El inicio de todo

En 2012, una red neuronal llamada AlexNet ganó una competencia de reconocimiento de imágenes por un margen que nadie esperaba. No fue solo una mejora incremental — fue un salto. El tipo de salto que hace que la gente levante la cabeza y pregunte: ¿qué acaba de pasar?

Lo que pasó fue que tres ingredientes convergieron al mismo tiempo: datos masivos (ImageNet tenía millones de imágenes etiquetadas a mano), poder de cómputo (las GPUs de gaming resultaron perfectas para multiplicar matrices) y un algoritmo que llevaba décadas esperando su momento (las redes neuronales profundas).

"Llevamos 30 años trabajando en esto. La diferencia es que ahora tenemos los datos y el hardware para que funcione." — Geoffrey Hinton, 2012

Pero el inicio real no fue en 2012. Para entender la carrera actual hay que ir más atrás, a los años 50, cuando un grupo de investigadores se reunió en Dartmouth con una idea ambiciosa: crear una máquina que pudiera pensar.

La propuesta de Dartmouth, escrita por John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon, es uno de los documentos más optimistas de la historia de la ciencia. Estimaban que un verano de trabajo sería suficiente para hacer avances significativos en el problema de la inteligencia artificial. Tardaron décadas.

Lo que siguió fueron dos "inviernos de la IA" — períodos donde el financiamiento se secó, los resultados no aparecieron y la comunidad perdió credibilidad. El primero ocurrió en los años 70, cuando las promesas iniciales no se cumplieron. El segundo en los años 90, cuando los sistemas expertos — la gran apuesta de los 80 — mostraron sus limitaciones.

Cada invierno dejó una lección. La primera: la inteligencia no se puede programar con reglas escritas a mano. La segunda: los datos importan tanto como los algoritmos. La tercera, la más importante: la paciencia es un recurso escaso en tecnología, y las ideas correctas a menudo llegan décadas antes que la infraestructura para ejecutarlas.