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.