Con una cuenta desbloqueas el cuestionario, el foro de dudas y el tutor con IA de esta lección, además del registro de progreso y el certificado verificable al terminar «Inteligencia Artificial».
La inteligencia artificial (IA) es el campo de la informática que estudia cómo construir sistemas capaces de realizar tareas que, hechas por una persona, requerirían inteligencia: reconocer una imagen, traducir un idioma, jugar al ajedrez o mantener una conversación. No existe una única técnica: la IA agrupa desde reglas escritas a mano hasta redes neuronales entrenadas con millones de ejemplos.
Una distinción central es la de IA estrecha frente a IA general. La IA estrecha (también llamada narrow AI o ANI) resuelve una tarea concreta muy bien — reconocer rostros, recomendar vídeos, predecir el clima — pero no sabe hacer nada fuera de ese dominio. Toda la IA que existe hoy en producción es estrecha. La IA general (AGI) es un objetivo aún no alcanzado: un sistema con la flexibilidad de aprendizaje de un ser humano, capaz de transferir lo aprendido de un dominio a otro cualquiera.
Un poco de historia
La idea de máquinas que piensan es antigua, pero la disciplina nace formalmente a mediados del siglo XX:
1950 — Alan Turing publica Computing Machinery and Intelligence y propone el llamado "test de Turing": si una persona no puede distinguir las respuestas de una máquina de las de otro humano, la máquina "piensa" a efectos prácticos. Es la primera formulación seria de qué significaría que una máquina fuera inteligente.
1958 — El perceptrón, de Frank Rosenblatt, es el primer modelo de neurona artificial entrenable: aprende a separar dos clases de puntos ajustando pesos numéricos a partir de ejemplos. Es el antepasado directo de las redes neuronales modernas (lección 5).
1970s y 1987–1993 — Los "inviernos de la IA": dos periodos de desilusión y recorte de financiación, causados por promesas que la tecnología de la época no podía cumplir (el perceptrón, por ejemplo, no podía resolver problemas no separables linealmente, como XOR — algo que resolveremos en la lección 5 con una red de varias capas).
1997 — Deep Blue vence a Kaspárov en ajedrez: la primera victoria de una máquina sobre el campeón mundial vigente, aunque basada en búsqueda por fuerza bruta, no en aprendizaje.
2012 — El resurgir del deep learning: una red neuronal convolucional (AlexNet) gana por un margen enorme la competición ImageNet de reconocimiento de imágenes. Marca el inicio de la era moderna: redes con muchas capas ("profundas"), entrenadas con grandes volúmenes de datos y GPUs.
2017 — La arquitectura Transformer, presentada en el artículo Attention Is All You Need, cambia radicalmente el procesamiento de lenguaje y sienta las bases técnicas de los modelos de lenguaje modernos.
2020s — Los grandes modelos de lenguaje (LLM): sistemas entrenados con enormes cantidades de texto que generan y comprenden lenguaje natural con una fluidez sin precedentes, y que hoy asisten en programación, escritura, análisis de datos y muchas otras tareas.
IA en el mundo de hoy
La IA estrecha ya está integrada en productos cotidianos: recomendadores de contenido, traducción automática, reconocimiento de voz, detección de fraude, diagnóstico asistido por imágenes médicas, generación de texto e imágenes, y los asistentes conversacionales que usan LLMs. Casi todos estos sistemas comparten un mismo principio de fondo, que exploraremos en las próximas lecciones: aprenden ajustando parámetros numéricos para minimizar un error, usando matemáticas relativamente simples (vectores, derivadas y el gradiente) aplicadas a gran escala.
Repasa los conceptos clave de esta lección con las siguientes tarjetas:
1 de 6
8. Procesamiento de lenguaje natural (NLP) y embeddings