En los años 30, el matemático británico Alan Turing propuso un modelo teórico que cambió por completo la forma en que entendemos la computación: la llamada “Máquina de Turing”. No era un
La tesis de Church-Turing: los fundamentos de la computación universal Mientras Alan Turing desarrollaba su conocida máquina teórica (capaz de simular cualquier proceso computacional mediante una serie de reglas y símbolos), el
En el verano de 1956, un pequeño grupo de científicos se reunió en el Dartmouth College, en New Hampshire (Estados Unidos), con una idea revolucionaria: investigar la posibilidad de que las máquinas
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
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
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
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
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
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.
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