Pensar con máquinas es una historia jugable de la inteligencia artificial en 18 escenas. Cada una tiene un juguete y una idea que se gana jugando; aquí las tienes todas por escrito.

1. Hoy · Antes de empezar. ¿Qué es la inteligencia artificial?. No hay una línea nítida: llamamos IA a las máquinas que hacen algo que creíamos exclusivo de las personas, y la frontera cambia con cada época. Por eso, en cada escena te haré las mismas tres preguntas: qué era la IA, dónde funcionaba y cómo decidía.
2. 1206 · Mitos y autómatas. El programa es la forma. La máquina no decide nada: su programa está escrito en la forma de la leva. Cambias la forma y cambias el comportamiento. Esta es la primera idea del viaje: un programa es una descripción de lo que hará una máquina.
3. c. 1305 · Ramon Llull y el Ars Magna. Razonar girando discos. Llull convirtió el razonar en combinar símbolos siguiendo reglas, y lo hizo con un aparato. Tres discos de nueve letras dan 729 combinaciones: ninguna persona las recorre de memoria, pero un mecanismo sí, sin olvidar ninguna.
4. 1843 · Babbage, Lovelace y las tarjetas perforadas. Agujeros que significan. La misma tarjeta es tela o es música: el significado no está en los agujeros, sino en quién los lee. Lovelace intuyó que una máquina de cálculo podría manipular cualquier cosa que se represente con símbolos: números, letras, notas.
5. 1936 · Alan Turing. Todo cálculo cabe en una cinta. Una cabeza que lee, escribe y se mueve siguiendo una tabla. Turing demostró que con algo así de simple se puede calcular cualquier cosa que sea calculable. Todos los ordenadores, y toda la IA que vendrá, son versiones muy rápidas de esta idea.
6. 1956 · Dartmouth y la IA simbólica. Pensar es buscar. Cada anillo son todas las posiciones posibles un paso más adelante. Desde el tablero vacío hay más de 255.000 partidas distintas. Buscar funciona en mundos pequeños como este; en el mundo real las ramas explotan. Se llama explosión combinatoria, y frenó a esta IA.
7. 1958 · El perceptrón de Rosenblatt. Aprender es ajustar diales. Aprender es corregir números a partir de los errores: cada fallo gira un poco los diales hacia la respuesta correcta. Pero una sola neurona solo sabe trazar rectas, y el patrón XOR no se separa con una recta. En 1969, el libro Perceptrons lo analizó y el entusiasmo se enfrió durante años.
8. 1966 · ELIZA, de Joseph Weizenbaum. Parecer no es entender. ELIZA no entiende nada: busca una palabra clave, rellena una plantilla y le da la vuelta a tus pronombres. Aun así, Weizenbaum vio a personas confiarle intimidades. Proyectamos inteligencia en cualquier cosa que conversa: es el «efecto ELIZA», y sigue muy vivo.
9. 1973–1987 · Inviernos y sistemas expertos. Reglas escritas a mano. Cada fallo exige una regla nueva escrita por una persona. Las reglas generales rompen casos que antes iban bien; las específicas solo arreglan un caso. Y con estas características, salmón y cocodrilo son idénticos. El conocimiento escrito a mano es frágil y no escala. Hacia 1987 el mercado se hundió: segundo invierno.
10. 1986 · Retropropagación. El error viaja hacia atrás. Cada neurona oculta traza su propia recta; la salida las combina y dobla la frontera hasta separar lo que una sola recta no podía. Y para aprender, el error de la salida se reparte hacia atrás y cada peso baja un poco por su pendiente. Así aprenden todas las redes neuronales de hoy.
11. 1997 · Deep Blue contra Kaspárov. Fuerza bruta. Deep Blue no aprendió a jugar: calculaba millones de futuros por segundo y los puntuaba con una fórmula escrita por expertos. Fuerza bruta brillante, pero solo en un mundo cerrado de 64 casillas. Guarda esta idea para el final del viaje.
12. 2012 · ImageNet, AlexNet y las GPU. Filtros que se aprenden. Nadie le ha dicho los nueve números: el filtro los ha descubierto comparando su resultado con el deseado y corrigiéndose, igual que la bola que bajaba por la pendiente. Una red profunda aprende así miles de filtros a la vez, capa sobre capa: primero bordes, luego formas, luego partes de objetos.
13. 2016 · AlphaGo contra Lee Sedol. Intuición y búsqueda. AlphaGo unió dos ideas: una red que intuye qué jugadas prometen y una búsqueda que solo explora esas. En vez de calcularlo todo como Deep Blue, primero descarta casi todo. Su jugada 37 en la segunda partida contra Lee Sedol desconcertó a los comentaristas profesionales.
14. 2017 · El Transformer. Atención. En un Transformer, cada palabra mira a todas las demás a la vez y decide cuáles le importan para entenderse. «Era» cambia de dueño según el contexto. Y como todas esas miradas se calculan en paralelo, en GPU, estos modelos pueden crecer muchísimo.
15. 2020–2022 · Los grandes modelos de lenguaje. Predecir la siguiente letra. Eso es todo lo que hace: calcular la probabilidad de la siguiente pieza de texto y elegir una, una y otra vez. Los grandes modelos hacen exactamente lo mismo, con miles de millones de parámetros, con tokens en vez de letras y habiendo leído una parte enorme de todo el texto publicado.
16. 2023–2026 · La IA vuelve a casa. En tu bolsillo. Lo que limita a la IA local es la memoria y la velocidad a la que se lee: cada palabra generada obliga a recorrer todos los parámetros. Comprimir cada número con menos bits (cuantizar) hace que quepan modelos sorprendentes, a cambio de un poco de calidad. Y nada sale de tu dispositivo.
17. Hoy · Hoy y mañana. El tamaño justo. Para separar dos mitades, una neurona basta y el gigante solo gasta más. Para las espirales, el diminuto no llega. El mejor modelo es el más pequeño que resuelve tu problema. Por eso buena parte del futuro de la IA es local, especializado y optimizado, y no siempre el modelo más grande de la nube.
18. Fin · Cierre. Lo que cambió y lo que no. De levas de bronce a una predicción de texto en tu bolsillo. Cambió dónde se ejecuta y cómo decide; no cambió que alguien elige con qué datos se entrena, para qué se usa y de qué tamaño la necesitamos. Ahora sabes cómo funciona por dentro. Úsalo.