La larga carrera de la inteligencia artificial... y la conexión canaria

La inteligencia artificial no empezó con los chatbots ni con las grandes tecnológicas. Es la historia de una ambición más antigua: convertir el razonamiento, el aprendizaje y la percepción en procesos que una máquina pueda ejecutar. Antes de ser una industria, fue una pregunta filosófica. Si pensar consiste, al menos en parte, en seguir reglas, manipular símbolos, reconocer patrones y corregir errores, ¿podría hacerlo también un artefacto construido por humanos?

El antecedente técnico más útil para entender la inteligencia artificial está en la computación. En el siglo XIX, Charles Babbage diseñó la máquina analítica, un artefacto que no debía limitarse a resolver una operación concreta, sino ejecutar instrucciones distintas a partir de un programa. La máquina no llegó a construirse plenamente en su tiempo, pero anticipó una idea decisiva: una máquina general podía almacenar datos, operar con ellos y seguir una secuencia de órdenes.

Ada Lovelace vio en aquel proyecto algo más que una calculadora sofisticada. En sus notas sobre la máquina de Babbage advirtió que el dispositivo podía trabajar con símbolos, no solo con cantidades. Si los números servían para representar notas musicales, letras o relaciones, la máquina podía manipular formas de información. Lovelace no inventó la inteligencia artificial, pero ayudó a imaginar la computación como una tecnología capaz de operar sobre representaciones abstractas.

La pieza técnica decisiva llegó un siglo después con la computadora digital programable. En la primera mitad del siglo XX confluyeron la teoría de la computación de Alan Turing, la teoría de la información de Claude Shannon, la cibernética de Norbert Wiener y los primeros modelos de neuronas artificiales. Vistas juntas, esas líneas sugerían que un sistema físico podía procesar información, aplicar reglas y modificar su comportamiento.

Turing cambia la pregunta

En 1950, Alan Turing propuso una forma práctica de ordenar el debate. En lugar de discutir indefinidamente qué significa pensar, planteó una prueba: si una máquina podía mantener una conversación indistinguible de la de un ser humano, sería razonable atribuirle inteligencia en ese contexto. El test de Turing no resolvía el misterio de la mente, pero trasladaba la discusión desde la esencia del pensamiento hacia el comportamiento observable.

El momento fundacional llegó en el verano de 1956, en el Dartmouth College, en Estados Unidos. John McCarthy, Marvin Minsky, Claude Shannon y Nathan Rochester impulsaron un taller con una propuesta ambiciosa: cualquier aspecto del aprendizaje o de la inteligencia podía describirse con tanta precisión que una máquina podría simularlo. Allí se consolidó el nombre de inteligencia artificial y se reunieron investigadores que marcarían las primeras décadas del campo.

Dartmouth fue un bautizo y también un programa de trabajo. Allen Newell y Herbert A. Simon presentaron Logic Theorist, uno de los primeros grandes programas de la disciplina, capaz de demostrar teoremas. Para una época en la que los ordenadores eran máquinas escasas, enormes y costosas, aquellos resultados parecían abrir una vía rápida hacia sistemas de razonamiento general.

Del entusiasmo al invierno

Entre finales de los años cincuenta y comienzos de los setenta, la IA vivió su primera etapa de euforia. Los programas resolvían problemas de álgebra, demostraban teoremas de geometría y ensayaban formas primitivas de lenguaje natural. Muchos funcionaban como una búsqueda: probaban pasos posibles, retrocedían cuando llegaban a un callejón sin salida y usaban heurísticas para descartar caminos poco prometedores.

La dificultad estaba en la escala. Resolver un problema controlado no equivalía a desenvolverse en el mundo real. Muchos sistemas funcionaban bien en entornos pequeños, pero se bloqueaban cuando aumentaban las combinaciones posibles. Además, las máquinas carecían de sentido común: podían operar en dominios estrechos, pero fallaban al salir de ellos.

El primer invierno de la inteligencia artificial llegó a mediados de los años setenta. Las expectativas iniciales habían sido demasiado altas. Informes críticos, como el de James Lighthill en Reino Unido, y la frustración de agencias financiadoras en Estados Unidos y Gran Bretaña provocaron recortes en la investigación no dirigida.

En los años ochenta llegó una nueva primavera gracias a los sistemas expertos. Estos programas no pretendían entender el mundo entero, sino resolver problemas dentro de un dominio concreto mediante reglas derivadas del conocimiento de especialistas. DENDRAL se aplicó a la identificación de compuestos químicos; MYCIN, al diagnóstico médico; y R1, desarrollado para Digital Equipment Corporation, mostró que la IA podía tener utilidad empresarial.

Escondida bajo otros nombres

Pero también esa vía encontró límites. Los sistemas expertos eran costosos de mantener, difíciles de actualizar, incapaces de aprender por sí mismos y frágiles ante situaciones no previstas. El hundimiento del mercado de máquinas Lisp a finales de los años ochenta abrió otro periodo de retroceso. La IA siguió existiendo, pero muchas veces bajo otros nombres: aprendizaje automático, estadística, minería de datos o reconocimiento de patrones.

La gran transición fue el paso de decirle a la máquina lo que debía saber a permitirle extraer patrones de los datos. En la IA simbólica clásica, el conocimiento se codificaba en reglas. En el aprendizaje automático, el sistema ajusta su comportamiento a partir de ejemplos. Este cambio desplazó el centro de gravedad: menos instrucciones escritas a mano y más modelos entrenados con información.

Durante los años noventa y los primeros dos mil, esa orientación ganó solidez matemática. Se extendieron métodos probabilísticos, redes bayesianas, técnicas de optimización y aprendizaje por refuerzo. La computación blanda asumía algo que la lógica estricta manejaba mal: en el mundo real la información suele ser incompleta, ruidosa o ambigua.

Internet, datos y aprendizaje

La inteligencia artificial necesitaba tres cosas que durante mucho tiempo no tuvo en cantidad suficiente: datos, capacidad de cómputo y algoritmos eficaces. La expansión de internet proporcionó enormes volúmenes de texto, imágenes y registros. La mejora del hardware permitió procesarlos. Y la maduración de técnicas estadísticas hizo posible extraer patrones útiles de ese material.

Las redes neuronales no eran nuevas. McCulloch y Pitts ya habían descrito redes de neuronas artificiales en 1943, y desde los primeros años de la disciplina hubo intentos de construir sistemas inspirados en el cerebro. Pero durante décadas faltaron datos y potencia suficientes para convertir ese enfoque en una herramienta general.

El punto de inflexión llegó en 2012 con AlexNet, un modelo de aprendizaje profundo desarrollado por Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton en la Universidad de Toronto. Ganó la competición ImageNet con una ventaja clara y mostró que las redes profundas podían superar a enfoques diseñados a mano para reconocer imágenes.

El siguiente giro se produjo con la arquitectura Transformer, propuesta en 2017 en el artículo Attention Is All You Need. Su mecanismo de atención permitió construir modelos capaces de manejar relaciones complejas dentro de grandes secuencias de texto. Sobre esa arquitectura se desarrollaron modelos de lenguaje de gran escala, entrenados con enormes cantidades de datos y adaptables a muchas tareas distintas.

Con ellos, la IA dejó de presentarse solo como una herramienta especializada y entró en la vida cotidiana. Los modelos podían redactar, resumir, traducir, programar, conversar y generar contenidos con una flexibilidad inédita. La aparición de GPT-3 en 2020 y el despliegue público de ChatGPT en 2022 hicieron visible para millones de usuarios algo que llevaba décadas gestándose.

La conexión canaria

Canarias no aparece como un lugar fundacional de la inteligencia artificial, pero sí tiene una trayectoria propia dentro de su despliegue. La conexión más sólida está en la Universidad de Las Palmas de Gran Canaria. En 2001 se creó el Instituto Universitario de Sistemas Inteligentes y Aplicaciones Numéricas en Ingeniería, el SIANI, concebido como centro de investigación, docencia avanzada y especialización en sistemas inteligentes y computación aplicada.

Ese hilo tiene una imagen especialmente clara en Eldi, el robot del Museo Elder de la Ciencia y la Tecnología de Las Palmas de Gran Canaria. Presentado en torno a la inauguración del museo, funcionó como demostrador público de robótica móvil y de interacción entre máquinas y visitantes. En términos históricos, sitúa a Canarias en una fase propia de finales de los noventa y primeros dos mil: la IA como robótica, automatización, sensores y sistemas capaces de actuar en un entorno físico.

La evolución reciente desplaza esa presencia desde el laboratorio hacia la formación, la empresa y los servicios. La ULPGC y Binter anunciaron en 2026 una cátedra de investigación aplicada en inteligencia artificial y robótica, presentada como la primera de este tipo en Canarias. La conexión canaria, por tanto, no está en el origen mundial de la disciplina, sino en su traducción territorial: grupos universitarios, robótica, sistemas inteligentes, transferencia de conocimiento y administración digital.

Suscríbete para seguir leyendo