Fase 1: Orígenes y Fundadores (1940s–1950s)
La génesis de la Inteligencia Artificial (IA) se encuentra en la convergencia de la lógica matemática, la neurofisiología y la teoría de la computación tras la Segunda Guerra Mundial.
1950: Alan Turing y los Fundamentos del Cálculo y la Cognición
Aportación: Formalización de la computación universal mediante la máquina de Turing y la propuesta del criterio empírico de inteligencia conocido como el Test de Turing, estableciendo las bases de la lógica computacional y la prueba de consistencia formal en sistemas autónomos.
Referencia: Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433-460.
1948–1951: Claude Shannon y la Teoría de la Información Aplicada
Aportación: Introducción de la teoría matemática de la comunicación y el diseño de los primeros algoritmos analíticos para el juego de ajedrez en computadoras, demostrando que el razonamiento lógico heurístico podía ser automatizado.
Referencia: Shannon, C. E. (1948). A mathematical theory of communication. Bell System Technical Journal, 27(3), 379-423.
1951: John von Neumann y la Teoría de Autómatas Celulares
Aportación: Desarrollo de la arquitectura de computcomputación moderna y la teoría matemática de las máquinas autoreproductoras, estableciendo los lenguajes formales y la estructura de almacenamiento de programas.
Referencia: von Neumann, J. (1951). The Theory of Games and Economic Behavior. Princeton University Press.
Fase 2: Desarrollo, Sistemas y Geometrías Computacionales (1960s–1970s)
Esta etapa estuvo marcada por el auge de los lenguajes formales de programación, el optimismo inicial en la resolución de problemas generales y la primera crisis de la IA (el «invierno de la IA») tras las limitaciones teóricas descubiertas.
1958–1965: John McCarthy y la Programación Lógica (LISP)
Aportación: Acuñación formal del término «Inteligencia Artificial» (1956) y creación del lenguaje LISP, pilar fundamental para la manipulación de símbolos y la programación lógica orientada al sentido común.
Referencia: McCarthy, J. (1960). Recursive functions of symbolic expressions and their computation by machine, Part I. Communications of the ACM, 3(4), 184-195.
1958–1970: Frank Rosenblatt y el Perceptrón
Aportación: Creación de la primera red neuronal artificial de una sola capa capaz de aprender patrones lineales de manera supervisada, sentando los cimientos del aprendizaje automático (machine learning).
Referencia: Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386-408.
1969–1971: Marvin Minsky y Seymour Papert: Las Limitaciones Geométricas
Aportación: Demostración matemática rigurosa de las limitaciones de los perceptrones simples (incapacidad para resolver problemas no lineales como la función XOR), lo que reorientó la investigación hacia los sistemas basados en conocimiento y los sistemas expertos.
Referencia: Minsky, M., & Papert, S. (1969). Perceptrons: An Introduction to Computational Geometry. MIT Press.
Fase 3: Inteligencia Artificial General, Filosofía y Agentes Racionales (1980s–1990s)
El enfoque de la IA evolucionó hacia la filosofía de la mente, la semántica del lenguaje y el diseño de agentes racionales que interactúan con su entorno de manera estructurada.
1980: John Searle y la Crítica a la Inteligencia Artificial Fuerte
Aportación: Formulación del experimento mental de la Habitación China (Chinese Room), estableciendo una distinción crítica entre la simulación sintáctica de la comprensión y la semántica real de la conciencia artificial.
Referencia: Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417-424.
1995: Stuart Russell y Peter Norvig: El paradigma del Agente Racional
Aportación: Sistematización moderna de la disciplina bajo la perspectiva de la Inteligencia Artificial General y el diseño de agentes racionales medidos por su función de rendimiento y autonomía ambiental.
Referencia: Russell, S., & Norvig, P. (1995). Artificial Intelligence: A Modern Approach. Prentice Hall.
Fase 4: Era del Aprendizaje Profundo y la Inteligencia Artificial Actual (2000s–Presente)
El aumento exponencial de la potencia de cálculo (GPUs), la disponibilidad masiva de datos (Big Data) y las arquitecturas de redes profundas transformaron la IA en una tecnología de uso generalizado.
2006–2009: Yoshua Bengio y el Avance del Aprendizaje Profundo
Aportación: Desarrollo de metodologías para el entrenamiento de redes neuronales profundas mediante aprendizaje de representación no supervisada y arquitecturas de propagación jerárquica.
Referencia: Bengio, Y. (2009). Learning deep architectures for AI. Foundations and Trends® in Machine Learning, 2(1), 1-127.
2012: Geoffrey Hinton y la Revolución Convolucional en ImagenNet
Aportación: Demuestran la supremacía de las redes neuronales convolucionales profundas en la clasificación visual a gran escala, marcando el inicio del despliegue comercial e industrial masivo de la IA moderna.
Referencia: Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097-1105.
Directorio de Personajes y Aportaciones Clave
Alan Turing: Lógica computacional, formalización de máquinas universales y pruebas de inteligibilidad artificial.
Claude Shannon: Teoría de la información y automatización heurística de juegos y procesos lógicos.
John von Neumann: Teoría de autómatas celulares y arquitecturas formales de computación.
John McCarthy: Creación de LISP, programación lógica y formalización conceptual de la Inteligencia Artificial.
Frank Rosenblatt: Creación del perceptrón y modelos probabilísticos de aprendizaje automático.
Marvin Minsky y Seymour Papert: Análisis matemático de las limitaciones de las redes neuronales de capa única (geometría computacional).
John Searle: Crítica filosófica a la IA fuerte mediante el argumento de la Habitación China.
Stuart Russell y Peter Norvig: Marco normativo y unificador de los agentes racionales en la IA.
Yoshua Bengio y Geoffrey Hinton: Arquitecturas de aprendizaje profundo y redes neuronales convolucionales multicapa.
Referencias Bibliográficas
Bengio, Y. (2009). Learning deep architectures for AI. Foundations and Trends® in Machine Learning, 2(1), 1-127.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097-1105.
McCarthy, J. (1960). Recursive functions of symbolic expressions and their computation by machine, Part I. Communications of the ACM, 3(4), 184-195.
Minsky, M., & Papert, S. (1969). Perceptrons: An Introduction to Computational Geometry. MIT Press.
Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386-408.
Russell, S., & Norvig, P. (1995). Artificial Intelligence: A Modern Approach. Prentice Hall.
Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417-424.
Shannon, C. E. (1948). A mathematical theory of communication. Bell System Technical Journal, 27(3), 379-423.
Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433-460.
von Neumann, J. (1951). The Theory of Games and Economic Behavior. Princeton University Press.