1936
Theory
The Turing Machine
Alan Turing publica "On Computable Numbers", introduciendo la Máquina de Turing. Este modelo abstracto define los límites de lo computable. Cada procesador es una realización física de esta idea.
xSingular · Autoridad en IA · 1936 - Presente
The History
of AI
Desde la Máquina de Turing hasta los grandes modelos de lenguaje. Un recorrido completo por las ideas, los papers, los pioneros y los hitos que dieron forma a la era de la inteligencia artificial.
0
Años de historia
0
Hitos clave
0
Pioneros
0
Papers seminales
A
Alan TuringPadre de la Computación e IA
J
John McCarthyPadre de la Inteligencia Artificial
M
Marvin MinskyCofundador, MIT AI Lab
C
Claude ShannonPadre de la Teoría de la Información
G
Geoffrey Hinton"Padrino del Aprendizaje Profundo"
Y
Yann LeCunPionero de las Redes Neuronales Convolucionales
Y
Yoshua BengioPionero del Aprendizaje Profundo, Defensor de AI Safety
F
Fei-Fei LiCreadora de ImageNet
D
Demis HassabisCEO y Cofundador, Google DeepMind
I
Ilya SutskeverCofundador, OpenAI y SSI
1936 – 1955
Fundamentos de la Computación
"¿Pueden las máquinas pensar?" - La pregunta que lo inició todo. Turing, 1950.
1943
Neuroscience
McCulloch–Pitts Neuron
McCulloch y Pitts publican el primer modelo matemático de una neurona. La idea de que la cognición puede formalizarse matemáticamente sienta las bases de las redes neuronales modernas.
1945
Architecture
Von Neumann Architecture
Von Neumann formaliza la arquitectura del computador con programa almacenado. La separación de procesador y memoria sigue siendo la base de casi todos los computadores construidos desde entonces.
1948
Cybernetics
Cybernetics
Norbert Wiener publica "Cibernética", fundando la ciencia de los sistemas regulatorios e introduciendo los bucles de retroalimentación como mecanismo de comportamiento inteligente—décadas antes del aprendizaje por refuerzo.
1950
Philosophy
The Turing Test
Turing pregunta "¿Pueden las máquinas pensar?" y propone el Juego de Imitación. Un reto filosófico que resuena en cada conversación con un chatbot hoy.
1956 – 1969
La IA Nace y se Nombra
En Dartmouth 1956, McCarthy acuñó "Inteligencia Artificial" - el optimismo estaba en su punto máximo.
1956
Historic
Dartmouth Conference
McCarthy, Minsky, Shannon y Rochester organizan Dartmouth. McCarthy acuña "Inteligencia Artificial" y la disciplina nace formalmente. Prevén IA a nivel humano en una generación—un optimismo prematuro por décadas.
1957
Reasoning
Logic Theorist & GPS
Newell y Simon construyen el Logic Theorist—primer programa en demostrar teoremas matemáticos. Simon predice que un computador vencerá al campeón mundial de ajedrez en 10 años. Se equivocó por 40.
1958
Neural Nets
The Perceptron
Rosenblatt presenta el Perceptrón—la primera red neuronal entrenable que aprende de ejemplos. El New York Times reporta que pronto caminará, hablará y se reproducirá. El hype comienza aquí.
1959
ML Term
"Machine Learning" Coined
Arthur Samuel de IBM acuña "machine learning". Demuestra el primer programa que mejora jugando contra sí mismo mediante refuerzo por autojuego—décadas antes de AlphaGo.
1965
NLP
ELIZA: The First Chatbot
Weizenbaum crea ELIZA, el primer chatbot. Usando patrones simples para imitar a un psicoterapeuta, engaña a usuarios haciéndoles creer que hablan con una persona real. Sus advertencias sobre antropomorfizar la IA son ignoradas.
1969
Crisis
The XOR Problem Kills Neural Networks
Minsky y Papert prueban que los perceptrones de una capa no pueden resolver XOR. Su crítica autorizada elimina el financiamiento de redes neuronales por más de una década. Se acerca el Primer Invierno de la IA.
1969 – 1980
El Primer Invierno de la IA
El Informe Lighthill (1973) concluyó que la IA había fallado en cumplir sus grandes promesas. La financiación colapsó.
1973
UK Report
The Lighthill Report
Sir James Lighthill entrega una crítica devastadora de la investigación en IA. El informe desencadena cortes masivos de financiamiento en UK y EE.UU. Los investigadores luchan por encontrar apoyo.
1979
Robotics
Stanford Cart
El Stanford Cart navega autónomamente una sala con obstáculos en 5 horas—primera demostración de robótica móvil autónoma. Incluso en invierno, el hardware avanza. Se plantan las semillas de los autos autónomos.
1980 – 1987
El Renacimiento de los Sistemas Expertos
XCON le ahorró a DEC $40M/año. La IA basada en reglas finalmente era rentable - y todos querían una parte.
1980
Industry
Expert Systems Boom
Sistemas expertos como XCON (DEC) y MYCIN (medicina) generan valor masivo. XCON ahorra $40M anuales a DEC. Japón lanza su proyecto de quinta generación de $400M. Nacen las primeras empresas de IA.
1986
Neural Nets
Backpropagation Revived
Rumelhart, Hinton y Williams publican la retropropagación en Nature, haciendo práctico el entrenamiento de redes neuronales a escala. Las redes neuronales resucitan.
1986
Robotics
First Autonomous Driving
Ernst Dickmanns conduce su van VaMoRs autónomamente en la autobahn alemana usando visión computacional en tiempo real—30 años antes que Tesla Autopilot.
1987 – 1997
Segundo Invierno y el Giro Probabilístico
El proyecto japonés "Quinta Generación" de ¥850B terminó sin entregar resultados. Los inversores perdieron la fe de nuevo.
1987
Collapse
Second AI Winter
El mercado de sistemas expertos colapsa. Empresas de máquinas LISP quiebran. DARPA corta fondos. El Segundo Invierno obliga al campo a abandonar las grandes promesas y adoptar enfoques estadísticos rigurosos.
1989
CNN
Convolutional Neural Networks
LeCun, Bengio et al. aplican CNN al reconocimiento de escritura a mano para el Servicio Postal de EE.UU. LeNet logra 99%+ de precisión y procesa ~10% de todos los cheques en EE.UU. en los 90s.
1995
SVM
Support Vector Machines
Cortes y Vapnik publican las Support Vector Machines. Con fuertes garantías teóricas de la teoría de aprendizaje estadístico, dominan el ML aplicado por 15 años.
1997
RNN
Long Short-Term Memory (LSTM)
Hochreiter y Schmidhuber publican LSTM, resolviendo el problema del gradiente evanescente con celdas de memoria con compuertas. Impulsan el reconocimiento de voz y la traducción automática por dos décadas.
1997
Historic
Deep Blue Defeats Kasparov
Deep Blue de IBM derrota al campeón mundial Garry Kasparov 3.5–2.5 en un match histórico. Kasparov alegó trampa—comenzando la compleja relación de la IA con los campeones que derrota.
1997 – 2006
El Machine Learning Estadístico Madura
ImageNet (2009): 14 millones de imágenes etiquetadas que encendieron la revolución del deep learning 3 años después.
1998
Data Economy
PageRank & the Web Data Revolution
Brin y Page publican PageRank y fundan Google. Los datos a escala web comienzan a acumularse—silenciosamente construyendo el corpus de entrenamiento que impulsará la revolución del aprendizaje profundo.
2001
Ensemble
Random Forests
Leo Breiman publica Random Forests—uno de los algoritmos de ML más robustos jamás creados. Los métodos de ensamble dominan el ML en producción durante los 2000s.
2004
Vision
ImageNet Project Begins
Fei-Fei Li comienza a construir ImageNet—una enorme base de datos de imágenes etiquetadas. La idea: darle a las redes neuronales lo que el cerebro tiene: experiencia visual masiva.
2006 – 2014
La Revolución del Aprendizaje Profundo
AlexNet 2012: tasa de error del 10.9% frente al 26% del segundo. La brecha era tan grande que el campo no tuvo más remedio que pivotar.
2006
Breakthrough
Deep Belief Networks
Hinton y Salakhutdinov demuestran en Science que las redes profundas pueden entrenarse efectivamente. Este artículo reignita singlehandedly la investigación en redes neuronales tras 15 años de sequía.
2009
Dataset
ImageNet Released
Fei-Fei Li lanza ImageNet—14 millones de imágenes etiquetadas en 20,000 categorías. El concurso ILSVRC comienza. Durante tres años, los enfoques de ingeniería manual dominan. Luego llega 2012 y todo cambia.
2012
Historic
AlexNet: The Moment AI Changed Forever
AlexNet de Krizhevsky, Sutskever e Hinton gana ImageNet con 15.3% de error vs. 26.1% del segundo. La mayor brecha en la historia de la competencia. Inicio oficial de la era moderna de la IA.
2013
Embeddings
Word2Vec
Mikolov et al. publican Word2Vec. "Rey − Hombre + Mujer ≈ Reina" demuestra que el significado del lenguaje puede codificarse geométricamente en espacio continuo. Se establecen los fundamentos del NLP moderno.
2014
Generative
Generative Adversarial Networks
Goodfellow et al. publican las GAN. Un generador crea datos falsos; un discriminador los juzga. Juegan un juego minimax hasta que el generador engaña al discriminador. Resultado: máquinas que generan imágenes fotorrealistas.
2015 – 2020
Aprendizaje por Refuerzo y Transformers
"Attention Is All You Need" (2017) eliminó la recurrencia por completo. 8 investigadores cambiaron cómo funciona todo modelo de IA.
2015
Deep RL
Deep Q-Networks (DQN)
DeepMind publica DQN en Nature—un agente de RL profundo que aprende 49 juegos Atari desde píxeles crudos a nivel sobrehumano, usando solo el puntaje como recompensa. El camino hacia AlphaGo comienza aquí.
2016
Historic
AlphaGo Defeats Lee Sedol
AlphaGo derrota al campeón mundial de Go Lee Sedol 4–1. El movimiento 37 del Juego 2—que ningún humano haría, pero que resulta decisivo—evidencia que la IA puede descubrir estrategias más allá de la intuición humana.
2017
Architecture
"Attention Is All You Need"
Vaswani et al. en Google Brain publican la arquitectura Transformer, reemplazando la recurrencia con auto-atención. El artículo que hace posibles GPT, BERT y todos los grandes modelos de lenguaje. 2017 es el Año Cero de la IA moderna.
2018
NLP
BERT: Bidirectional Pre-training
Devlin et al. publican BERT—transformer bidireccional preentrenado en lenguaje enmascarado. BERT establece nuevos récords en 11 benchmarks de NLP simultáneamente.
2020
Biology
AlphaFold 2 Solves Protein Folding
AlphaFold 2 de DeepMind resuelve el plegamiento de proteínas con precisión casi experimental—un reto de 50 años en biología. Por primera vez, la IA acelera el descubrimiento científico fundamental a escala civilizatoria.
2020 – 2023
Modelos Fundacionales e IA Generativa
ChatGPT alcanzó 100M de usuarios en 60 días - más rápido que cualquier producto en la historia. La era de la IA irrumpió de golpe.
2020
LLM
GPT-3: 175 Billion Parameters
GPT-3 de OpenAI con 175,000 millones de parámetros demuestra aprendizaje few-shot: dados 2–3 ejemplos en un prompt, realiza nuevas tareas sin actualizar pesos. Su texto es indistinguible del humano. Comienza la era del prompting.
2021
Multimodal
DALL-E, CLIP & the Multimodal Turn
OpenAI lanza DALL-E y CLIP. Por primera vez, un modelo une visión y texto sin entrenamiento específico por tarea. Comienza la era multimodal: IA que ve, lee y dibuja simultáneamente.
2022
Inflection
ChatGPT: AI Goes Mainstream
OpenAI lanza ChatGPT—100 millones de usuarios en 2 meses, el producto de consumo de más rápido crecimiento en la historia. La IA deja de ser solo para especialistas. Comienza la década de la democratización de la IA.
2023
Competition
GPT-4, Claude, Llama: The Racing Era
GPT-4 supera el examen de abogacía en el percentil 90. Anthropic lanza Claude con IA Constitucional. Meta libera Llama en código abierto. Surge una carrera global por la IA de frontera.
2024 – Present
La Frontera: Hacia la AGI
Por primera vez, los sistemas de IA superan el percentil 90 en exámenes de abogacía, competiciones de código y ciencias de posgrado.
2024
Safety
AI Safety Enters the Boardroom
La EU AI Act entra en vigor—primera regulación integral de IA. AI Safety, AI Ethics y Gobernanza de IA entran en los directorios. La pregunta ya no es si la IA es poderosa, sino si es confiable y auditable en producción.
2024
Decision Assurance
AI in Critical Infrastructure
Los sistemas de IA entran a infraestructura crítica a escala: minería, banca, salud, energía y logística. Decision Intelligence conecta salidas de modelos con accountability auditable, trazable y por decisión.
2024+
Quantum ML
Quantum Machine Learning
Redes neuronales cuánticas y circuitos cuánticos variacionales comienzan a ofrecer ventajas medibles en problemas de optimización y simulación de alta complejidad. El límite entre ML clásico y cuántico se mueve activamente.
Escala Exponencial
La Explosión de Parámetros
De ~300 pesos sinápticos en el Perceptrón a ~1.8 billones en GPT-4. Escala logarítmica; cada línea de cuadrícula es 1,000x mayor que la anterior.
Las Mentes Detrás de la IA
Pioneros
Las personas cuyas ideas, obsesiones y atrevimientos construyeron la inteligencia artificial.
Padre de la Computación e IA
Formalizó la computación, propuso el Test de Turing, descifró Enigma en la Segunda Guerra Mundial y sentó los fundamentos matemáticos de todo computador.
Padre de la Inteligencia Artificial
Acuñó "Inteligencia Artificial", organizó Dartmouth 1956 e inventó LISP—el lenguaje que definió la primera generación de investigación en IA.
Cofundador, MIT AI Lab
Pionero en redes neuronales, robótica y arquitecturas cognitivas. Cofundó el MIT AI Lab, la institución de investigación en IA más influyente del siglo XX.
Padre de la Teoría de la Información
Fundó la teoría de la información, formalizó la lógica binaria y digital, y escribió el primer artículo sobre ajedrez por computadora.
"Padrino del Aprendizaje Profundo"
Coinventó la retropropagación, las redes de creencia profunda y dropout. Premio Turing 2019. En 2023 renunció a Google para advertir sobre riesgos existenciales de la IA.
Pionero de las Redes Neuronales Convolucionales
Inventó las CNN y las aplicó al primer sistema práctico de aprendizaje profundo. Su LeNet procesaba cheques bancarios. Premio Turing 2019. Chief AI Scientist en Meta.
Pionero del Aprendizaje Profundo, Defensor de AI Safety
Trabajo fundacional en redes recurrentes, mecanismos de atención y modelado generativo. Premio Turing 2019. Una de las voces más importantes en AI Safety y riesgo existencial.
Creadora de ImageNet
Creó ImageNet—el dataset que catalizó la revolución del aprendizaje profundo. Exdirectora del Stanford AI Lab y exjefa científica de IA en Google Cloud.
Inventor de las Máquinas de Vectores de Soporte
Desarrolló la teoría del aprendizaje estadístico e inventó las SVM. Su teoría VC proporciona fundamentos teóricos rigurosos sobre generalización—el núcleo del ML serio.
CEO y Cofundador, Google DeepMind
Lideró AlphaGo, AlphaFold y Gemini. Premio Turing 2024. Combina RL inspirado en neurociencia con escala masiva para la inteligencia general.
Cofundador, OpenAI y SSI
Codiseñó AlexNet con Hinton. Cofundó OpenAI, supervisando el desarrollo de GPT. Fundó Safe Superintelligence Inc. (SSI) en 2024, enfocada exclusivamente en IA superinteligente segura.
Pionero del Machine Learning
Acuñó "Machine Learning" en IBM en 1959. Construyó el primer programa de autoaprendizaje—un motor de damas que mejoró por refuerzo de autojuego, décadas antes de AlphaGo.
Artículos que Cambiaron el Mundo
Papers Seminales
Once publicaciones que redefinieron lo posible.
1950
Computing Machinery and Intelligence
Propone el Test de Turing. Pregunta "¿Pueden las máquinas pensar?" Define el problema en que la IA trabaja aún hoy.
Leer paper →1958
The Perceptron: A Probabilistic Model for Information Storage
Primera red neuronal entrenable. Máquinas que aprenden de ejemplos. La primera chispa de la IA moderna.
Leer paper →1986
Learning Representations by Back-propagating Errors
La retropropagación hace las redes profundas entrenables a escala. El algoritmo subyacente de todo el aprendizaje profundo moderno.
Leer paper →1989
Backpropagation Applied to Handwritten Zip Code Recognition
Primera CNN práctica. 99%+ de precisión en dígitos. Procesa el 10% de los cheques de EE.UU. en los 90s.
Leer paper →1997
Long Short-Term Memory
Resuelve el gradiente evanescente con memoria con compuertas. Impulsa el reconocimiento de voz por dos décadas.
Leer paper →2006
A Fast Learning Algorithm for Deep Belief Nets
El preentrenamiento voraz reabre la frontera del aprendizaje profundo tras 15 años. El artículo que inició la revolución.
Leer paper →2012
ImageNet Classification with Deep Convolutional Neural Networks
AlexNet. 15.3% vs 26.1% del segundo. El momento en que comenzó la era moderna de la IA. El artículo de ML más consecuente jamás escrito.
Leer paper →2014
Generative Adversarial Networks
Generador vs discriminador: máquinas que falsifican la realidad. Fundamento de DALL-E, Stable Diffusion y toda la IA generativa.
Leer paper →2017
Attention Is All You Need
La arquitectura Transformer. Reemplaza la recurrencia con auto-atención. Hace posibles GPT, BERT, LLaMA, Claude y Gemini.
Leer paper →2020
Language Models are Few-Shot Learners
GPT-3 con 175B parámetros demuestra aprendizaje few-shot emergente. El nacimiento del aprendizaje en contexto y el paradigma de prompting.
Leer paper →2021
An Image is Worth 16×16 Words: Transformers for Image Recognition at Scale
Vision Transformer (ViT): la misma arquitectura conquista lenguaje y visión. El Transformer unificó la IA.
Leer paper →De lo Simbólico a lo Cuántico
El Continuum de la IA
Cinco paradigmas. Ochenta y ocho años. Una trayectoria hacia la inteligencia general.
1950–1985
IA Simbólica
Lógica, reglas, sistemas expertos. Conocimiento codificado a mano.
1990–2005
ML Estadístico
Modelos probabilísticos, SVM, Random Forests, boosting. Basado en datos.
2006–2016
Aprendizaje Profundo
CNN, RNN, aprendizaje de representaciones. Las GPU desbloquean escala masiva.
2017–2023
Modelos Fundacionales
Transformers, LLMs, RLHF, multimodal. Few-shot. La escala lo es todo.
2024–
IA Frontera
Agentes, modelos de razonamiento, AI Safety, ML cuántico, IA en producción.
De la historia al futuro crítico de la IA
xSingular aplica 88 años de aprendizaje colectivo en xStryk: Decision & Assurance Intelligence para minería, banca e infraestructura crítica. AI Safety, evaluación continua y trazabilidad por decisión.