, CRMs, navegadores...) mediante integraciones ad hoc producía una explosión M×N de conectores. La respuesta fue el Model Context Protocol (MCP), publicado como estándar abierto por Anthropic a finales de 2024 y adoptado de forma amplia por la industria durante 2025 — incluidos los principales laboratorios y plataformas rivales, señal de que la necesidad era real.

La analogía canónica: MCP es el "USB-C de la IA". Define un protocolo común para que cualquier aplicación exponga herramientas (acciones ejecutables), recursos (datos legibles) y prompts (plantillas) a cualquier modelo compatible. Escribes un servidor MCP para tu sistema una vez, y cualquier agente compatible puede usarlo. El patrón histórico es conocido: los estándares abiertos de interconexión (TCP/IP, HTTP, USB) convierten colecciones de productos en ecosistemas — y desplazan el valor desde el conector hacia lo que se conecta.

¿Qué significa para tu carrera?¶

Esta era redefine el perfil profesional que estás construyendo en esta academia:

De entrenar modelos a orquestar sistemas: la mayoría de los puestos de AI Engineer no entrenan modelos desde cero — diseñan sistemas alrededor de modelos: agentes, herramientas, RAG, memoria, guardrails. Es ingeniería de sistemas con componentes probabilísticos.
La evaluación es la competencia reina: con agentes que actúan (no solo responden), evaluar comportamiento —trayectorias completas, no respuestas sueltas— es lo más difícil y lo más demandado. Quien sabe medir, manda. Este tema recibe módulo propio más adelante.
La fiabilidad es el producto: un agente que acierta el 90 % de las veces en tareas de 10 pasos falla casi siempre en el conjunto (0,9¹⁰ ≈ 35 % de éxito total). Gran parte del trabajo real de 2025–2026 es ingeniería de fiabilidad: puntos de control, verificación, reintentos, intervención humana en los pasos críticos.
La seguridad se volvió operativa: inyección de prompts a través de herramientas, permisos de agentes, aislamiento de entornos (sandboxing), auditoría de acciones. Un agente con acceso a tu correo y a un navegador es una superficie de ataque nueva; alguien tiene que diseñar sus límites — probablemente tú.
Tu propia productividad cambió de escala: los coding agents no eliminan al ingeniero; desplazan su trabajo hacia arriba — especificar bien, revisar con criterio, diseñar arquitecturas, decidir qué merece construirse. Los fundamentos (este módulo) valen más que nunca, porque son lo que el agente no puede decidir por ti.

Advertencia

Aplica a esta era el mismo escepticismo que este capítulo te ha enseñado para las anteriores. "Agente" es en 2026 lo que "sistema experto" fue en 1985: una etiqueta técnica real y también una palabra de moda que el marketing estampa en cualquier cosa. Cuando alguien te venda "agentes autónomos", pregunta: ¿qué herramientas usa?, ¿cómo se verifica cada paso?, ¿qué pasa cuando falla?, ¿cuál es la tasa de éxito medida de extremo a extremo, en tareas reales? Las respuestas separan la ingeniería del humo.

12. Lecciones de la historia¶

El patrón maestro: hype → invierno → avance real¶

Si comprimes 80 años en una sola tabla, obtienes esto:

Ciclo	Promesa inflada	Detonante del desencanto	Invierno	Avance real que germinó mientras tanto
1ª ola (1956–1974)	"Inteligencia humana en una generación" (Simon, Minsky)	Informe Lighthill (1973), ALPAC (1966), límites del perceptrón (1969)	1974–1980	Backprop embrionario (Werbos, 1974), planificación (STRIPS), A*
2ª ola (1980–1987)	"Captura el conocimiento de tus expertos en reglas"	Costo de mantenimiento de reglas, colapso del hardware LISP (1987), fin de la 5ª Generación	1987–1993	Backprop publicado (1986), CNN de LeCun (1989), redes bayesianas (Pearl, 1988)
3ª ola (1993–2011)	"Big data resolverá todo" (versión moderada — este ciclo fue más humilde)	Sin invierno propiamente dicho: decepción localizada (Watson en salud)	—	GPUs+CUDA (2007), ImageNet (2009), deep learning renaciendo (2006)
4ª ola (2012–hoy)	"AGI en unos años", agentes que lo harán todo	Por determinar — el capítulo aún se está escribiendo	¿?	Por determinar — quizá lo que hoy parece secundario

Observa las regularidades:

El hype siempre tiene un núcleo real: los sistemas expertos ahorraban millones de verdad; los LLMs escriben código de verdad. El error nunca es creer que la tecnología funciona — es extrapolar linealmente su mejora y subestimar los costos de despliegue, mantenimiento y los casos límite.
El detonante del invierno es económico, no técnico: la tecnología no empeora de repente; lo que se agota es la paciencia del capital cuando los costos reales superan al valor entregado.
La semilla de la ola siguiente germina durante el invierno anterior, en los márgenes, financiada por instituciones pacientes (CIFAR y los "conspiradores del deep learning" son el ejemplo canónico).
Cada ola conserva algo permanente: de la 1ª quedaron la búsqueda y los lenguajes; de la 2ª, la separación conocimiento/inferencia y la explicabilidad; de la 3ª, la cultura de benchmarks y el ML estadístico; de la 4ª quedará —como mínimo— la interfaz de lenguaje natural con las máquinas.

¿Qué predice esto para el futuro?¶

Con la prudencia debida (este capítulo te ha enseñado que las predicciones expertas en IA fallan en ambas direcciones), el patrón histórico sugiere:

Habrá corrección de expectativas en algo: alguna promesa del ciclo actual (¿agentes plenamente autónomos?, ¿AGI inminente?) tardará más de lo anunciado, y el mercado castigará el retraso. No sabemos cuál ni cuándo — sabemos que el patrón existe desde 1958.
El valor real sobrevivirá a cualquier corrección: como las CNN leyendo cheques durante el segundo invierno, los casos de uso con ROI medible (código, soporte, búsqueda, documentos) seguirán operando pase lo que pase con el sentimiento inversor.
La próxima ola ya está germinando donde no miramos: si la historia rima, el paradigma dominante de 2035 existe hoy como línea de investigación minoritaria que parece poco práctica. Candidatos se postulan muchos (nuevas arquitecturas más eficientes que el Transformer, modelos del mundo, neurosimbólico, hardware neuromórfico); la historia recomienda humildad sobre cuál.
Apuesta por lo que no cambia: en todos los ciclos, ganaron los que dominaban fundamentos (matemáticas, datos, evaluación, ingeniería de sistemas) y perdieron los que solo dominaban la herramienta de moda.

La Bitter Lesson de Rich Sutton¶

En 2019, Rich Sutton —pionero del aprendizaje por refuerzo— condensó 70 años de historia de la IA en un ensayo breve y polémico: "The Bitter Lesson" (la lección amarga). Su tesis:

Los métodos generales que aprovechan el cómputo masivo (búsqueda y aprendizaje) terminan venciendo, con margen amplio, a los métodos que incorporan conocimiento humano diseñado a mano — y esto ha ocurrido una y otra vez, para frustración de los investigadores que dedicaron carreras a codificar ese conocimiento.

Las pruebas que aporta la propia historia que acabas de leer:

Dominio	Enfoque "con conocimiento humano"	Enfoque "cómputo + generalidad" que ganó
Ajedrez	Programar estrategia y conceptos de maestros	Búsqueda masiva por fuerza bruta (Deep Blue, 1997)
Go	Codificar intuición posicional experta	Autoaprendizaje por refuerzo + búsqueda (AlphaGo Zero, 2017 — sin datos humanos)
Visión	Características diseñadas a mano (SIFT, HOG, bordes)	CNNs que aprenden las características de los datos (AlexNet, 2012)
Voz	Modelos fonéticos y lingüísticos artesanales	Redes entrenadas de extremo a extremo sobre audio masivo
Lenguaje	Gramáticas, sintaxis, ontologías, reglas	Predecir el siguiente token sobre todo el texto de internet (GPT, 2018–)

¿Por qué es "amarga"? Porque hiere el orgullo: nos gusta creer que nuestro conocimiento del dominio es la clave, y la historia repite que un método tonto y general, montado sobre una curva exponencial de cómputo, acaba superando nuestra artesanía. El conocimiento humano incrustado da ventaja a corto plazo y techo a largo plazo: lo que codificas a mano no mejora cuando el cómputo se abarata; lo que se aprende, sí.

Matices importantes (la lección bien entendida, no la caricatura):

No dice "el conocimiento humano es inútil": dice que no debe incrustarse rígidamente en el sistema. Diseñar el dataset, la tarea de entrenamiento y la evaluación es conocimiento humano — aplicado en el nivel correcto (meta-nivel, no reglas).
Depende de que el cómputo siga abaratándose y de que exista señal de aprendizaje (datos o entorno verificable). Donde no hay datos ni verificador, la artesanía sigue mandando.
A escala de tu proyecto (presupuesto fijo, deadline el viernes), las reglas y heurísticas están perfectamente bien. La Bitter Lesson opera a escala de paradigmas y décadas.

Consejo profesional

Traducción operativa de la Bitter Lesson para tu día a día: cuando diseñes un sistema, pregúntate "¿esta lógica que estoy escribiendo a mano podría reemplazarse por un modelo mejor + más contexto + mejor evaluación dentro de un año?". Si la respuesta es sí, encapsúlala detrás de una interfaz para poder sustituirla sin dolor, y no inviertas tu identidad profesional en ella. Construye tus sistemas de forma que mejoren automáticamente cuando los modelos mejoren — esa es la arquitectura que envejece bien en una industria montada sobre curvas exponenciales.

El ciclo del hype, visualizado¶

flowchart LR
    A["Avance técnico real<br/>(perceptrón, XCON,<br/>AlexNet, ChatGPT)"] --> B["Demos espectaculares<br/>+ titulares"]
    B --> C["Euforia inversora<br/>promesas de plazos<br/>imposibles"]
    C --> D["Despliegue real:<br/>aparecen costos ocultos,<br/>casos límite, mantenimiento"]
    D --> E{"¿Valor entregado ≥<br/>expectativas creadas?"}
    E -->|"no"|F["Invierno / corrección:<br/>recortes, descrédito,<br/>éxodo de la etiqueta"]
    E -->|"sí"|G["Tecnología invisible:<br/>deja de llamarse IA<br/>y se llama software"]
    F --> H["Trabajo silencioso<br/>en los márgenes<br/>(backprop 1986, CNN 1989)"]
    H --> A
    G --> A

Buenas prácticas: cómo evaluar el hype de nuevas tecnologías¶

Checklist profesional, destilado de 80 años de historia, para cuando aparezca "la próxima revolución":

Aplica el triángulo datos-cómputo-algoritmos. ¿Qué cambió realmente en cada vértice? Si nada cambió en ninguno, sospecha que es marketing sobre tecnología existente.
Separa la demo del despliegue. Pregunta siempre: ¿funciona fuera del micro-mundo? (lección SHRDLU), ¿quién paga el mantenimiento a 3 años? (lección XCON), ¿qué pasa con los casos límite y quién responde legalmente? (lección MYCIN).
Exige métricas de extremo a extremo, no de paso individual. Un 95 % por paso es un desastre en tareas de 20 pasos. Pide tasas de éxito en tareas completas, con datos reales, medidas por alguien sin incentivo de venta.
Distingue límite de arquitectura vs. límite de paradigma. Que X no pueda hacer Y hoy (perceptrón/XOR) no condena a toda la familia de X. Y viceversa: que el paradigma escale no garantiza que esta implementación sirva para tu problema.
Sigue el dinero y el hardware. Los ciclos de la IA son ciclos de capital y de cómputo. ¿La economía unitaria cierra (costo por consulta vs. valor por consulta)? ¿Depende de hardware/subvenciones que pueden desaparecer? (lección máquinas LISP).
Busca el verificador. Las aplicaciones despegan antes donde el resultado se puede comprobar automáticamente (código con tests, matemáticas). Si el dominio no tiene verificación barata, descuenta años, no meses.
Espera 6–12 meses en tecnología no diferencial. El costo de ser pionero en infraestructura ajena a tu núcleo de negocio suele superar el beneficio; la capacidad de frontera se comoditiza rápido (lección Llama). Sé pionero solo donde te diferencia.
Pregunta qué opinan los que no venden. Lighthill era externo al campo — por eso vio lo que los insiders no querían ver. Busca siempre la evaluación de quien no tiene la nómina ligada a la respuesta.

Errores comunes¶

"Esta vez es diferente, no habrá corrección." Se dijo en 1965, 1985 y se dice hoy. Puede que sea cierto — pero la carga de la prueba la tiene quien lo afirma, y tu arquitectura debería sobrevivir a que no lo sea.
"Los inviernos demuestran que la IA era humo." Falso simétrico del anterior: durante los inviernos se inventó backprop, las CNN y las redes bayesianas. Los inviernos congelan la financiación, no el progreso.
Confundir fluidez con comprensión (efecto ELIZA). Error de 1966 y de 2026: asumir que el sistema "sabe" porque respondió con seguridad. Evalúa comportamiento medido, no impresiones de demo.
Reconstruir XCON con prompts. Acumular cientos de reglas manuales (en prompts, en post-procesado, en cadenas de if) para parchear un sistema de IA. El mantenimiento de reglas no escaló en 1987 y no escala hoy: invierte en datos, evals y aprendizaje.
Ignorar la Bitter Lesson... o aplicarla como dogma. Ambos extremos son errores: incrustar tu ontología artesanal en el núcleo del sistema, o negarte a usar una heurística simple que resuelve el problema del viernes. Nivel correcto: heurísticas encapsuladas y reemplazables, conocimiento humano en el diseño de datos y evaluación.
Anclar la carrera a una herramienta en lugar de a fundamentos. Los expertos en máquinas LISP se quedaron sin industria en 1987 en cuestión de meses. Los expertos en "resolver problemas con lo que haya" siguen trabajando desde 1956.
Citar cifras y fechas de memoria sin verificar. Este campo genera mitología a gran velocidad (fechas bailadas, cifras infladas, citas apócrifas — algunas de las "predicciones famosas" circulan con variantes). Ve a las fuentes primarias; están en la bibliografía.
Creer que la barrera es el modelo. Desde MYCIN (1976) hasta hoy, los proyectos de IA mueren por integración, confianza, responsabilidad y flujo de trabajo — no por falta de capacidad del modelo. Presupuesta en consecuencia.

Preguntas frecuentes (FAQ)¶

1. ¿Quién inventó la inteligencia artificial? Nadie en solitario. El término lo acuñó John McCarthy en 1955–56 (conferencia de Dartmouth); los fundamentos teóricos vienen de Turing (computabilidad, test de Turing, 1936–1950) y de McCulloch y Pitts (neurona formal, 1943); el primer programa funcional fue el Logic Theorist de Newell y Simon (1956). La IA es una construcción colectiva de varias tradiciones (lógica, neurociencia, estadística, ingeniería).

2. ¿Pasó algún sistema el test de Turing? Depende de la rigurosidad. Hubo anuncios mediáticos con chatbots de truco (como Eugene Goostman en 2014, jugando con la excusa de ser un niño extranjero) que la comunidad no aceptó. Los LLMs modernos superan versiones controladas del juego de imitación en estudios recientes con interrogadores no expertos y tiempo limitado. La conclusión más aceptada: el test dice más sobre la credulidad del interrogador que sobre la inteligencia de la máquina, y el campo lo sustituyó hace tiempo por baterías de evaluaciones específicas.

3. ¿Por qué las redes neuronales tardaron 60 años en triunfar si existían desde 1943/1958? Porque les faltaban dos de los tres ingredientes del triángulo: datos masivos (llegaron con internet, ~2000s) y cómputo paralelo barato (llegó con las GPU/CUDA, 2007). El vértice algorítmico (backprop, 1986; ReLU y dropout, ~2010–2012) completó la convergencia en 2012 con AlexNet. Además sufrieron dos golpes de credibilidad (Minsky-Papert 1969, auge de las SVM ~2000) que redujeron su financiación durante décadas.

4. ¿Habrá un tercer invierno de la IA? Nadie lo sabe — y este capítulo te enseña a desconfiar de quien afirme saberlo. A favor de un enfriamiento: inversión histórica que exige retornos, promesas de autonomía aún no cumplidas del todo, costos de cómputo enormes. En contra: a diferencia de 1974 y 1987, la IA actual genera ingresos reales masivos y está integrada en productos usados por miles de millones de personas. El escenario intermedio más citado: correcciones sectoriales (algunas aplicaciones y empresas caerán) sin congelación total, porque el valor de base es real.

5. ¿Qué diferencia hay entre la IA simbólica y el machine learning? La IA simbólica (dominante 1956–1990) representa el conocimiento explícitamente —reglas, lógica, símbolos escritos por humanos— y razona sobre él (ejemplos: Logic Theorist, MYCIN, XCON). El machine learning (dominante desde ~1993) aprende el conocimiento implícitamente a partir de datos, ajustando parámetros numéricos (ejemplos: SVMs, redes neuronales, LLMs). Hoy conviven: los guardrails y flujos de un sistema agéntico son a menudo simbólicos alrededor de un núcleo aprendido, y la investigación "neurosimbólica" explora integraciones más profundas.

6. ¿Los LLMs "entienden" de verdad o son un ELIZA gigante? Es la pregunta filosófica abierta del momento, y las posturas serias van desde "es estadística sofisticada sin comprensión" (el argumento de los "loros estocásticos") hasta "la comprensión ES el tipo de modelado predictivo que hacen". Diferencias objetivas con ELIZA: los LLM generalizan a tareas nunca vistas, manipulan abstracciones, corrigen su razonamiento y aprenden del contexto — nada de lo cual hacía la coincidencia de patrones de 1966. Como ingeniero, la posición práctica es la de Turing: evalúa capacidades y fallos medibles y diseña para ambos; el debate metafísico no cambia tu arquitectura.

7. ¿Por qué el Transformer desplazó tan rápido a las redes recurrentes? Por escalabilidad, no (solo) por calidad: al procesar todos los tokens en paralelo, el Transformer aprovecha las GPUs al máximo y permite entrenar con órdenes de magnitud más datos en el mismo tiempo. Además, la atención maneja dependencias a larga distancia mejor que la memoria comprimida de una RNN. En cuanto las scaling laws (2020) mostraron que "más grande + más datos = predeciblemente mejor", la arquitectura más escalable ganó por goleada — un caso de manual de la Bitter Lesson.

8. ¿Qué debería estudiar de la historia si mi trabajo es construir sistemas hoy? Prioriza: (1) el triángulo datos-cómputo-algoritmos como marco de análisis; (2) el caso XCON y por qué el mantenimiento de reglas no escala; (3) el efecto ELIZA para diseñar producto; (4) las scaling laws para entender el mercado; (5) RLHF para entender el comportamiento de los modelos; (6) la Bitter Lesson para decidir qué construir a mano y qué delegar al aprendizaje. Son seis ideas que se amortizan cada semana de trabajo.

9. ¿MCP y los agentes son hype o quedarán? Aplica el checklist de buenas prácticas: los estándares de interconexión con adopción multi-vendedor real (como la que MCP logró en 2025) históricamente perduran (TCP/IP, HTTP, USB) aunque evolucionen. Los "agentes" como categoría de marketing sufrirán la criba habitual; el patrón técnico subyacente (LLM + herramientas + bucle + verificación) resuelve problemas reales y tiene ya despliegues con valor medible, especialmente en código. Predicción prudente: el patrón queda, muchas empresas de la ola no.

10. ¿Dónde puedo leer las fuentes primarias sin perderme? Empieza por los tres textos cortos y legibles: Turing (1950), la propuesta de Dartmouth (1955) y la Bitter Lesson de Sutton (2019) — los tres están enlazados abajo y se leen en una tarde. Después, el paper del Transformer (2017) y el de InstructGPT (2022) con este capítulo como mapa. Los libros de la bibliografía cubren el resto con rigor histórico.

Resumen del capítulo¶

La IA nace de la convergencia de computación, lógica y neurociencia en los años 40: McCulloch y Pitts (1943) modelan la neurona como unidad lógica y Turing (1950) propone juzgar la inteligencia por el comportamiento (test de Turing).
Dartmouth (1956) funda la disciplina y el nombre; la primera edad dorada produce demos históricas (Logic Theorist, ELIZA, Shakey, perceptrón) y promesas imposibles, que el informe Lighthill y los límites del perceptrón (XOR, Minsky y Papert) convierten en el primer invierno (1974–1980).
Los sistemas expertos (MYCIN, XCON) crean la primera industria de la IA y colapsan por el costo de mantener miles de reglas a mano — la lección arquitectónica más reutilizable del capítulo: el mantenimiento de reglas no escala. Sigue el segundo invierno (1987–1993), durante el cual germinan backprop, las CNN y las redes bayesianas.
El renacimiento estadístico (1993–2011) cambia reglas por datos: SVMs, benchmarks, Deep Blue (1997), Watson (2011), y las tres piezas del futuro se colocan en silencio: CUDA (2007), ImageNet (2009), deep learning (2006).
AlexNet (2012) detona la revolución al converger datos + GPU + algoritmos; word2vec, seq2seq y AlphaGo extienden el paradigma; el Transformer (2017) aporta la arquitectura escalable y las scaling laws (2020) la hoja de ruta industrial.
RLHF convierte el modelo erudito en asistente útil y ChatGPT (2022) lo pone delante de la humanidad — el "momento iPhone". Siguen la carrera de los LLMs (Claude, Gemini, Llama y el open source) y la multimodalidad.
2024–2026: modelos de razonamiento (más cómputo al pensar), agentes con herramientas (el bucle de Shakey con cerebro LLM), MCP como estándar de conexión, y el desarrollo de software como primer dominio agéntico maduro. Tu profesión se desplaza hacia orquestación, evaluación y fiabilidad.
El patrón maestro de 80 años: hype → invierno → avance real, con la semilla de cada ola germinando en el invierno anterior. La Bitter Lesson de Sutton lo explica: los métodos generales que escalan con el cómputo vencen al conocimiento incrustado a mano. Construye sistemas que mejoren cuando los modelos mejoren, y una carrera anclada en fundamentos, no en herramientas de moda.

Bibliografía y lecturas recomendadas¶

Fuentes primarias (papers históricos)¶

McCulloch, W. S. y Pitts, W. (1943). A Logical Calculus of the Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biophysics. — PDF (springer)
Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236). — Texto completo (Oxford Academic)
McCarthy, J., Minsky, M., Rochester, N. y Shannon, C. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. — Texto (Stanford)
Rosenblatt, F. (1958). The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psychological Review, 65(6).
Weizenbaum, J. (1966). ELIZA — A Computer Program for the Study of Natural Language Communication Between Man and Machine. Communications of the ACM. — ACM DL
Lighthill, J. (1973). Artificial Intelligence: A General Survey. Science Research Council (Reino Unido).
Rumelhart, D. E., Hinton, G. E. y Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323. — Nature
Krizhevsky, A., Sutskever, I. y Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks (AlexNet). NeurIPS. — PDF (NeurIPS)
Mikolov, T. et al. (2013). Efficient Estimation of Word Representations in Vector Space (word2vec). — arXiv:1301.3781
Sutskever, I., Vinyals, O. y Le, Q. V. (2014). Sequence to Sequence Learning with Neural Networks. — arXiv:1409.3215
Bahdanau, D., Cho, K. y Bengio, Y. (2014). Neural Machine Translation by Jointly Learning to Align and Translate (atención). — arXiv:1409.0473
Silver, D. et al. (2016). Mastering the game of Go with deep neural networks and tree search (AlphaGo). Nature, 529. — Nature
Vaswani, A. et al. (2017). Attention Is All You Need (Transformer). NeurIPS. — arXiv:1706.03762
Devlin, J. et al. (2018). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. — arXiv:1810.04805
Brown, T. et al. (2020). Language Models are Few-Shot Learners (GPT-3). — arXiv:2005.14165
Kaplan, J. et al. (2020). Scaling Laws for Neural Language Models. — arXiv:2001.08361
Chen, M. et al. (2021). Evaluating Large Language Models Trained on Code (Codex). — arXiv:2107.03374
Ouyang, L. et al. (2022). Training language models to follow instructions with human feedback (InstructGPT/RLHF). — arXiv:2203.02155
Hoffmann, J. et al. (2022). Training Compute-Optimal Large Language Models (Chinchilla). — arXiv:2203.15556
Bai, Y. et al. (2022). Constitutional AI: Harmlessness from AI Feedback. — arXiv:2212.08073

Ensayos y documentos clave¶

Sutton, R. (2019). The Bitter Lesson. — incompleteideas.net
Halevy, A., Norvig, P. y Pereira, F. (2009). The Unreasonable Effectiveness of Data. IEEE Intelligent Systems.
Model Context Protocol — especificación y documentación del estándar abierto. — modelcontextprotocol.io

Libros¶

Russell, S. y Norvig, P. Artificial Intelligence: A Modern Approach (4ª ed., 2020). El manual de referencia del campo; su capítulo 1 es una historia excelente. — aima.cs.berkeley.edu
Nilsson, N. The Quest for Artificial Intelligence: A History of Ideas and Achievements (2010). Historia técnica escrita por un protagonista (líder del proyecto Shakey). — Versión gratuita del autor (Stanford)
McCorduck, P. Machines Who Think (2ª ed., 2004). La mejor historia narrativa de la primera mitad del campo, con entrevistas a los fundadores.
Weizenbaum, J. Computer Power and Human Reason (1976). La reflexión ética del creador de ELIZA — más vigente que nunca.
Mitchell, M. Artificial Intelligence: A Guide for Thinking Humans (2019). Panorama crítico y accesible, ideal como contrapeso al hype.
Metz, C. Genius Makers (2021). Crónica periodística del renacimiento del deep learning y sus protagonistas (Hinton, LeCun, etc.).

Nota

Todos los enlaces se verificaron en el momento de redacción (julio de 2026). Los papers de arXiv son de acceso gratuito; algunos artículos históricos pueden requerir acceso institucional, aunque casi todos circulan en versiones abiertas fáciles de localizar.

Navegación¶

Anterior	Módulo	Siguiente
Capítulo 1: ¿Qué es la IA?	01-FUNDAMENTOS	Capítulo 3: Matemáticas para IA