Cuándo un nuevo proyecto de cine que pretende contar hechos basados en la vida real de empresas tecnológicas es muy difícil no recordar a The Social Network (2010) que relató los eventos, en forma de ficción histórica, de la creación de Facebook. Esa red social dejó una gran huella en la generación de los Millennials pues acompañó su transición hacia la adultez y transformando la forma en que se comunicaron, consumieron información y construyeron su identidad digital.

En este año se presenta ARTIFICIAL, una nueva película basada en eventos reales sobre otra compañía tecnológica que tiene un papel preponderante en el desarrollo de la IA: OpenAI. Artificial promete calar hondo en la generación Z pues están entrando a un mercado laboral altamente influido por la IA. La tecnología de la IA, no solo atañe a los jóvenes Z sino a toda la población sin importar la edad que tengas. 

La película que nadie quería en los cines

La trama de Artificial explora el acelerado crecimiento corporativo de OpenAI, la carrera desenfrenada por lanzar masivamente ChatGPT, en 2023, y las profundas cuestiones éticas que surgen del desarrollo tecnológico frente a la necesidad de implementar medidas de seguridad y rendición de cuentas. Esta película está generando mucha atención porque los estudios que la financiaron -unos 40 millones de dólares- Amazon MGM Studios, decidieron no distribuirla una vez concluida la producción. Amazon invierte 50 mil millones en OpenAI y decide abandonar el filme. A otros grandes estudios como A24, Netflix o Warner tampoco les interesó la distribución; entonces, aparece la distribuidora independiente Neon (Parásitos, Anora) y adquiere los derechos globales. Así la película llegará a las salas de cine el 25 de diciembre de este año, justo a tiempo para participar en los Oscares. Pero, ¿hasta dónde llega la influencia de Silicon Valley para no querer mostrar una historia? ¿Acaso los perfiles de los protagonistas Sam Altman, Ilya Sutskever, Mira Murati, Elon Musk y Geoffrey Hinton son muy representativos de la `condición humana’?

De Turing a ChatGPT: setenta años enseñando a pensar a las máquinas

La IA no inicia con ChatGPT. Hoy nos parece normal preguntar a una máquina y que nos responda como si nos entendiera, pero detrás de esa respuesta hay más de setenta años de sueños, fracasos, inviernos y genios obstinados. La inteligencia artificial no apareció de la nada en 2022. Es más bien un río largo que corrió mucho tiempo bajo tierra antes de salir a la superficie.

En notas anteriores hablamos de lo que la IA puede hacer hoy y de los agentes que ya actúan por nosotros. Esta vez quiero mirar hacia atrás. ¿Cómo llegamos aquí?

Una pregunta incómoda (1950–1956)

Todo empezó con una pregunta. En 1950, el matemático británico Alan Turing publicó un artículo que abría así: ¿pueden pensar las máquinas? En lugar de perderse en definiciones filosóficas, propuso un juego. Si conversas por escrito con alguien y no puedes saber si es humano o máquina, ¿qué importa la diferencia? Así nació el famoso Test de Turing.

Unos años antes, en 1943, Warren McCulloch y Walter Pitts habían descrito la neurona como una pequeña calculadora: recibe señales, las suma y, si superan un umbral, “dispara”. Era la primera pista de que el cerebro podía imitarse con matemáticas.

El nombre llegó en el verano de 1956. En la Conferencia de Dartmouth, en Estados Unidos, John McCarthy reunió a Marvin Minsky, Claude Shannon y Nathaniel Rochester, entre otros, y bautizó la disciplina: Inteligencia Artificial. Ahí mismo, Allen Newell y Herbert Simon presentaron el Logic Theorist, un programa capaz de demostrar teoremas matemáticos. El optimismo era total. Algunos creían que en una generación tendríamos máquinas tan listas como nosotros.

Spoiler: no fue así.

La era de las promesas (1956–1974)

En 1958, Frank Rosenblatt construyó el Perceptrón, la primera red neuronal que aprendía de ejemplos. Imagina un jurado donde cada miembro opina sobre si una imagen muestra un círculo o un cuadrado. Al principio, todos pesan igual. Cada vez que el jurado se equivoca, el perceptrón le resta credibilidad a quien opinó mal y se la suma a quién acertó. Con el tiempo, el jurado se vuelve experto. Eso, en esencia, es aprender.

Poco después, Arthur Samuel creó un programa de damas que mejoraba jugando contra sí mismo y popularizó el término machine learning. En 1966, Joseph Weizenbaum presentó ELIZA, el primer chatbot, que imitaba a un psicoterapeuta repitiendo frases con reglas sencillas. Lo inquietante fue que la gente le contaba sus secretos. El propio Weizenbaum terminó advirtiendo sobre los riesgos de confiar demasiado en las máquinas. Una advertencia que hoy suena muy actual, ¿no crees?

El primer invierno (1974–1980)

Las promesas chocaron con la realidad. En 1969, Minsky y Seymour Papert demostraron matemáticamente las limitaciones del perceptrón. En 1973, el Informe Lighthill concluyó en Reino Unido que la IA no había cumplido lo prometido. El dinero desapareció. A este periodo se le llama el primer invierno de la IA.

Expertos de silicio y redes que resucitan (1980–1990)

La IA regresó con un enfoque más modesto: los sistemas expertos. La idea, impulsada por Edward Feigenbaum, era sencilla: entrevistar a un especialista y convertir su conocimiento en reglas del tipo “si pasa esto, entonces haz aquello”. Mientras tanto, las redes neuronales volvían discretamente. En 1982, John Hopfield propuso redes con memoria asociativa. En 1986, David Rumelhart, Geoffrey Hinton y Ronald Williams popularizaron la retropropagación, el algoritmo que permite entrenar redes de varias capas.

¿Cómo funciona? Piensa en una línea de producción con varias estaciones. Si el producto final sale defectuoso, no basta con regañar a la última estación. Hay que rastrear el error hacia atrás y ajustar cada etapa según cuánto contribuyó al problema. Eso hace la retropropagación, millones de veces, hasta que la red aprende. Pero los sistemas expertos resultaron rígidos y caros de mantener. A finales de los ochenta llegó un segundo invierno.

Aprender de los datos (1990–2010)

La IA cambió de estrategia: en lugar de escribirle reglas a la máquina, había que dejarla aprender de los datos. Yann LeCun desarrolló las redes convolucionales, que aprendieron a leer cheques escritos a mano. Sepp Hochreiter y Jürgen Schmidhuber crearon en 1997 las LSTM, redes con una especie de memoria a corto plazo, ideales para texto y voz. Ese mismo año, Deep Blue de IBM derrotó al campeón mundial de ajedrez Garry Kaspárov, y el mundo entero se dio cuenta de lo que venía.

En 2006, Hinton mostró cómo entrenar redes profundas y se popularizó el término deep learning. Faltaba el combustible, y lo trajo Fei-Fei Li en 2009 con ImageNet, una base de datos con millones de imágenes etiquetadas. Una máquina que aprende sin datos es como un estudiante brillante sin libros.

El Big Bang del aprendizaje profundo (2012–2017)

En 2012 se juntaron tres ingredientes: datos masivos, tarjetas gráficas (GPU) potentes y mejores algoritmos. AlexNet, creada por Alex Krizhevsky, Ilya Sutskever y Hinton, arrasó en el concurso ImageNet. Fue el momento en que la industria entera volteó a ver.

En 2016, AlphaGo, de DeepMind (Demis Hassabis y David Silver), venció al campeón Lee Sedol en Go, un juego que se consideraba demasiado intuitivo para una máquina.

Y en 2017 llegó el artículo que lo cambió todo: Attention Is All You Need, de Ashish Vaswani y su equipo en Google. Presentaba el Transformer. Antes, las máquinas leían una oración palabra por palabra, como una fila india. El Transformer la mira completa de un vistazo y `subraya’ qué palabras se relacionan entre sí. Esa capacidad de atención es el corazón de todos los grandes modelos de lenguaje actuales.

La era conversacional (2018–hoy)

Lo demás es historia reciente. En 2018, Yoshua Bengio, Hinton y LeCun recibieron el Premio Turing, el “Nobel de la computación”. En 2020, AlphaFold 2 (Hassabis y John Jumper) resolvió en gran medida un problema de biología de medio siglo: predecir cómo se pliegan las proteínas.

El 30 de noviembre de 2022 se lanzó ChatGPT, y la IA dejó de ser un tema de laboratorio para instalarse en nuestras vidas. Le siguieron Claude, Gemini y Llama. En 2024, el reconocimiento llegó al más alto nivel: Hopfield y Hinton ganaron el Nobel de Física, y Hassabis y Jumper, junto con David Baker, el Nobel de Química. Ese mismo año, la Unión Europea aprobó la primera ley integral de IA.

Hoy vivimos la era de los modelos de razonamiento, que piensan paso a paso antes de responder, y de los agentes, que ya no solo conversan, sino que ejecutan tareas por nosotros. 

Reflexión final

Si algo nos enseña esta historia, es que la inteligencia artificial avanzó a fuerza de equivocarse. Hubo dos inviernos, promesas rotas y décadas en que las redes neuronales parecían una idea muerta. Hinton, LeCun y Bengio siguieron trabajando cuando casi nadie creía en ellos. El éxito llegó cuando por fin hubo datos y poder de cómputo suficientes para que una idea vieja floreciera.

Turing preguntó si las máquinas podían pensar. Setenta años después, quizá la pregunta más importante ya no es esa, sino otra: ¿qué haremos nosotros con máquinas que parecen pensar? La respuesta no está escrita en ningún algoritmo. Esa, todavía, nos toca a nosotros. A individuos, empresas y gobiernos. Más nos vale que la Ética guíe la búsqueda de esa respuesta.

Fuentes

• Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236).
• McCulloch, W. y Pitts, W. (1943). A Logical Calculus of the Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biophysics.
• Rosenblatt, F. (1958). The Perceptron. Psychological Review, 65(6).
• Rumelhart, D., Hinton, G. y Williams, R. (1986). Learning representations by back-propagating errors. Nature, 323.
• Krizhevsky, A., Sutskever, I. y Hinton, G. (2012). ImageNet Classification with Deep Convolutional Neural Networks. NeurIPS.
• Vaswani, A. et al. (2017). Attention Is All You Need. NeurIPS.
• Russell, S. y Norvig, P. Artificial Intelligence: A Modern Approach, 4.ª ed. Pearson.
• Fundación Nobel. Premios Nobel de Física y Química 2024 (nobelprize.org).