Cuando alguien pregunta quién creó la inteligencia artificial, espera un nombre y una fecha, como cuando se habla de quién inventó el teléfono. La realidad es más interesante y más desordenada: la IA no nació de una sola mente ni en un solo día. Fue el resultado de siglos de preguntas filosóficas sobre el pensamiento, décadas de avances matemáticos y un puñado de científicos que, en un verano de 1956, se atrevieron a ponerle nombre a una disciplina que apenas empezaba a existir.

Aun así, hay figuras imposibles de ignorar. Alan Turing sentó las bases teóricas de lo que una máquina podía llegar a «pensar». John McCarthy acuñó el propio término «inteligencia artificial» y organizó el encuentro que fundó el campo. Y a su alrededor, un grupo de matemáticos, ingenieros y psicólogos fue construyendo, tropiezo a tropiezo, la tecnología que hoy conversa con nosotros en el teléfono.

En esta guía recorremos ese camino desde el principio: las ideas que anticiparon la IA mucho antes de que existieran las computadoras, los pioneros que le dieron forma, los momentos de euforia y de decepción, y cómo llegamos a los sistemas que usas hoy. No hace falta saber programar para entenderlo; solo tener curiosidad por saber de dónde viene todo esto.

Antes de las máquinas: las raíces de una idea antigua

La ambición de construir algo que piense por sí solo es muy anterior a la electrónica. Los mitos griegos ya imaginaban autómatas de bronce como Talos. En el siglo XVII, filósofos como Leibniz soñaban con un lenguaje universal capaz de resolver cualquier discusión mediante el cálculo. La idea de fondo era siempre la misma: si el razonamiento sigue reglas, quizá esas reglas puedan mecanizarse.

El salto decisivo llegó con la lógica formal del siglo XIX y principios del XX. Matemáticos como George Boole demostraron que el razonamiento lógico podía expresarse con álgebra, con unos y ceros, con verdadero y falso. Esa intuición —que el pensamiento puede reducirse a operaciones simbólicas— es el cimiento sobre el que después se levantaría toda la computación.

También fue clave el trabajo sobre las neuronas. En 1943, Warren McCulloch y Walter Pitts propusieron un modelo matemático de cómo podrían funcionar las neuronas del cerebro conectadas entre sí. Aquel paper, escrito antes de que existiera una sola computadora moderna, es el antepasado directo de las redes neuronales que hoy hacen funcionar a ChatGPT o a los generadores de imágenes.

Alan Turing: la pregunta que lo cambió todo

Si hay un nombre que aparece siempre en cualquier historia de la IA, es el del matemático británico Alan Turing. Su aporte fue doble. Por un lado, en 1936 describió una máquina teórica —la «máquina de Turing»— capaz de ejecutar cualquier cálculo mediante instrucciones. Ese concepto abstracto define lo que hoy entendemos por computadora.

Pero su contribución más citada en el terreno de la IA llegó en 1950, con un artículo titulado Computing Machinery and Intelligence. Ahí planteó una pregunta incómoda: ¿pueden pensar las máquinas? En lugar de perderse en definiciones filosóficas, propuso una prueba práctica. Si una persona conversa con una máquina y no logra distinguirla de un humano, ¿qué sentido tiene negar que «piensa»? Eso es lo que hoy conocemos como el test de Turing.

Turing murió en 1954, dos años antes de que el campo recibiera su nombre oficial. No llegó a ver ni una fracción de lo que su trabajo haría posible. Pero su planteamiento sigue vivo cada vez que alguien discute si un chatbot moderno realmente entiende lo que dice o solo lo simula muy bien.

1956: el verano en que nació la «inteligencia artificial»

El término exacto tiene fecha y lugar. En el verano de 1956, un grupo de investigadores se reunió en el Dartmouth College, en Estados Unidos, para un taller de varias semanas. La propuesta de aquel encuentro, redactada un año antes, usaba por primera vez la expresión «artificial intelligence». El autor de esa frase fue John McCarthy, un matemático que buscaba un nombre que no arrastrara connotaciones previas.

McCarthy no estaba solo. Junto a él impulsaron el taller Marvin Minsky, Nathaniel Rochester —ingeniero de IBM— y Claude Shannon, el padre de la teoría de la información. La apuesta del grupo era optimista hasta el atrevimiento: creían que cualquier aspecto del aprendizaje o la inteligencia podía describirse con suficiente precisión como para que una máquina lo imitara. Y pensaban que avances importantes estaban a la vuelta de la esquina.

Aquel encuentro se considera el acta de nacimiento del campo, aunque no produjo un invento concreto. Su valor fue distinto: reunió a las personas correctas, les dio un nombre común y convirtió una serie de investigaciones dispersas en una disciplina con identidad propia. A McCarthy se le suele llamar, con razón, «el padre de la inteligencia artificial», aunque él mismo habría matizado que fue un padre entre varios.

Los primeros programas y el optimismo desbordado

Los años que siguieron a Dartmouth fueron de entusiasmo. Aparecieron programas capaces de demostrar teoremas matemáticos, jugar a las damas o resolver problemas de lógica. En 1966, un programa llamado ELIZA, creado por Joseph Weizenbaum, imitaba a un psicoterapeuta devolviendo las frases del usuario en forma de pregunta. Era un truco relativamente simple, pero muchas personas se sintieron genuinamente comprendidas por él. Fue una primera lección sobre lo fácil que resulta atribuirle inteligencia a una máquina.

McCarthy, por su parte, creó en 1958 el lenguaje de programación Lisp, que durante décadas fue la herramienta favorita de los investigadores de IA. Frank Rosenblatt, en paralelo, desarrolló el perceptrón, un modelo temprano de red neuronal capaz de aprender a clasificar patrones sencillos. La prensa de la época hablaba de máquinas que pronto caminarían, hablarían y tendrían conciencia de sí mismas.

Ese optimismo terminó pasando factura. Las promesas eran enormes y los resultados, modestos. Las computadoras de entonces eran lentas y con poca memoria, y muchos problemas resultaron muchísimo más difíciles de lo previsto.

Los «inviernos de la IA»: cuando el dinero se enfrió

Cuando las expectativas no se cumplieron, llegó la resaca. A mediados de los años setenta, y otra vez a finales de los ochenta, los gobiernos y las empresas recortaron drásticamente la financiación. Estos períodos de desilusión se conocen como los «inviernos de la IA».

Un golpe importante fue un libro de 1969 en el que Marvin Minsky y Seymour Papert señalaron las limitaciones matemáticas del perceptrón. Su crítica, en parte justificada, frenó durante años la investigación en redes neuronales. Irónicamente, esa misma línea abandonada sería la que décadas después haría posible la IA moderna.

No todo fue parálisis. En los años ochenta tuvieron cierto éxito comercial los llamados sistemas expertos, programas que codificaban el conocimiento de especialistas humanos en forma de reglas «si esto, entonces aquello» para tareas como el diagnóstico técnico. Funcionaban en dominios acotados, pero eran costosos de mantener y frágiles fuera de su terreno. Su declive marcó el segundo invierno.

El giro hacia el aprendizaje automático

La IA cambió de estrategia. En lugar de intentar escribir a mano todas las reglas que definen la inteligencia, los investigadores apostaron por que las máquinas aprendieran a partir de datos. Ese enfoque es el aprendizaje automático o machine learning, y es el corazón de casi toda la IA que usamos hoy. Si te interesa entender cómo encaja cada pieza, esta explicación sobre qué es la inteligencia artificial y cómo funciona lo desarrolla desde cero.

Un momento simbólico llegó en 1997, cuando la computadora Deep Blue de IBM venció al campeón mundial de ajedrez Garri Kaspárov. No era inteligencia general: era fuerza de cálculo bruta aplicada a un juego con reglas claras. Pero demostró que en tareas bien definidas una máquina podía superar al mejor humano, y devolvió a la IA a los titulares.

En paralelo, técnicas como el algoritmo de retropropagación —una manera eficiente de entrenar redes neuronales, popularizada en los ochenta por Geoffrey Hinton y otros— fueron madurando en silencio, a la espera de dos ingredientes que aún faltaban: montañas de datos y computadoras mucho más potentes.

La era del aprendizaje profundo

Esos dos ingredientes llegaron en la década de 2010. Internet había generado cantidades gigantescas de imágenes, textos y videos, y las tarjetas gráficas (GPU), diseñadas originalmente para videojuegos, resultaron ideales para entrenar redes neuronales grandes. Nació así el aprendizaje profundo o deep learning.

El punto de inflexión suele situarse en 2012, cuando una red neuronal llamada AlexNet, del equipo de Geoffrey Hinton, ganó por amplio margen una competencia de reconocimiento de imágenes. A partir de ahí todo se aceleró. En 2016, el programa AlphaGo de DeepMind venció al campeón mundial de Go, un juego considerado demasiado intuitivo para las máquinas. Y en 2017, investigadores de Google publicaron la arquitectura Transformer, que se convirtió en la base de los modelos de lenguaje actuales.

Esa arquitectura es la que hizo posible sistemas como los modelos GPT, que dieron origen a herramientas como ChatGPT, cuyo lanzamiento a finales de 2022 puso la IA generativa en manos de cualquiera. De pronto, millones de personas podían pedirle a una máquina que escribiera, resumiera o programara. La disciplina fundada en Dartmouth había tardado más de sesenta años en llegar al gran público.

Los nombres detrás de cada etapa

Ninguna de estas fases tuvo un solo autor. Vale la pena reconocer a quienes marcaron cada momento:

  • Alan Turing: fundamentos teóricos de la computación y la primera prueba práctica sobre inteligencia de las máquinas.
  • John McCarthy: acuñó el término «inteligencia artificial», organizó el taller de Dartmouth y creó el lenguaje Lisp.
  • Marvin Minsky: cofundador del campo y del laboratorio de IA del MIT, figura central durante décadas.
  • Claude Shannon: su teoría de la información dio el marco matemático para tratar datos y comunicación.
  • Frank Rosenblatt: desarrolló el perceptrón, antecesor de las redes neuronales.
  • Geoffrey Hinton, Yann LeCun y Yoshua Bengio: impulsaron el aprendizaje profundo cuando pocos creían en él; se les considera figuras clave de la IA moderna.

Junto a ellos hubo cientos de investigadores menos conocidos, empresas como IBM, Google o DeepMind, y una infraestructura industrial de chips y datos sin la cual nada de esto funcionaría. La IA es, en el fondo, una obra colectiva de muchas generaciones.

De la teoría a la vida cotidiana

Lo que empezó como un ejercicio académico hoy aparece en el diagnóstico médico, la traducción instantánea, los sistemas de recomendación y los asistentes que respondes con voz. Si quieres ver hasta dónde llegó todo esto en un campo concreto, resulta ilustrativo el caso de la inteligencia artificial aplicada a la medicina, donde ayuda a detectar enfermedades en imágenes que a veces escapan al ojo humano.

Entender el origen también ayuda a poner los pies en la tierra. La IA actual es extraordinariamente buena en tareas específicas, pero está lejos de la inteligencia general que imaginaban los pioneros de 1956. Distinguir entre lo que hace bien y lo que todavía no puede hacer es parte de usarla con criterio, algo que abordamos en esta guía sobre las ventajas y desventajas de la inteligencia artificial. Y si te intriga cómo se clasifican los distintos sistemas, desde los más limitados hasta los hipotéticos futuros, conviene revisar los tipos de inteligencia artificial y sus ejemplos.

Preguntas frecuentes

¿Quién inventó realmente la inteligencia artificial?

No hay un único inventor. Alan Turing sentó las bases teóricas en las décadas de 1930 y 1950, mientras que John McCarthy acuñó el término «inteligencia artificial» en 1956 y organizó el taller de Dartmouth, considerado el nacimiento oficial del campo. Por eso a McCarthy se le llama el padre de la IA, aunque fue un esfuerzo colectivo.

¿En qué año se creó la inteligencia artificial?

Como disciplina con nombre propio, la IA nació en 1956, durante el taller de Dartmouth College. Las ideas que la hicieron posible son anteriores: el artículo de Turing sobre máquinas pensantes es de 1950, y el modelo de neuronas artificiales de McCulloch y Pitts, de 1943.

¿Qué es el test de Turing?

Es una prueba propuesta por Alan Turing en 1950 para evaluar si una máquina exhibe un comportamiento inteligente indistinguible del humano. Si una persona conversa con la máquina y no logra saber que no es humana, la máquina «pasa» el test. Sigue siendo un referente en los debates sobre inteligencia artificial.

¿Por qué hubo «inviernos de la IA»?

Porque las promesas superaron con creces a los resultados. En los años setenta y ochenta, la falta de potencia de cálculo y las expectativas infladas llevaron a recortes fuertes de financiación. Fueron períodos de desánimo que frenaron la investigación hasta que nuevos enfoques y mejor tecnología revitalizaron el campo.

¿La IA actual piensa como un humano?

No. Los sistemas actuales, incluidos los modelos de lenguaje más avanzados, reconocen patrones estadísticos en enormes cantidades de datos y generan respuestas probables, pero no tienen comprensión, conciencia ni intenciones. Son muy competentes en tareas concretas y todavía muy distintos de la inteligencia general humana.

La historia de la IA enseña algo útil para leer las noticias de hoy con serenidad: cada gran avance suele ir acompañado de expectativas que se disparan más rápido que la tecnología. Conocer a Turing, a McCarthy y a quienes vinieron después ayuda a valorar lo que tenemos sin caer en el asombro fácil ni en el rechazo automático. Si esta guía despertó tu curiosidad y quieres pasar de la historia a la práctica, un buen siguiente paso es explorar cursos para aprender inteligencia artificial según tu nivel y empezar a experimentar por tu cuenta.