Durante la Conferencia de Dartmouth, dos de los investigadores, Herbert Simon y Allen Newell, presentaron un sistema que marcaría un antes y un después en la historia de la inteligencia artificial: el Logic Theorist, un programa que trataba de demostrar teoremas matemáticos de forma automática, utilizando para ello razonamiento lógico paso a paso.

Logic Theorist es considerado por muchos como el primer programa realmente inteligente de la historia, ya que no solo ejecutaba instrucciones, sino que tomaba decisiones sobre qué pasos lógicos seguir, imitando una forma básica de razonamiento humano. Para Simon y Newell, esta era la demostración de que los procesos mentales podían transformarse en procesos computacionales, y es lo que en aquel entonces inspiraría una nueva forma de estudiar la mente humana desde el punto de vista de la lógica y la informática.

Poco después, ellos mismos desarrollaron el General Problem Solver (GPS), un programa (aún más ambicioso) que tenía como objetivo resolver cualquier problema que pudiera definirse mediante reglas formales, siguiendo una estrategia general de búsqueda de soluciones.

A diferencia del Logic Theorist, que se centraba en demostraciones matemáticas, el GPS fue diseñado para abordar una variedad más amplia de situaciones, como juegos de lógica, rompecabezas o planificación de tareas.

Su funcionamiento se basaba en la descomposición de los problemas en subproblemas más pequeños, aplicando técnicas de búsqueda heurística (una forma básica de estrategia adaptativa) para encontrar una solución.

Aunque el GPS estaba limitado a contextos muy estructurados y aún no podía enfrentarse a situaciones más abiertas o ambiguas, supuso un avance importantísimo: demostró que era posible crear algoritmos generales para simular la resolución de problemas, lo que sentó las bases para muchas áreas de la IA moderna (como los modelos razonadores, o incluso los agentes de IA).

En 1958, el psicólogo e ingeniero Frank Rosenblatt presentó un modelo computacional que marcaría otro gran hito en la historia de la inteligencia artificial: el perceptrón.

Inspirado en el funcionamiento básico de las neuronas biológicas, el perceptrón fue uno de los primeros intentos de construir unamáquina capaz de aprender a partir de datos, sin depender únicamente de reglas programadas manualmente.

El perceptrón era un sistema bastante simple: recibía entradas numéricas (por ejemplo, los píxeles de una imagen), las procesaba a través de una capa de conexiones ponderadas, y generaba una salida binaria (sí-no, 0-1, clase A-clase B).

Lo revolucionario era que el sistema ajustaba automáticamente esos pesos internos en función de los errores que cometía durante el entrenamiento con ejemplos. Así, podía mejorar su capacidad para reconocer patrones simples, como distinguir entre formas geométricas o letras.

Este mecanismo de aprendizaje marcó el inicio de lo que más tarde se conocería como Machine Learning, y en concreto, del aprendizaje supervisado y, por ello, el perceptrón se considera el precursor de las redes neuronales artificiales modernas.
Por primera vez, una máquina no solo ejecutaba instrucciones, sino que aprendía de su propia experiencia, una de las ideas centrales (y yo diría, la más importante) de la inteligencia artificial.

El entusiasmo inicial duró poco. En 1969 Marvin Minsky y Seymour Papert publicaron el libro Perceptrons, en el que demostraban matemáticamente que los perceptrones no podían resolver problemas que no fueran lineales, como el famoso caso de la función lógica XOR. Esto reveló serias limitaciones en la arquitectura del perceptrón y, durante más de una década, el interés por las redes neuronales se redujo de manera importante.

Este desencanto fue uno de los factores que llevaron más adelante, ya en la década de 1970, al primer ‘invierno de la IA’, un periodo en el que, al no cumplirse las expectativas, se redujeron drásticamente la financiación y el interés institucional.

Aun así, afortunadamente la idea de construir máquinas que aprendieran por sí solas no desapareció, y décadas más tarde resurgiría con fuerza con el desarrollo del aprendizaje profundo (Deep Learning).

Mientras las redes neuronales quedaban un poco “en pausa” tras la desilusión del perceptrón, durante las décadas de 1960 y 1970 la investigación en inteligencia artificial tomó un rumbo diferente: el desarrollo de los llamados sistemas expertos. Este enfoque, también conocido como IA simbólica, se basaba en la idea de representar el conocimiento humano de forma explícita mediante reglas lógicas del tipo:

“Si se cumple la condición A, entonces realiza la acción B”.

Estos sistemas no razonaban de forma autónoma como lo haría un ser humano, sino que seguían cadenas de reglas preprogramadas para llegar a conclusiones. En otras palabras, imitaban el razonamiento humano de manera estructurada y controlada, dentro de límites muy específicos.

La “inteligencia” del sistema dependía totalmente del conocimiento que los expertos humanos introducían manualmente en forma de reglas.

El objetivo era simular el comportamiento de un especialista humano en un campo concreto (como la medicina, la química o incluso la logística) para automatizar decisiones en contextos bien definidos. Para ello, se desarrollaban grandes bases de conocimiento y se utilizaban motores de inferencia lógica, que permitían aplicar esas reglas paso a paso según el problema planteado.

Algunos ejemplos tempranos fueron DENDRAL, desarrollado en la Universidad de Stanford, que ayudaba a determinar la estructura de compuestos químicos a partir de datos, o MYCIN, un sistema diseñado para diagnosticar infecciones bacterianas y recomendar tratamientos antibióticos.

Los sistemas expertos demostraron ser muy eficaces en campos donde el conocimiento podía formalizarse con precisión y las situaciones eran relativamente predecibles.

Sin embargo, su mayor fortaleza también fue su mayor debilidad: dependían por completo de reglas predefinidas, lo que los hacía costosos de desarrollar, difíciles de mantener y, sobre todo, muy poco flexibles ante situaciones nuevas o inciertas. Además, carecían totalmente de capacidad de aprendizaje autónomo, lo que claramente los alejaba del ideal de una inteligencia capaz de adaptarse a nuevos contextos o situaciones.

A pesar de estas limitaciones, los sistemas expertos dominaron la investigación en IA durante bastante tiempo (casi dos décadas) y permitieron importantes bastantes aplicaciones prácticas. También sentaron las bases de áreas como la representación del conocimiento, los lenguajes de programación lógica (como Prolog) y los sistemas de planificación automática.

El contraste con los enfoques (el perceptrón y las redes neuronales) reflejaba una de las divisiones históricas más profundas en la IA: por un lado, la IA simbólica (basada en reglas predefinidas y razonamiento lógico) y por otro, el aprendizaje automático, basado en la experiencia y el ajuste de parámetros.

Un debate que, con matices distintos, sigue existiendo hoy en día en el mundo de la inteligencia artificial.

Pero en la tecnología, como en la vida, después de los inviernos llegan las “primaveras”, y a comienzos de los años 80, los sistemas expertos vivieron un nuevo auge, considerado por muchos como una “primavera parcial”, gracias al desarrollo de herramientas comerciales que lograron cierta utilidad en sectores como la medicina, la química o la industria.

Los gobiernos y las empresas volvieron a querer invertir con fuerza, especialmente impulsados por el ambicioso proyecto japonés de la quinta generación de ordenadores, que prometía máquinas capaces de comprender lenguaje natural, razonar y aprender.

El proyecto, oficialmente llamado “Fifth Generation Computer Systems Project (FGCS)”, fue lanzado en 1982 por el Ministerio de Comercio Internacional e Industria de Japón (MITI). Su meta era desarrollar ordenadores con inteligencia artificial, capaces de:

• Comprender y procesar lenguaje natural (como el japonés o el inglés)
• Razonar de forma lógica
• Aprender a partir de la experiencia
• Responder de manera autónoma a situaciones nuevas
• Resolver problemas complejos no estructurados

¿Qué lo hacía diferente de las generaciones anteriores?

Las generaciones anteriores se habían centrado en avances técnicos como: válvulas de vacío (1ª generación), transistores (la 2ª), circuitos integrados (la 3ª) y microprocesadores (la 4ª).

La quinta generación, en cambio, apostaba por una transformación más cualitativa, basada en software inteligente y hardware paralelo, con un fuerte enfoque en inteligencia artificial simbólica y lógica de predicados. Querían construir máquinas que no solo procesaran datos, sino que entendieran conceptos.

¿Qué pasó con el proyecto?

Aunque fue pionero y volvió a despertar un gran interés a nivel internacional por la IA (interés y, por tanto, inversión), el proyecto no logró cumplir del todo sus metas. De nuevo los límites de la tecnología y del enfoque simbólico suponían un freno. Sin embargo, sirvió para recuperar el interés global en la inteligencia artificial y la informática avanzada, especialmente en EE. UU. y Europa, que lanzaron iniciativas similares.

En la década de 1980, los sistemas expertos vuelven a despertar interés ya que codificaban conocimiento humano en forma de reglas lógicas (por ejemplo, “si X ocurre, entonces Y es cierto”) para resolver problemas en campos específicos.

Esta vuelta de los sistemas expertos marcó el resurgimiento del interés en la IA tras los inviernos de los años 70, pero de nuevo, presentaban muchas limitaciones.

En 1987, sin embargo, vuelve desaparecer el entusiasmo tras demostrarse que los sistemas expertos eran difíciles de escalar, caros de mantener y poco adaptables a contextos específicos. La iniciativa japonesa fracasó, y muchas expectativas volvieron a quedarse cortas. Esto provocó un nuevo colapso de la financiación, y la IA volvió a caer en “popularidad”, dando lugar a un nuevo ‘invierno de la IA’ que se extendió desde finales de los años 80 hasta mediados de los 90, marcado por una fuerte caída de la inversión y una pérdida de confianza en la utilidad real de los sistemas de IA.

En 1997, aunque con menos euforia, algunos logros concretos devolvieron cierta credibilidad a la IA cuando Deep Blue, el famoso ordenador de IBM fue capaz de ganar al campeón mundial de ajedrez Garry Kasparov, logrando que el mundo volviera a soñar con que las máquinas podían superar a los humanos en algunas tareas.

Se empezaron a utilizar algoritmos de IA en buscadores y asistentes de voz, aunque nada de esto suponía en realidad un gran salto cualitativo.

A partir de los 2000, el machine learning se convirtió en el enfoque que captó toda la atención en el campo de la IA, dejando totalmente de lado a los sistemas expertos.

Este cambio se debió, sobre todo, a tres factores clave: el aumento en la potencia de cálculo, la disponibilidad de grandes conjuntos de datos y el desarrollo de algoritmos más sofisticados. En lugar de depender de reglas codificadas a mano, los algoritmos de machine learning permiten a los sistemas aprender patrones directamente de los datos, y ajustar por sí mismos sus parámetros internos para mejorar su rendimiento.

Durante este período, algoritmos clásicos se convirtieron en herramientas fundamentales:

• Regresión logística: Un método que predice probabilidades para clasificar datos en categorías.
• Máquinas de vectores de soporte (SVM): Algoritmos que clasifican datos separándolos en categorías con márgenes óptimos, utilizados, por ejemplo, para identificar tumores en imágenes médicas.
• Árboles de decisión: Modelos que toman decisiones siguiendo una estructura de preguntas y respuestas

Estos algoritmos se aplicaron en diversos tipos de aprendizaje:

• Aprendizaje supervisado, que utiliza datos etiquetados para entrenar modelos que predicen resultados.
• Aprendizaje no supervisado, que identifica patrones en datos sin etiquetas.
• Aprendizaje por refuerzo, que permite a los sistemas aprender mediante prueba y error, recibiendo recompensas por decisiones correctas.

(Estos tipos de aprendizaje y los que fueron surgiendo posteriormente los veremos en profundidad más adelante.)

El renacimiento del machine learning también se benefició de avances en hardware, particularmente las unidades de procesamiento gráfico (GPUs), originalmente desarrolladas para renderizar gráficos en videojuegos.

Las GPUs son procesadores especializados que realizan cálculos matemáticos complejos de manera muy rápida y eficiente. Su capacidad para procesar múltiples operaciones simultáneamente aceleró de forma exponencial el entrenamiento de modelos de machine learning, pudiendo utilizar grandes volúmenes de datos y cálculos intensivos requeridos por los algoritmos.

Habría que esperar hasta 2006 para que la euforia volviera a ser completa gracias al renacimiento de las redes neuronales profundas (Deep Learning), impulsadas por tres factores clave: más datos que nunca (Big Data), mayor potencia de cálculo (especialmente gracias al uso de GPUs) y el desarrollo de nuevos algoritmos y técnicas de entrenamiento que suponían un cambio importante.

A partir de ahí, se produjeron dos hechos decisivos que cambiarían para siempre el rumbo de la inteligencia artificial:

ALEXNET: El despegue del reconocimiento de imágenes

El reconocimiento de imágenes por redes profundas (AlexNet) en 2012, un modelo que ganó la competición ImageNet con una precisión muy superior a la de cualquier otro sistema anterior.

El modelo AlexNet fue desarrollado por Alex Krizhevsky, junto con Ilya Sutskever (que años después sería confundador de OpenAI junto con Elon Musk y Sam Altman) y Geoffrey Hinton (galardonado con el Premio Nobel de Física, junto con John Hopfield, por sus contribuciones fundamentales al desarrollo del aprendizaje automático mediante redes neuronales artificiales), en la Universidad de Toronto.

ImageNet Large Scale Visual Recognition Challenge (ILSVRC) era una competición anual en el que los modelos debían clasificar imágenes en una base de datos con más de un millón de ejemplos y mil categorías posibles. El objetivo era predecir correctamente a qué categoría pertenece cada imagen. Una de las métricas clave era el error de clasificación top-5, que indicaba la frecuencia con la que la categoría correcta no se encontraba entre las cinco predicciones más probables del modelo.

AlexNet logró una mejora sin precedentes al reducir ese error top-5 al 15,3%, frente al 26,2% obtenido por el segundo clasificado. Esta diferencia marcó un punto de inflexión en el campo de la visión por ordenador y consolidó el aprendizaje profundo como una estrategia fundamental en tareas de reconocimiento de imágenes.

El resultado demostró que las redes neuronales profundas podían superar a los métodos tradicionales en tareas visuales complejas, siempre que se tuvieran suficientes datos y potencia de cómputo. Este éxito marcó el inicio del éxito del Deep Learning en muchísimas áreas.

Attention is all you need

El segundo gran hito fue la publicación en 2017 del artículo Attention is All You Need, que introdujo por primera vez la arquitectura transformer, basada en mecanismos de atención.

Esta innovación revolucionó el procesamiento del lenguaje natural al eliminar la necesidad de estructuras secuenciales como las RNN o LSTM, permitiendo entrenar modelos mucho más eficientes y potentes.

Gracias a los Transformers (que veramos en detalle más adelante) se desarrollaron modelos de gran escala como LLaMa, GPT o Mistral, que inauguraron la era de la IA generativa, capaz de comprender, generar y traducir texto con una fluidez sin precedentes.

Ya no hablamos solo de sistemas expertos o redes simples, sino de modelos de lenguaje de escala masiva, capaces de analizar, redactar, conversar, traducir y crear contenido complejo de forma sorprendentemente coherente.

La inteligencia artificial dejó de ser una promesa para convertirse en una tecnología omnipresente en nuestra vida diaria.

Desde entonces, y hasta nuestros días, la IA ha evolucionado hacia sistemas multimodales capaces de integrar texto, imágenes y otros datos, impulsados por modelos como GPT-4o.

La disponibilidad de datasets masivos, el aumento en la potencia de cálculo (GPUs, TPUs) y técnicas como el aprendizaje por refuerzo con retroalimentación humana (RLHF) han permitido que la IA logre hacer tareas que hace solo unos años nos parecían ciencia ficción.

El objetivo de esta sección era poner en contexto temporal todos los avances y comprender cómo hemos llegado hasta aquí. Insisto en que comprender cómo transcurren los avances no tiene una importancia meramente histórica sino poder comprender muchas de las innovaciones que vemos hoy en día.

De todas formas, la gran mayoría los iremos viendo y desgranando a lo largo de los próximos capítulos.

Cuando hablamos de inteligencia artificial, es muy habitual oír palabras como chips, GPUs o procesadores… pero muchas veces no tenemos claro qué significa cada cosa.

La forma más sencilla de entenderlo es pensar que no existe un único “cerebro”, sino varios tipos, cada uno diseñado para hacer bien una cosa concreta.

Qué es una CPU

Es el procesador de toda la vida, el que tienen todos los ordenadores. Funciona muy bien haciendo tareas de manera secuencial, es decir, una detrás de otra. Sirve para casi todo, pero no es especialmente rápida cuando tiene que hacer muchísimas cosas a la vez.

Qué es una GPU

Nacieron para gráficos, para dibujar videojuegos e imágenes, pero tienen una característica clave: pueden hacer miles de operaciones al mismo tiempo, lo que se llama ejecutar tareas en paralelo. Aunque nacieron para mejorar la calidad de los videojuegos, son imprescindibles en la inteligencia artifiial, precisamente porque en este campo se necesitan ejecutar muchas tareas en paralelo. Por eso hoy son el corazón de los sistemas de IA.

Después aparecen otros chips más específicos.

Qué es una TPU

Las TPU, por ejemplo, son procesadores creados por Google pensados directamente para inteligencia artificial. No intentan servir para todo, solo para este tipo de tareas, y por eso son más eficientes cuando trabajan con modelos de IA.

Qué es una NPU

Las NPU son algo parecido, pero pensadas para dispositivos como móviles. Gracias a ellas, tu teléfono puede reconocer tu cara, traducir textos o mejorar fotos sin necesidad de conectarse a internet.

Qué es una DPU

Y luego están las DPU, que son menos conocidas pero muy importantes en grandes sistemas. Su función no es tanto “pensar”, sino mover datos de un sitio a otro de forma eficiente, algo fundamental cuando trabajas con enormes cantidades de información.

Si lo simplificamos mucho, lo que ha pasado es esto: Durante años, utilizábamos un único tipo de procesador para todo. Pero la inteligencia artificial necesita hacer millones de cálculos al mismo tiempo, y eso los procesadores tradicionales no lo hacen bien, por eso han ido apareciendo nuevos tipos de chips, cada uno especializado en una parte del problema.

Es un cambio importante, porque ya no basta con tener un ordenador potente. A medida que los modelos de inteligencia artificial han aumentado en tamaño y complejidad, la necesidad de hardware específico para acelerar operaciones de cómputo intensivo se ha vuelto esencial.

Jensen Huang describe la inteligencia artificial como un pastel de 5 capas:

Jensen Huang explica la IA como un sistema de cinco capas, donde cada capa necesita y depende de la anterior. La idea es simple, pero cambia por completo la forma de ver la industria (dejamos de pensar en la IA como software y empezamos a entenderla como infraestructura).

Primera capa: Energía

Entrenar modelos y operar con sistemas de inteligencia artificial requiere enormes cantidades de energía, ya lo sabemos. Los centros de datos actuales consumen niveles comparables a los de ciudades pequeñas, y su crecimiento está directamente limitado por la disponibilidad energética.

Esto introduce una dimensión que hasta hace poco no formaba parte de la conversación tecnológica: la capacidad de generar y gestionar energía se convierte en un factor crítico para el desarrollo de la IA.

Segunda capa: Chips

Aquí entran los semiconductores y, en particular, las GPUs, un tipo de chip diseñado para ejecutar miles de operaciones en paralelo. Esta arquitectura es clave para entrenar modelos de inteligencia artificial, que requieren procesar grandes volúmenes de datos de forma simultánea.

Durante años, estos chips se asociaron principalmente a videojuegos. Sin embargo, su diseño resultó ser especialmente adecuado para la IA, lo que los ha convertido en una pieza central del sistema.

Hoy, al igual que la energía, el acceso a estos chips es una de las principales limitaciones del sector.

Tercera capa: Infraestructura

Los chips necesitan un entorno donde operar. Esa es la función de la infraestructura.

Los centros de datos, redes de alta velocidad, sistemas de refrigeración y arquitecturas distribuidas permiten que miles de chips trabajen de forma coordinada. Esto quiere decir que no se trata solo de tener hardware, sino de integrarlo en sistemas complejos capaces de operar de manera eficiente y continua.

La construcción de esta infraestructura requiere inversiones masivas y un alto nivel de especialización, lo que la convierte en una barrera de entrada significativa.

Cuarta capa: Modelos

Sobre esa base aparecen los modelos de inteligencia artificial (de lenguaje, sistemas de visión o modelos multimodales) que son los encargados de procesar información, generar contenido o tomar decisiones.

Es la capa más visible desde el punto de vista técnico, pero también una de las más dependientes. Los modelos no existen sin las capas inferiores: necesitan energía, chips e infraestructura para ser entrenados y desplegados.

Quinta capa: Aplicaciones

Es el punto en el que la inteligencia artificial se convierte en producto. Herramientas, asistentes, automatizaciones o soluciones empresariales que utilizan modelos para resolver problemas concretos.

Es también la capa más cercana al usuario y donde se percibe el valor de forma más directa. Sin embargo, su funcionamiento depende completamente de todo lo que ocurre por debajo.

Ahora bien, ¿por qué Jensen Huang explica la inteligencia artificial como un sistema de capas?

Durante años, la conversación sobre IA se ha centrado casi exclusivamente en los modelos: qué modelo es mejor, cuál razona mejor, cuál genera mejores respuestas. Al poner el foco en las capas, Jensen Huang desplaza la atención hacia algo más fundamental: la inteligencia artificial no es un producto, es un sistema.

Ahora bien ¿en qué capa está el poder?

A primera vista, podría parecer que está en las aplicaciones. Son visibles, generan ingresos y son las que interactúan con el usuario. Sin embargo, las aplicaciones dependen completamente de los modelos, y los modelos, a su vez, dependen de las capas inferiores. Esto hace que el poder técnico se concentre más abajo de lo que parece y lo que es más importante, las capas inferiores tienen una característica clave: son mucho más difíciles de replicar.

Diseñar chips avanzados requiere años de investigación, acceso a talento altamente especializado y una cadena de suministro global extremadamente compleja y construir centros de datos a gran escala implica inversiones multimillonarias, acceso a energía y capacidad operativa. Estas barreras de entrada hacen que pocas empresas puedan competir en esas capas.

Esto genera una dinámica interesante: el control tecnológico se concentra abajo, mientras que la visibilidad y parte del valor económico se concentra arriba.

La posición de Nvidia dentro del stack

Dentro de este sistema, Nvidia ocupa una posición especialmente relevante. La compañía no está en la capa de aplicaciones, ni compite directamente por el usuario final. Sin embargo, controla una de las capas más críticas: la computación.

Sus GPUs se han convertido en el estándar para entrenar modelos de inteligencia artificial, y su software asociado permite utilizarlas de forma eficiente y esto le da una ventaja estructural porque su negocio está en la base del sistema.

Qué significa esto para empresas y usuarios

Esta forma de entender la IA tiene implicaciones prácticas. Para muchas empresas, la inteligencia artificial se percibe como algo accesible: basta con integrar un modelo o utilizar una herramienta y, en parte, es cierto porque las capas superiores del stack son cada vez más accesibles.

Pero las capas inferiores siguen estando concentradas en pocas empresas, lo que limita quién puede competir realmente en el desarrollo de tecnología fundamental. Esto crea una diferencia clara entre usar inteligencia artificial y construir inteligencia artificial.

«La inteligencia artificial es, como solemos decir bromeando quienes trabajamos en ella, aquello que los ordenadores todavía no saben hacer. En cuanto lo aprenden, dejamos de llamarlo IA y pasa a ser, simplemente, software».

— John McCarthy, citado por Mustafa Suleyman en The Coming Wave

Siempre me ha llamado la atención la facilidad con la que el ser humano tiende a normalizar cualquier avance tecnológico. El correo electrónico, el GPS o las videollamadas nos parecieron casi magia en su día. Hoy pedimos un coche desde una app, lo seguimos en tiempo real, pagamos sin sacar la tarjeta… y todo sin que apenas reparemos en ello. Antes de que nos demos cuenta, nos parecerá algo normal que no haya nadie sentado al volante.

Con la inteligencia artificial está ocurriendo lo mismo: hace poco nos maravillaba que un algoritmo describiera una foto y ahora, no solo esperamos, sino exigimos que genere imágenes fotorrealistas, traduzca conversaciones en tiempo real o redacte un informe con las cuatro instrucciones que le hemos dado en voz alta mientras preparamos la cena. Nuestra capacidad de asombro disminuye rápidamente y cada avance nos deslumbra un instante antes de volverse casi invisible. Como ya anticipaba Suleyman, la inteligencia artificial se va convirtiendo en un “simple software”, que se integra de forma silenciosa en nuestra vida diaria, días después de lograr lo que nos parecía imposible.

¿Qué entendemos por inteligencia artificial?

De forma sencilla, podemos definir la inteligencia artificial como la rama de la informática que diseña sistemas capaces de realizar tareas que, hasta hace poco, solo podían ejecutar los humanos: razonar, aprender, tomar decisiones, interpretar información o adaptarse a situaciones nuevas y desconocidas.

Lo que la distingue del software tradicional es su capacidad para procesar grandes volúmenes de datos, descubrir patrones complejos, aprender de la experiencia y mejorar de manera autónoma.

Hay que destacar que la IA no pretende replicar toda la mente humana, sino potenciar algunas funciones cognitivas concretas como el razonamiento, el aprendizaje, la percepción, la planificación o la acción, todo ello amplificado por una potente capacidad de cálculo inalcanzable para el ser humano.

Gracias a esta mezcla de ‘inteligencia funcional’ y potencia de procesamiento, los sistemas de IA superan la velocidad, precisión y resistencia humanas en muchas tareas específicas: no solo están siempre disponibles, sino que son capaces de explorar soluciones que escapan por completo a nuestra intuición y lógica.