Resumen

Esta es la Parte 1 de 6 de la serie Historia Completa de la IA: De las Máquinas de Turing a los Modelos Generativos. El período entre 1940 y 1974 estableció los fundamentos teóricos de la inteligencia artificial, produjo las primeras máquinas que aprendían de la experiencia y culminó en un colapso de financiación que casi terminó con el campo antes de que madurara. Entender este período no es un ejercicio nostálgico — es entender por qué los ciclos de hype y decepción de la IA tienen raíces más profundas que cualquier lanzamiento de producto.

Contexto

El contexto que hizo posible la IA no fue tecnológico — fue el de la Segunda Guerra Mundial. La necesidad urgente de procesar información a una escala y velocidad imposibles para los humanos creó los primeros laboratorios de computación serios del mundo. En Bletchley Park, Inglaterra, matemáticos y lingüistas trabajaban bajo presión de vida o muerte para descifrar comunicaciones enemigas. Fue en ese entorno donde Alan Turing desarrolló no solo máquinas prácticas, sino las preguntas teóricas que definirían el campo durante décadas. En 1943, paralelamente, Warren McCulloch y Walter Pitts publicaron el primer modelo matemático de neuronas artificiales — demostrando que redes de elementos simples encendido/apagado podrían, en teoría, computar cualquier función lógica. Dos trabajos independientes, en países diferentes, sobre la misma pregunta fundamental: ¿pueden pensar las máquinas?

— 1950-1956: La Pregunta y la Fundación

En octubre de 1950, Turing publicó "Computing Machinery and Intelligence" en la revista Mind, proponiendo lo que se conocería como el Test de Turing: en lugar de definir qué es pensar — una cuestión filosóficamente espinosa — propuso una prueba operativa. Si un interrogador humano no podía distinguir las respuestas de una máquina de las de un humano en una conversación por texto, sería razonable atribuir pensamiento a la máquina. La formulación fue deliberadamente pragmática: desvió el debate de la metafísica a la ingeniería, estableciendo un objetivo mensurable. En 1949, el psicólogo canadiense Donald Hebb había publicado "The Organization of Behavior", proponiendo que las neuronas que se activan juntas fortalecen sus conexiones — un principio que décadas después se volvería central para los algoritmos de aprendizaje. El campo aún no tenía nombre. Eso cambió en el verano de 1956, cuando John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon organizaron el taller en Dartmouth College en Hanover, New Hampshire. Fue McCarthy quien acuñó el término "inteligencia artificial" durante el evento. La propuesta central era audaz: "todo aspecto del aprendizaje o cualquier característica de la inteligencia puede, en principio, describirse con tanta precisión que una máquina puede ser construida para simularlo."

— 1957-1969: Primeras Máquinas que Aprenden

En 1958, dos hitos definieron la dirección del campo. McCarthy, ahora en el MIT, desarrolló el lenguaje de programación LISP — diseñado no para cálculo numérico sino para manipulación simbólica, procesamiento de listas y representación de conocimiento. LISP dominaría la investigación en IA durante décadas. Ese mismo año, Frank Rosenblatt, psicólogo en el Cornell Aeronautical Laboratory en Buffalo, Nueva York, desarrolló el Perceptrón — financiado por la Marina de EE.UU. El Perceptrón Mark I aprendía a reconocer patrones visuales a través de fotocélulas conectadas a pesos ajustables. Rosenblatt lo demostró públicamente enseñándolo a distinguir tarjetas marcadas a la izquierda de las marcadas a la derecha, proclamando que era "la primera máquina capaz de tener una idea original." En 1961, el Unimate, desarrollado por George Devol y Joseph Engelberger, fue instalado en la línea de montaje de General Motors en New Jersey — el primer robot industrial del mundo. En 1964-1966, Weizenbaum en el MIT creó ELIZA, un programa que simulaba un psicoterapeuta mediante correspondencia de patrones simples. El efecto fue sorprendente: los usuarios atribuían comprensión genuina al programa — lo que Weizenbaum llamó el "efecto ELIZA." En 1969, el Stanford Research Institute presentó Shakey — el primer robot móvil capaz de razonar sobre sus propias acciones.

— 1969-1974: Los Límites se Hacen Visibles

En 1969, Minsky y Papert publicaron "Perceptrons", demostrando matemáticamente que las redes neuronales de una sola capa eran incapaces de aprender funciones lógicas como XOR sin capas adicionales. El trabajo fue devastador para el entusiasmo en redes neuronales — y fue ampliamente interpretado, incorrectamente, como una condena de todo el paradigma conexionista. Lo que era una limitación de una arquitectura específica se leyó como una limitación fundamental. Al mismo tiempo, los sistemas de la época enfrentaban barreras reales: computadoras demasiado lentas, memoria insuficiente, procesamiento del lenguaje natural que fallaba ante las ambigüedades del idioma humano. En 1973, el matemático británico Sir James Lighthill entregó al gobierno británico un informe que sería leído como una sentencia. El documento criticó duramente el progreso de la IA, argumentando que la investigación no había producido las aplicaciones prácticas prometidas. El Informe Lighthill llevó a recortes inmediatos en la financiación de la investigación en IA en el Reino Unido. La DARPA en EE.UU. hizo lo mismo. El Primer Invierno de la IA había comenzado.

Análisis Comparativo

La tensión central del período 1940-1974 es entre la profundidad de los fundamentos teóricos establecidos y la superficialidad de las implementaciones prácticas que los siguieron. Turing y McCulloch construyeron marcos conceptualmente correctos — redes neuronales artificiales, computación universal, aprendizaje mediante ajuste de pesos. Pero el hardware disponible estaba décadas por delante de lo necesario para que estas ideas funcionaran a escala. El resultado fue una generación de investigadores haciendo promesas genuinamente creídas pero imposibles de cumplir con los recursos disponibles. El Informe Lighthill no estaba equivocado en los hechos — estaba equivocado en la conclusión. El problema no era que la IA fuera imposible. Era que las promesas habían superado la infraestructura por un margen que la financiación de la época no podía cubrir.

Análisis

Tres patrones del período 1940-1974 persisten en todos los ciclos posteriores de IA. Primero: los avances teóricos genuinos generan expectativas de aplicación práctica más rápido de lo que la infraestructura soporta. El Perceptrón de Rosenblatt era matemáticamente correcto — faltaba potencia computacional para entrenarlo a una escala útil. Segundo: la comunidad científica tiende a interpretar las limitaciones de implementación como limitaciones fundamentales — la crítica de Minsky y Papert al Perceptrón fue leída como una condena de las redes neuronales en general, cuando era una crítica a una arquitectura específica. Tercero: los ciclos de financiación siguen los ciclos de promesas, no el progreso real — cuando las promesas no se cumplen en el plazo esperado, los recortes son abruptos independientemente del valor acumulado de la investigación de base.

Síntesis

El Primer Invierno de la IA no terminó con el campo — redistribuyó quién permanecía en él. Los investigadores que sobrevivieron a los recortes de 1974 eran los que creían en los fundamentos, no en las promesas a corto plazo. Geoffrey Hinton, que sería llamado "el padrino del deep learning", era un estudiante de psicología en Cambridge cuando llegó el invierno — y continuó trabajando en redes neuronales cuando casi nadie más lo hacía. Esta persistencia, multiplicada en un puñado de investigadores en diferentes laboratorios, produciría la próxima revolución. La lección que el período 1940-1974 ofrece para 2026 es precisa: los fundamentos establecidos por Turing, McCulloch, Pitts y Rosenblatt tardaron 30 años en encontrar la infraestructura que los haría prácticos. Los fundamentos establecidos por el transformer de 2017 pueden tardar menos — pero la distancia entre lo que es teóricamente posible y lo que es prácticamente realizable sigue siendo mayor de lo que cualquier predicción optimista sugiere. Siguiente: Parte 2 — Inviernos y Renacimiento (1974–1993)