Artículo de información
José Carlos Botto Cayo y Abel Marcial Oruna Rodríguez
Viernes 17 de julio del 2026
La inteligencia artificial no nació de una invención repentina ni del trabajo aislado de un solo científico. Su creación fue el resultado de varias corrientes de pensamiento que, durante la primera mitad del siglo XX, comenzaron a estudiar el razonamiento como un proceso que podía describirse mediante reglas. La lógica matemática, la ingeniería electrónica, la filosofía de la mente y la naciente ciencia de la computación aportaron conceptos que permitieron imaginar máquinas capaces de procesar información, resolver problemas y ejecutar instrucciones de forma ordenada.
Este proceso modificó la concepción tradicional de las máquinas. Hasta entonces, la mayor parte de los dispositivos mecánicos había sido diseñada para realizar una tarea específica. Con el desarrollo de la computación programable surgió la posibilidad de construir sistemas capaces de cambiar de función mediante instrucciones almacenadas. Alan Turing proporcionó una base teórica decisiva al demostrar que una máquina abstracta podía ejecutar cualquier procedimiento que fuese expresado como una secuencia finita de operaciones. Su trabajo permitió establecer los fundamentos de la computación moderna y abrió el camino para pensar que ciertas actividades intelectuales podían ser reproducidas mediante procedimientos automáticos (Turing, 1937).
Los fundamentos de las máquinas inteligentes
El modelo propuesto por Turing no pretendía reproducir físicamente el cerebro humano. Su propósito era definir con rigor qué significaba realizar un cálculo mediante un procedimiento mecánico. La denominada máquina de Turing podía leer símbolos, modificar información y seguir instrucciones según un conjunto de reglas. Aunque se trataba de una construcción matemática, ofreció una idea fundamental: una misma máquina podía ejecutar numerosas tareas si recibía los programas adecuados.
Esta capacidad de manipular símbolos resultó esencial para el posterior desarrollo de la inteligencia artificial. Los números, las palabras, las imágenes y otros tipos de información podían transformarse en representaciones procesables. De este modo, una computadora no tenía que limitarse a resolver operaciones aritméticas. También podía comparar alternativas, clasificar datos, seguir reglas lógicas y buscar soluciones dentro de un conjunto de posibilidades.
En 1950, Turing llevó la discusión hacia una pregunta más compleja: si una máquina podía llegar a comportarse de manera inteligente. En lugar de definir de forma absoluta qué significaba pensar, propuso el llamado juego de imitación. En esta prueba, una persona debía conversar por escrito con dos interlocutores ocultos, uno humano y otro artificial, e intentar determinar cuál de ellos era la máquina. El criterio se concentraba en la calidad del comportamiento observable y no en la existencia de una conciencia interior.
La propuesta de Turing también anticipó la importancia del aprendizaje. Consideró que podía ser más razonable construir una máquina semejante a una mente infantil y educarla mediante ejemplos, correcciones y experiencia, en lugar de intentar programar directamente todas las capacidades de una persona adulta. Esta intuición se encuentra en la base de numerosos sistemas contemporáneos, que mejoran su desempeño a partir del análisis de datos. La prueba no resolvió el debate sobre la conciencia de las máquinas, pero convirtió una cuestión filosófica en un problema susceptible de investigación científica (Turing, 1950).
El nacimiento de la inteligencia artificial como disciplina
La inteligencia artificial adquirió una identidad formal en 1956, durante una reunión de investigadores realizada en Dartmouth College, Estados Unidos. El proyecto había sido propuesto por John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon. Los participantes sostenían que los diferentes aspectos del aprendizaje y de la inteligencia podían describirse con suficiente precisión como para ser simulados por una máquina.
La expresión “inteligencia artificial”, introducida por McCarthy, permitió reunir investigaciones que hasta entonces se encontraban dispersas en diferentes campos. El nuevo programa científico incluía el estudio del lenguaje, la resolución de problemas, la formación de conceptos, el aprendizaje y el razonamiento abstracto. La reunión no produjo una máquina inteligente completa, pero estableció una comunidad de investigadores, métodos de trabajo y objetivos compartidos que dieron origen a una disciplina reconocible (McCarthy et al., 2006).
Durante sus primeros años, la inteligencia artificial estuvo dominada por el enfoque simbólico. Los investigadores intentaban representar el conocimiento mediante signos, reglas y estructuras lógicas. Algunos programas lograron demostrar teoremas matemáticos, resolver rompecabezas y participar en juegos. Estos resultados generaron un notable entusiasmo, porque parecían indicar que el razonamiento humano podía ser descrito mediante operaciones formales y reproducido por una computadora.
Sin embargo, los sistemas funcionaban principalmente en entornos limitados. Cuando debían enfrentar situaciones ambiguas, información incompleta o problemas que exigían conocimientos cotidianos, sus capacidades disminuían. La inteligencia humana dependía de una cantidad de experiencias, referencias culturales y conocimientos implícitos que resultaban difíciles de convertir en reglas. Las expectativas excesivas provocaron periodos de reducción del financiamiento, conocidos posteriormente como inviernos de la inteligencia artificial. A pesar de estas crisis, la investigación continuó y permitió conservar conocimientos que serían retomados con nuevas herramientas tecnológicas.
Del aprendizaje automático a los modelos generativos
Una de las alternativas al enfoque simbólico fue el desarrollo de redes neuronales artificiales. Estos sistemas estaban formados por unidades interconectadas cuyos valores podían modificarse durante el entrenamiento. En lugar de recibir todas las reglas de forma explícita, la máquina analizaba ejemplos y ajustaba sus parámetros para reconocer regularidades. La idea se inspiraba de manera general en la organización del sistema nervioso, aunque las redes artificiales eran modelos matemáticos y no reproducciones exactas del cerebro.
Durante muchos años, el avance de estas redes fue limitado por la escasa capacidad de procesamiento y la falta de grandes conjuntos de datos. La situación cambió con la expansión de la información digital, el aumento de la potencia computacional y el perfeccionamiento de los algoritmos. Las redes profundas comenzaron a obtener resultados importantes en reconocimiento de imágenes, procesamiento de voz, traducción automática y clasificación de información. El aprendizaje dejó de depender únicamente de reglas escritas por programadores y pasó a construirse mediante la identificación estadística de patrones (LeCun et al., 2015).
En 2017 se presentó la arquitectura conocida como transformador, diseñada para analizar las relaciones entre los diferentes elementos de una secuencia. Su mecanismo de atención permitía identificar qué palabras o fragmentos eran más relevantes dentro de un contexto. Esta innovación facilitó el entrenamiento de modelos de lenguaje con grandes cantidades de textos y permitió mejorar tareas como la traducción, la redacción y la comprensión de instrucciones.
Los modelos generativos desarrollados a partir de estas técnicas pueden producir textos, imágenes, sonidos y programas informáticos. No obstante, sus respuestas se originan en cálculos probabilísticos basados en los datos utilizados durante el entrenamiento. Una formulación coherente no garantiza que el sistema comprenda el contenido de la misma manera que una persona. También existe el riesgo de que produzca información falsa, reproduzca prejuicios o presente errores con apariencia de certeza. La evolución de la inteligencia artificial muestra, por ello, que el avance técnico debe estar acompañado por procedimientos de verificación, transparencia y responsabilidad social (Vaswani et al., 2017).
Bibliografía
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539
McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955. AI Magazine, 27(4), 12-14. https://doi.org/10.1609/aimag.v27i4.1904
Turing, A. M. (1937). On computable numbers, with an application to the Entscheidungsproblem. Proceedings of the London Mathematical Society, 42(1), 230-265. https://doi.org/10.1112/plms/s2-42.1.230
Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433-460. https://doi.org/10.1093/mind/LIX.236.433
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998-6008.
