Cómo creció la IA: de las reglas a las máquinas que aprenden
Setenta años de inteligencia artificial para lectores jóvenes, con un robot guía, un juego para enseñarle a una máquina y un cuestionario.Explicado para niños
Por el equipo de ingeniería de Maborak · · 10 min de lectura · Read in English
¡Hola! Soy Bit, un robot dibujado para esta página. No puedo pensar, pero conozco una historia sobre máquinas que aprendieron a hacer cosas sorprendentes. ¿Me acompañas?
Hace mucho tiempo, las computadoras solo podían hacer exactamente lo que las personas les decían, un paso a la vez. Hoy algunas pueden conversar, reconocer animales en fotos y ayudar con las tareas. ¿Cómo pasó eso? Mucha gente trabajó en ello durante más de setenta años, y la historia tiene una gran sorpresa a la mitad.
Revisado el 29 de octubre de 2026. Cada fecha de esta historia viene del artículo o anuncio original. La lista está al final, para los adultos.
¿Qué es?
La inteligencia artificial, o IA, consiste en hacer que las computadoras hagan cosas que, cuando las hacemos las personas, requieren pensar: reconocer un gato en una foto, entender una pregunta o jugar bien un juego.
Para ver por qué eso es difícil, primero hay que saber qué es un programa. Un programa es una lista de instrucciones, como una receta de cocina. La computadora sigue la receta al pie de la letra. Nunca adivina, nunca se aburre y nunca se salta un paso.
Esta es una receta para mí: “Si hay sol y hace calor, di vamos a jugar afuera. Si no, di nos quedamos en casa”. Puedo seguirla perfectamente. Pero ¿y si nadie me da la receta?
Esa es la gran pregunta de esta historia: ¿puede una computadora hacer cosas para las que nadie escribió una receta?
¿Se te ocurre algo que sabes hacer, pero que no podrías explicar como una receta?Piénsalo y luego toca para ver la respuesta
Reconocer la cara de un amigo es un buen ejemplo. Lo haces en un segundo, pero intenta escribir los pasos: “Si la nariz mide tanto y los ojos están a esta distancia…”. Es casi imposible. Justo ese tipo de problema querían resolver los científicos de esta historia.
¿Cómo funciona?
La IA creció por etapas, como una persona que aprende. Cada etapa la construyeron personas escribiendo programas. Sigue la línea del tiempo.
1950
La gran pregunta
Un matemático llamado Alan Turing escribió un artículo que empieza con una pregunta: “¿Pueden pensar las máquinas?”. Propuso un juego para comprobarlo. Conversas con alguien a quien no puedes ver. Si no logras saber si es una persona o una máquina, tal vez la máquina está pensando.
1956
La IA recibe su nombre
Un grupo de científicos pasó un verano en Dartmouth College, en Estados Unidos. Su plan, dirigido por John McCarthy, usó por primera vez las palabras “inteligencia artificial”. Creían que cada parte del aprendizaje podía describirse con tanta precisión que una máquina podría copiarla.
1958
Una máquina que aprende
Frank Rosenblatt construyó el perceptrón. No seguía una receta para dar sus respuestas: aprendía de ejemplos. Imagina un subibaja: cada vez que adivina mal, se inclina un poco hacia la respuesta correcta. Con suficientes ejemplos, deja de equivocarse.
1959
La práctica hace al maestro
Arthur Samuel escribió un programa que jugaba a las damas. Mejoraba jugando una y otra vez y recordando lo que funcionaba. Samuel llamó a esto “aprendizaje automático” (en inglés, machine learning), y el nombre se quedó.
1966
Un chatbot hecho de reglas
Joseph Weizenbaum escribió ELIZA, uno de los primeros chatbots. Buscaba palabras en lo que escribías y respondía con una lista de reglas, como un robot que lee tarjetas. Si escribías “estoy triste”, podía responder con una pregunta sobre estar triste.
¿Crees que ELIZA entendía cómo te sentías?Piénsalo y luego toca para ver la respuesta
No. ELIZA emparejaba palabras con reglas, como buscar una palabra en un diccionario y leer la línea de al lado. No tenía idea de qué significa “triste”. Aun así, Weizenbaum escribió que a algunas personas les costaba mucho convencerse de que ELIZA no era una persona.
Ahora hay dos tipos de máquinas: las que siguen reglas, como ELIZA, y las que aprenden de ejemplos, como el perceptrón. ¿Cuál ganó? Sigue leyendo.
1986
Aprender en equipo
Un perceptrón solo puede aprender reglas sencillas. Una red neuronal conecta muchos de ellos en capas, como un equipo que se pasa notas hacia adelante. Tres científicos mostraron cómo entrenar a todo el equipo: cuando la respuesta final está mal, el error se pasa hacia atrás por las capas y cada miembro se ajusta un poco.
2012
Las máquinas aprenden a ver
Una red neuronal llamada AlexNet aprendió a reconocer objetos en más de un millón de fotos, mucho mejor que los programas anteriores. Necesitó dos cosas: muchísimos ejemplos y chips de computadora rápidos para aprender de ellos.
2017
Prestar atención a las palabras
Investigadores de Google describieron el Transformer. Permite que una red mire todas las palabras de una oración a la vez y decida qué palabras importan entre sí. Por ejemplo, en “El perro persiguió la pelota porque era rápido”, una red así puede aprender que “era rápido” habla del perro.
2022
Cualquiera puede conversar con una IA
El 30 de noviembre de 2022, OpenAI lanzó ChatGPT, un chatbot que cualquiera podía usar. Parte de su entrenamiento vino de personas que conversaron con él y ordenaron sus respuestas de la mejor a la peor.
Ganaron las máquinas que aprenden. ¿Por qué crees que necesitaban tantos ejemplos?Piénsalo y luego toca para ver la respuesta
Piensa en cómo aprendiste qué es un perro. Viste muchos perros: grandes, pequeños, peludos, con manchas. Una máquina que aprende es igual, solo que más lenta. Con pocas fotos se confunde; con un millón empieza a notar lo que todos los perros tienen en común.
¿Por qué importa?
Aquí está la gran sorpresa de la historia. Tiene que ver con quién escribe las reglas.
- A la manera antigua, una persona piensa cada regla y la escribe.
- A la manera nueva, una persona escribe un programa que aprende las reglas a partir de ejemplos.
Las máquinas que aprenden pueden hacer cosas para las que escribir reglas sería demasiado difícil, como distinguir un perro de un lobo o entender una pregunta hecha de muchas formas distintas.
¡Pero cuidado! Una máquina que aprende lo hace con sus ejemplos, errores incluidos. Si los ejemplos están mal, la máquina aprende algo equivocado.
Hasta la empresa que creó ChatGPT dice que “a veces escribe respuestas que suenan convincentes pero son incorrectas o no tienen sentido” (traducción nuestra). Dicho fácil: puede sonar muy segura y aun así equivocarse. Por eso las personas siguen revisando su trabajo.
Pruébalo
Ahora te toca ser el maestro. La máquina de abajo quiere saber cuándo jugar afuera, pero no puede ver la regla secreta. Tú eliges la regla y le muestras un día a la vez. Mira cómo giran sus tres perillas cada vez que se equivoca.
Enséñale a la máquina
Las perillas de la máquina
¿La máquina empeoró alguna vez antes de mejorar?Piénsalo y luego toca para ver la respuesta
Con la primera regla, sí. En la ronda 3 comete más errores que en la ronda 2, porque corregir un error puede causar otro. Sigue ajustándose y en la ronda 6 acierta todos los días. Las personas que aprenden algo nuevo a menudo hacen lo mismo.
¿Sin pantalla? Juega con un amigo. Tu amigo piensa una regla secreta, por ejemplo: “Digo que sí solo si hay sol y hace calor”. Te describe un día (“soleado, pero frío”) y tú adivinas sí o no. Cuando te equivoques, cambia un poco tu respuesta la próxima vez. Cuenta cuántos intentos necesitas hasta no fallar nunca.
Para adultos: el programa detrás del juego y lo que mostró cuando lo probamos
El juego usa los mismos pasos de aprendizaje que este pequeño programa en Python. Lo ejecutamos con Python 3.15. El código está en inglés, igual que en la versión original.
days = [(1, 1), (1, 0), (0, 1), (0, 0)] # (sunny, warm): 1 = yes
answers = {(1, 1): 1, (1, 0): 0, (0, 1): 0, (0, 0): 0} # play only if both
def rule(sunny, warm): # the old way
return 1 if sunny and warm else 0
print("Rule written by a person:", [rule(*d) for d in days])
w_sunny, w_warm, bias = 0.0, 0.0, 0.0 # the learning way
for round_number in range(1, 20):
mistakes = 0
for sunny, warm in days:
guess = 1 if w_sunny * sunny + w_warm * warm + bias > 0 else 0
error = answers[(sunny, warm)] - guess
if error:
mistakes += 1
w_sunny += 0.1 * error * sunny
w_warm += 0.1 * error * warm
bias += 0.1 * error
print(f"Round {round_number}: {mistakes} mistakes")
if mistakes == 0:
break
print("Rule the computer learned:",
[1 if w_sunny * s + w_warm * w + bias > 0 else 0 for s, w in days])Lo que mostró:
Rule written by a person: [1, 0, 0, 0]
Round 1: 3 mistakes
Round 2: 2 mistakes
Round 3: 3 mistakes
Round 4: 2 mistakes
Round 5: 2 mistakes
Round 6: 0 mistakes
Rule the computer learned: [1, 0, 0, 0]Nadie le dijo la regla al programa y, después de cinco rondas con errores, dio las mismas respuestas que la regla escrita por una persona.
Hora del cuestionario
Qué hacer
Para el adulto que acompaña a un lector joven:
- Jueguen con cada una de las tres reglas secretas y comparen cuántas rondas necesita la máquina. Pregunten: “¿Por qué crees que esta regla fue más fácil?”.
- Cuando usen un chatbot juntos, revisen una de sus respuestas en un libro o en un sitio web confiable. Es un buen hábito, porque los chatbots pueden equivocarse aunque suenen seguros.
- Conversen sobre la diferencia entre una receta que alguien escribió y una habilidad que alguien practicó. Esa es la diferencia entre las primeras computadoras y la IA de hoy.
¡Gracias por enseñarle a mi prima, la máquina! La próxima vez que escuches “IA”, ya conocerás su secreto: alguien la construyó para aprender de ejemplos.
Fuentes
Para adultos (los artículos originales están en inglés):
- A. M. Turing, “Computing Machinery and Intelligence”, Mind 59 (236), octubre de 1950. doi:10.1093/mind/LIX.236.433
- Dartmouth College, The research conference where AI began, 1956, que cita la propuesta de McCarthy.
- F. Rosenblatt, “The perceptron”, Psychological Review 65 (6), 1958. doi:10.1037/h0042519
- A. L. Samuel, “Some Studies in Machine Learning Using the Game of Checkers”, IBM Journal of Research and Development 3 (3), julio de 1959. doi:10.1147/rd.33.0210
- J. Weizenbaum, “ELIZA”, Communications of the ACM 9 (1), enero de 1966. doi:10.1145/365153.365168
- D. E. Rumelhart, G. E. Hinton, R. J. Williams, “Learning representations by back-propagating errors”, Nature 323, octubre de 1986. doi:10.1038/323533a0
- A. Krizhevsky, I. Sutskever, G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks”, NIPS 2012.
- A. Vaswani et al., “Attention Is All You Need”, arXiv, 12 de junio de 2017.
- OpenAI, “Introducing ChatGPT”, 30 de noviembre de 2022.
