Durante las últimas décadas, la inteligencia artificial (IA) ha pasado de ser una promesa científica marginal a convertirse en una tecnología transformadora con implicaciones globales. Sin embargo, esta evolución no ha sido lineal. Entre los años 1970 y 1990, la IA vivió dos períodos de fuerte estancamiento conocidos como “los inviernos de la IA”. Durante esos años, la disciplina perdió financiamiento, credibilidad e incluso apoyo institucional, hasta el punto de quedar relegada al margen del desarrollo científico y tecnológico. Esta historia de auge y declive es esencial para comprender el presente entusiasmo por las inteligencias artificiales IA y, sobre todo, para advertir de los riesgos que conlleva repetir los errores del pasado.
Los orígenes del entusiasmo: la IA como promesa fundacional
La edad dorada inicial (1956–1973)
La inteligencia artificial nació como disciplina durante la conferencia de Dartmouth en 1956. Fue en este contexto académico donde John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon propusieron formalmente estudiar cómo las máquinas podrían simular la inteligencia humana. Durante las décadas de 1950 y 1960, los avances en razonamiento automático, resolución de problemas y lógica simbólica habían alimentado un optimismo desbordado.
En esta etapa, se pensaba que se podría lograr una inteligencia comparable a la humana en apenas una generación. El enfoque dominante era la “IA simbólica” o “GOFAI” (Good Old-Fashioned AI), basada en las reglas lógicas y la manipulación de símbolos.
Primeras promesas, primeros límites
El entusiasmo inicial fue acompañado por una inversión considerable por parte de gobiernos y universidades, sobre todo en Estados Unidos y Reino Unido. Sin embargo, los modelos simbólicos pronto demostraron ser frágiles, ineficaces fuera de contextos controlados y muy dependientes de supuestos poco realistas. Cuando se intentaba aplicar estos sistemas a entornos dinámicos o ambiguos, su rendimiento caía en picado.
El primer invierno de la IA (1974–1980)
Informe Lighthill y el colapso de la financiación británica
En 1973, el físico James Lighthill elaboró un informe para el Parlamento británico donde evaluaba de forma crítica los progresos de la IA. El documento concluyó que, fuera de aplicaciones muy restringidas, la IA había fracasado en sus promesas fundamentales, en especial en lo concerniente a la comprensión del lenguaje natural y el razonamiento general.
El efecto no se hizo esperar. El Consejo de Investigación Científica del Reino Unido recortó drásticamente los fondos a los proyectos de IA. Este suceso marcó el inicio del primer “invierno de la IA”, un período de escepticismo y abandono de la disciplina por parte de las instituciones oficiales.
Problemas estructurales: expectativas y realidad
Según algunos estudios recientes, una de las causas fundamentales de este primer invierno fue la desconexión entre el entusiasmo mediático y los avances tecnológicos reales. La incapacidad para cumplir promesas excesivamente optimistas generó una reacción institucional contraria que congeló los proyectos e investigaciones. A ello se sumaron otros problemas, como la falta de datos computacionales adecuados y la limitada potencia de procesamiento.
El segundo invierno de la IA (1987–1993)
El auge y caída de los sistemas expertos
Durante los años 80, los llamados “sistemas expertos” —programas diseñados para emular decisiones de especialistas en campos como la medicina o la ingeniería— renovaron el interés en la inteligencia artificial. IBM, Xerox y otras corporaciones invirtieron millones en su desarrollo. Sin embargo, estos sistemas resultaron caros de mantener, frágiles ante cambios y dependientes de reglas fijas que no podían adaptarse a contextos nuevos.
Cuando la burbuja tecnológica de los sistemas expertos colapsó, se produjo el segundo invierno de la IA. Como ya había ocurrido en los años 70, el entusiasmo desembocó en el recorte de fondos y el desprestigio académico de la disciplina.
El papel del mercado y la sobrecomercialización
Este segundo invierno tuvo una consecuencia adicional: la decepción del sector privado, que había apostado por la IA como una solución comercial a corto plazo. Al fracasar las aplicaciones industriales de alto costo, muchas empresas abandonaron o redujeron al mínimo sus departamentos de IA. Esta etapa mostró con claridad que la innovación tecnológica, sin una base sólida en investigación y desarrollo sostenible, está condenada al fracaso.
¿Hubo realmente un invierno? El debate actual
Revisión crítica del término “invierno de la IA”
En los últimos años, algunos investigadores han comenzado a cuestionar la narrativa de los inviernos como períodos homogéneos de crisis. En el informe “A Brief History of AI”, por ejemplo, se plantea que hablar de un “invierno” implica una pausa total de la innovación, lo cual no se ajusta del todo a los hechos. Si bien hubo recortes y escepticismo, también persistieron líneas de investigación sumergidas que sentaron las bases del posterior renacimiento.
Este punto es clave. Mientras la IA simbólica perdía terreno, áreas como el aprendizaje automático, las redes neuronales y la visión por computador siguieron avanzando en laboratorios marginales o en otras disciplinas como la neurociencia computacional.
¿Crisis o transformación?
Más que un congelamiento absoluto, los inviernos de la IA pueden entenderse como períodos de realineamiento paradigmático. Estos periodos permitiron abandonar enfoques obsoletos y, en su lugar, gestar nuevas estrategias más sólidas.
Este debate rebasa los límites académicos. De él depende cómo interpretamos los ciclos alternantes de entusiasmo y escepticismo actuales. ¿Estamos en un nuevo verano de la IA o construyendo, quizás, las condiciones para otro invierno?
Lecciones aprendidas y advertencias para el futuro
Evitar las promesas desmesuradas
Una de las principales lecciones que destacan los investigadores es la necesidad de moderar las expectativas públicas y políticas. La sobreventa de posibilidades tecnológicas aún inmaduras ha sido, históricamente, un motivo seguro para el desencanto.
Hoy, con tecnologías como ChatGPT o los sistemas de visión autónoma, el entusiasmo ha alcanzado niveles sin precedentes. Sin embargo, si se promete una “IA general” en pocos años, sin base empírica, se corre el riesgo de repetir el ciclo de entusiasmo-desilusión que caracterizó los inviernos anteriores.
Transparencia, evaluación y pluralidad científica
La clave para evitar otro invierno, apuntan los especialistas, está en la construcción de una comunidad científica diversa, interconectada y crítica. Esto implica evaluar las capacidades reales de los sistemas actuales sin caer en el hype, promover estándares éticos y epistemológicos rigurosos, y mantener la inversión pública a largo plazo, incluso si los retornos inmediatos no son especialmente altos.
El “invierno de la IA” como un concepto para reflexionar
La historia de los inviernos de la inteligencia artificial no solo funciona como una crónica del fracaso. También nos recuerda la fragilidad de los proyectos científicos cuando se ven atrapados entre las promesas mediáticas y las exigencias comerciales. Comprender las causas y las dinámicas de estos períodos de estancamiento es esencial para construir una IA más sólida, ética y resiliente.
Aunque hoy la IA vive un nuevo auge, con aplicaciones que transforman la medicina, el transporte y la educación, conviene recordar que el entusiasmo desprovisto de una reflexión crítica puede ser tan peligroso como el escepticismo total. El verdadero reto no es evitar otro invierno, sino construir un ecosistema de innovación que pueda soportar las estaciones cambiantes del progreso científico.
Referencias
- Benaich, I. y N. Hogarth. 2023. “A Brief History of AI: How to Prevent Another Winter (A Critical Review)“. PET clinics, 16. 4: 449-469. DOI:
https://doi.org/10.1016/j.cpet.2021.07.001 - Hendler, J. 2023. “Preventing Another AI Winter”. Communications of the ACM, 66.11: 35-39. URL: DOI: 10.1145/3625833
Cortesía de Muy Interesante
Dejanos un comentario: