Resumen

Esta es la Parte 2 de 6 de la serie Historia Completa de la IA: De las Máquinas de Turing a los Modelos Generativos. El período entre 1974 y 1993 es el más dramático de la historia del campo: incluye un renacimiento comercial genuino, un boom de mercado de US$ 2.000 millones y un segundo colapso más brutal que el primero — esta vez causado no por promesas incumplidas sino por un cambio de plataforma. Al mismo tiempo, en la periferia del campo, un puñado de investigadores mantenía vivo el paradigma de las redes neuronales que el mundo redescubriría décadas después.

Contexto

El Primer Invierno de la IA (1974-1980) no fue la muerte — fue hibernación selectiva. La financiación para investigación especulativa de IA general se agotó, pero los investigadores que trabajaban en aplicaciones específicas y verificables continuaron. El contexto que permitió el renacimiento no fue un nuevo avance teórico — fue un cambio de pregunta. En lugar de "cómo hacemos que las máquinas piensen en general", los investigadores comenzaron a preguntar "cómo capturamos el conocimiento de un experto humano en un dominio estrecho y lo hacemos accesible vía computadora." Esa pregunta tenía una respuesta viable con la tecnología de 1980. Y tenía un mercado inmediato: empresas que necesitaban decisiones especializadas consistentes, rápidas y escalables en dominios como diagnóstico médico, configuración de equipos y análisis financiero.

— 1980-1987: El Boom de los Sistemas Expertos

La primera Conferencia Nacional sobre Inteligencia Artificial (AAAI) en Stanford en agosto de 1980 reunió a unos 300 investigadores y señaló que el campo estaba encontrando aplicaciones prácticas enfocadas. Lo que emergió como paradigma dominante fueron los sistemas expertos — programas que codificaban el conocimiento de expertos humanos en bases de reglas y usaban mecanismos de inferencia para resolver problemas en dominios específicos. El MYCIN, desarrollado en Stanford en la década de 1970, había demostrado la prueba de concepto: diagnosticaba infecciones bacterianas de la sangre con precisión comparable a la de médicos especialistas. El XCON, desarrollado por Digital Equipment Corporation en 1980, configuraba automáticamente sistemas de computadoras VAX, ahorrando a la empresa decenas de millones de dólares anuales. Estos dos casos fueron suficientemente convincentes para desencadenar un boom. Empresas como DuPont, IBM y General Electric crearon departamentos dedicados a sistemas expertos. En Japón, el gobierno lanzó el ambicioso Proyecto de Quinta Generación de Computadoras (1982-1992), invirtiendo miles de millones de yenes en computadoras basadas en IA y lógica usando PROLOG. El mercado global de sistemas expertos creció de prácticamente nada en 1980 a US$ 2.000 millones en 1988. Empresas como Symbolics y Lisp Machines Inc. construyeron hardware especializado para ejecutar programas de IA — las Lisp Machines costaban diez veces más que las estaciones de trabajo convencionales.

— 1986-1987: Hinton y el Renacimiento de las Redes Neuronales

Mientras los sistemas expertos dominaban las aplicaciones comerciales, una revolución silenciosa ocurría en la investigación académica. David Rumelhart, Geoffrey Hinton y Ronald Williams, trabajando en diferentes instituciones en EE.UU. y Canadá, publicaron en 1986 trabajos seminales sobre retropropagación — el algoritmo para entrenar redes neuronales multicapa. La idea básica de backpropagation había sido desarrollada independientemente por varias personas en décadas anteriores, pero estos investigadores demostraron su eficacia práctica y la popularizaron. El algoritmo funcionaba propagando errores hacia atrás a través de la red, ajustando los pesos de las conexiones para minimizar la diferencia entre las salidas previstas y las deseadas. Esto resolvía el problema fundamental que Minsky y Papert habían identificado en 1969: las redes multicapa podían ahora aprender representaciones jerárquicas complejas de datos, superando las limitaciones del Perceptrón de una sola capa. Hinton había pasado los años del primer invierno estudiando psicología cognitiva y neurociencia en Cambridge, convencido de que el camino hacia la inteligencia artificial pasaba por entender cómo aprende el cerebro biológico. Su persistencia durante años de escepticismo del mainstream produjo el algoritmo que, combinado con hardware suficiente décadas después, haría posible el deep learning. En 1989, Yann LeCun, entonces en Bell Labs, demostró redes neuronales convolucionales reconociendo dígitos manuscritos con precisión suficiente para uso comercial — uno de los primeros sistemas de deep learning en producción real.

— 1987-1993: El Segundo Colapso

El segundo invierno de la IA llegó no por falta de progreso técnico sino por un cambio de plataforma. En 1987, el mercado de hardware especializado para IA colapsó en menos de dos años. La causa fue simple y brutal: las estaciones de trabajo convencionales de Apple y Sun Microsystems se volvieron suficientemente potentes y dramáticamente más baratas que las Lisp Machines. El hardware especializado que había costado fortunas perdió su razón de existir de la noche a la mañana. Symbolics, que había sido considerada el futuro de la computación en 1985, colapsó. El mercado de sistemas expertos se contrajo dramáticamente. La DARPA volvió a recortar la financiación en IA. El Proyecto de Quinta Generación japonés terminó sin cumplir sus objetivos más ambiciosos. El segundo invierno fue más psicológicamente devastador que el primero porque golpeó a un campo que había experimentado éxito comercial real. El problema estructural de los sistemas expertos quedó claro en retrospectiva: la ingeniería del conocimiento — el proceso de extraer conocimiento especializado y codificarlo en reglas — era cara, lenta y no escalaba. Cada nuevo dominio requería años de trabajo manual. La promesa de que podría escalar a todas las formas de conocimiento humano nunca se verificó.

Análisis Comparativo

El segundo invierno ilumina una distinción fundamental que la historia de la IA continuaría enseñando: la diferencia entre IA que funciona porque alguien codificó conocimiento explícito, e IA que funciona porque aprendió patrones de datos. Los sistemas expertos eran del primer tipo — impresionantes dentro de dominios donde el conocimiento podía articularse como reglas, frágiles en cualquier situación que el ingeniero de conocimiento no había previsto. Las redes neuronales de Hinton eran del segundo tipo — demasiado lentas para ser prácticas en ese momento, pero fundamentalmente escalables de una manera que los sistemas expertos nunca serían. La ironía histórica es que mientras el mainstream del campo apostaba por el paradigma que colapsaría, Hinton y sus colaboradores desarrollaban silenciosamente el paradigma que dominaría.

Análisis

El período 1974-1993 establece dos patrones críticos para entender la IA de 2026. Primero: los paradigmas de IA que dependen de conocimiento codificado manualmente tienen un techo de escala bajo — funcionan bien en dominios estrechos y controlados, pero el costo de expansión crece linealmente con el alcance, haciéndolos económicamente inviables para el conocimiento general. Segundo: los cambios de plataforma de hardware destruyen ecosistemas de software especializado más rápidamente que cualquier fracaso técnico — Symbolics no fue derrotada por un mejor sistema experto, fue derrotada por hardware de propósito general que se volvió suficientemente bueno. En 2026, con chips de IA especializados (GPUs, TPUs, Huawei Ascend) creando ecosistemas similares a las Lisp Machines de 1985, el patrón histórico merece atención.

Síntesis

El legado más importante del período 1974-1993 no es el boom y el colapso de los sistemas expertos — es la supervivencia del paradigma conexionista durante dos inviernos consecutivos. Hinton, LeCun y sus colaboradores mantuvieron vivo un paradigma que el mainstream había declarado muerto dos veces. Lo que los sostuvo no fue la financiación institucional — fue la convicción de que aprender de datos era fundamentalmente más poderoso que codificar reglas. Esa convicción sería validada décadas después con hardware que no podían imaginar. La lección para 2026 es para quienes evalúan paradigmas de IA hoy: lo que parece impracticable por falta de infraestructura puede volverse dominante cuando la infraestructura llega. La pregunta no es si el paradigma funciona en teoría — es si la infraestructura necesaria para que funcione en la práctica está en camino. En 1987, lo estaba. En 2026, la pregunta relevante es qué paradigma actual está esperando la infraestructura que aún no existe. Siguiente: Parte 3 — El Silencio Productivo (1993–2011)