Breve historia de la IA

La IA tiene casi setenta años y ha repetido varias veces el mismo ciclo: una idea brilla en demos, las promesas superan a los resultados y el financiamiento se congela. Conocer ese ciclo ayuda a distinguir lo que cambió de verdad de lo que solo cambió de nombre.

Le haremos una sola pregunta a cada ola: ¿qué cambió en el trabajo de construir software? Esta lección recorre cuatro giros: de las reglas escritas a mano al aprendizaje a partir de datos, el diseño detrás de los modelos de lenguaje actuales, el paso del modelo de investigación al producto, y por qué el trabajo de hoy consiste en controlar modelos que actúan.

De las reglas a los datos

En 1956, un taller en Dartmouth dio origen a la IA como campo. Su propuesta, firmada por John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon, planteaba que cualquier aspecto de la inteligencia podía describirse con tanta precisión que una máquina podría simularlo. Así que las personas escribían reglas y hechos, y los programas razonaban con ellos: la IA simbólicaIA simbólica Enfoque que construye inteligencia con reglas y símbolos explícitos escritos por personas, en lugar de aprender de datos..

En 1958, Frank Rosenblatt publicó el perceptrón, una máquina que no recibía reglas: ajustaba un conjunto de números internos, sus pesos, después de cada ejemplo, hasta que sus respuestas mejoraban. En 1969, el libro Perceptrons de Minsky y Papert mostró que una máquina tan simple no podía aprender algunos patrones básicos, y el interés se enfrió. En 1973, el informe Lighthill le dijo al gobierno británico que la IA no había cumplido lo prometido. Los recortes que siguieron son el primer invierno de la IA.

Los años 80 trajeron los sistemas expertos: miles de reglas escritas junto a especialistas, como XCON, que DEC usaba para configurar sus computadoras. No podían aprender, así que cada excepción era otra regla que mantener. Cuando colapsó hacia 1987 el mercado de las máquinas especializadas en las que corrían, llegó el segundo invierno.

En 1986, Rumelhart, Hinton y Williams popularizaron la backpropagation, una forma de entrenar redes de varias capas. En los 90 dominaron los métodos estadísticos, como las support-vector machines. El trabajo del ingeniero pasó de escribir reglas a reunir datos y elegir a mano qué rasgos de esos datos, las features, debía mirar el modelo.

Después llegaron las imágenes. ImageNet (2009) ofreció millones de fotos etiquetadas. En 2012, AlexNet, una red de muchas capas entrenada en tarjetas gráficas (GPU), ganó la competencia de ImageNet con amplia ventaja. Desde entonces, la red encuentra sola las features útiles. Eso es el deep learning, y sus fundamentos están en Machine learning en una lección.

Del lenguaje al transformer

Para el lenguaje, primero las palabras tenían que convertirse en números. word2vec (2013) convirtió cada palabra en una lista de números, ubicada de forma que las palabras de significado parecido quedan cerca. Es el antecedente de los embeddingsEmbedding Lista de números que captura el significado de un texto, de modo que textos con significados parecidos reciben números cercanos entre sí. de Embeddings y RAG.

En 2014, seq2seq tradujo oraciones completas leyéndolas palabra por palabra, y Bahdanau, Cho y Bengio agregaron la atención: en cada paso, el modelo decide en qué partes de la entrada fijarse, como un traductor que vuelve la vista a las palabras relevantes. En 2017, "Attention Is All You Need" (Google) conservó la atención y eliminó la lectura palabra por palabra. Ese diseño, el transformerTransformer El diseño de red neuronal de 2017 detrás de los LLM actuales, construido alrededor de la atención y capaz de procesar todos los tokens de un texto a la vez., mira todo el texto a la vez. Eso aprovecha las GPU, que hacen muchos cálculos en paralelo, y volvió práctico entrenar con muchísimo más texto.

Siguió un patrón nuevo: preentrenar una vez y adaptar muchas. Una organización entrena un modelo general grande con una enorme cantidad de texto; muchas otras lo adaptan. OpenAI presentó GPT en 2018, y Google publicó BERT ese mismo año. En 2020, las scaling laws mostraron que estos modelos mejoran de forma predecible con más tamaño, datos y capacidad de cómputo.

También en 2020, GPT-3 mostró que, con unos pocos ejemplos dentro de la solicitud, un modelo podía resolver tareas nuevas sin reentrenarse. Es el in-context learningIn-context learning Capacidad de un modelo de resolver una tarea nueva con instrucciones o ejemplos en el prompt, sin actualizar sus pesos., y cambió la interfaz: muchas tareas pasaron de entrenar un modelo a escribirle el texto adecuado, el promptPrompt Todo lo que se envía al modelo en una llamada: instrucciones, mensajes de la conversación y las definiciones de herramientas, si las hay.. Más en El LLM como componente de software.

Del modelo al producto

InstructGPT (2022) convirtió un predictor de texto en un asistente con RLHFRLHF Aprendizaje por refuerzo con retroalimentación humana: ajustar un modelo con preferencias humanas para que siga instrucciones. (aprendizaje por refuerzo con retroalimentación humana): personas calificaban respuestas y el modelo se ajustaba hacia las que preferían. OpenAI lanzó ChatGPT, modelo hermano de InstructGPT, el 30 de noviembre de 2022, y llevó esa capacidad al público general.

En 2023, Meta publicó LLaMA con licencia para investigación y luego Llama 2, cuya licencia permite uso comercial. Con los modelos de pesos abiertosPesos abiertos Modelo cuyos parámetros entrenados se pueden descargar y ejecutar en cualquier lugar, aunque no publique código ni datos., cualquiera puede descargar un modelo entrenado y correrlo en sus propias máquinas; se suelen compartir con la librería Transformers y el Hub de Hugging Face. Lo vemos en Modelos, pesos abiertos y Hugging Face.

La última ola conecta los modelos con el mundo:

• Conocimiento externo. RAG (2020) busca documentos relevantes cuando llega una pregunta, en lugar de esperar que el modelo lo haya memorizado todo.
• Acciones. Investigaciones como ReAct y Toolformer enseñaron a los modelos a usar herramientas. En 2023, OpenAI lanzó function calling: el modelo indica qué función quiere ejecutar y con qué valores, y tu programa decide si la ejecuta. Lo vemos en Tool calling y harness.
• Código. GitHub Copilot (2021) sugería código mientras escribías. En febrero de 2025, Anthropic presentó Claude Code, un agenteAgente Sistema en el que un modelo, dentro de un bucle, elige la siguiente acción hasta decidir que terminó o alcanzar una condición de parada. que lee un repositorio, edita archivos y ejecuta comandos. Ese mismo mes, Andrej Karpathy bautizó como vibe codingVibe coding Término de Karpathy (2025) para construir software aceptando el código que genera la IA sin leerlo. la práctica de aceptar código generado sin leerlo.
• Estándares. En noviembre de 2024, Anthropic publicó el Model Context Protocol (MCPMCP Model Context Protocol: estándar abierto que permite a las aplicaciones de IA conectarse a herramientas, datos y prompts mediante una interfaz común.), un estándar abierto para conectar asistentes con los sistemas donde viven los datos. Lo vemos en MCP.

En la práctica

• Apuesta a lo que mejora solo. Los modelos base mejoran con cada generación; los parches escritos a mano para sus límites actuales suelen quedar obsoletos.
• No confundas una demo con un sistema. Pide pruebas con datos reales, costos medidos y un plan para cambiar de proveedor o modelo.
• Mantén reemplazable la capa que más cambia. Los modelos se renuevan cada pocos meses. Tus datos, tus pruebas y tu capa de control duran más, así que el esfuerzo ahí rinde.
• Trata la gobernanza como trabajo real. Cuando un modelo puede actuar, los permisos, las aprobaciones y la auditoría pasan a ser decisiones de diseño centrales.

Los tres casos de estudio del curso son de código abierto y pertenecen a esta ola. Adapta, un prototipo, combina RAGRAG Retrieval-augmented generation: encontrar pasajes relevantes en tus documentos y agregarlos al prompt antes de que el modelo responda. y LoRALoRA Low-rank adaptation: forma más barata de hacer fine-tuning que entrena matrices pequeñas añadidas en lugar de todos los pesos del modelo. para personalizar modelos en infraestructura propia (Embeddings y RAG, Fine-tuning, LoRA y QLoRA). docket, en beta, es un runtime que gobierna agentes con políticas y aprobaciones (Gobernanza y human-in-the-loop). Tack es un gestor de proyectos que, en su rama de desarrollo, coordina la ejecución de agentes (Ejecución durable de agentes).

Fuentes

• Era simbólica e inviernos: propuesta de Dartmouth, Rosenblatt 1958, informe Lighthill, segundo invierno
• Aprendizaje a partir de datos: backpropagation, SVMs, ImageNet, AlexNet
• Lenguaje: word2vec, seq2seq, atención, transformer, GPT, BERT, scaling laws, Chinchilla, GPT-3
• Producto: InstructGPT, ChatGPT, LLaMA, Llama 2, Transformers
• Herramientas y agentes: RAG, ReAct, Toolformer, function calling, Copilot, Claude Code, MCP, Karpathy sobre vibe coding

Para llevar

• La IA ha pasado por dos inviernos; ambos llegaron cuando las promesas superaron lo que la técnica podía sostener.
• El gran cambio de largo plazo fue pasar de escribir reglas a mano a aprenderlas de los datos.
• El transformer volvió práctico entrenar enormes modelos de lenguaje una vez y adaptarlos a muchas tareas, a menudo solo con un prompt.
• La retroalimentación humana convirtió predictores de texto en asistentes; los pesos abiertos y function calling los convirtieron en componentes que puedes hospedar y conectar.
• El trabajo de hoy es de control: qué puede hacer un modelo, quién lo aprueba y cómo se revisan sus acciones.

Comprueba lo aprendido