Cómopiensaunamáquina.
De la lógica de Aristóteles a los modelos de mundo: cada familia de la IA explicada desde la intuición hasta la fórmula, con su historia, sus límites, una pregunta filosófica y laboratorios que calculan en vivo.
Miles de partículas. Cada forma que verás es otra manera de organizar lo mismo: información.
Una imagen mental antes de cualquier símbolo.
Qué se calcula exactamente, paso a paso.
Las ecuaciones centrales, tipografiadas con KaTeX.
Simulaciones que entrenan, buscan y muestrean en vivo.
Fechas y artículos reales, con su referencia.
Dónde falla y por qué.
El problema filosófico que abre.
Una red neuronal aprendiendo ahora mismo.
Nada de videos: esta red se entrena con retropropagación en tu dispositivo. Cambia los datos o la arquitectura y mírala reorganizarse.
Espirales entrelazadas
Perceptrón multicapa entrenado con Adam. El mapa de color es la predicción de la red sobre todo el plano.
El catálogo completo
de la IA.
Pasa el cursor por una familia: la muestra de la derecha reorganiza sus partículas en la forma que la representa. Cada ficha tiene explicación, fórmulas, historia con fuentes reales, límites y laboratorios.
- F01IA simbólicaLógica, sistemas expertos, búsqueda y planificaciónSímbolos y reglas3
- F02Modelos probabilísticosRedes bayesianas, cadenas ocultas de Markov, inferenciaIncertidumbre y datos2
- F03Aprendizaje automático clásicoRegresión, árboles, SVM, k-medias, vecinos cercanosIncertidumbre y datos2
- F04Redes neuronalesPerceptrón, perceptrón multicapa y retropropagaciónRedes que aprenden1
- F05Visión: redes convolucionalesConvoluciones, filtros, mapas de activaciónRedes que aprenden2
- F06Secuencias: RNN y LSTMRecurrencia, memoria y el gradiente que se desvaneceRedes que aprenden1
- F07Transformers y LLMTokens, embeddings, atención y muestreoRedes que aprenden2
- F08Modelos generativosDifusión, GAN, VAE y espacio latenteModelos que imaginan3
- F09Aprendizaje por refuerzoQ-learning, gradientes de política, MCTS y AlphaGoActuar en el mundo3
- F10Computación evolutivaAlgoritmos genéticos, neuroevolución, CMA-ESInspiración natural3
- F11Inteligencia de enjambreColonias de hormigas, enjambres de partículas, bandadasInspiración natural2
- F12Autosupervisado y JEPAContrastivo, generativo y predicción en el espacio de representacionesFrontera1
- F13Modelos de mundoAprender la física del entorno para imaginar antes de actuarFrontera2
- F14Espacios de estados y mezcla de expertosS4, Mamba, HiPPO y enrutamiento disperso (MoE)Frontera3
- F15Redes neuronales de grafosPaso de mensajes sobre relacionesRedes que aprenden1
- F16Modelos basados en energíaRedes de Hopfield y máquinas de BoltzmannModelos que imaginan1
- F17Computación neuromórficaNeuronas de impulsos, STDP y hardware inspirado en el cerebroInspiración natural1
- F18Computación de reservorio y KANRedes de eco y redes de Kolmogorov-ArnoldFrontera2
- F19IA neurosimbólicaAprendizaje y razonamiento en un mismo sistemaFrontera1
- F20AgentesUso de herramientas, bucles de planificación, sistemas multiagenteActuar en el mundo1
- F21Interpretabilidad y alineamientoCaracterísticas, superposición, RLHFFrontera3
- F22Planificación clásicaSTRIPS, PDDL y búsqueda en espacio de estadosSímbolos y reglas1
- F23Lógica difusaGrados de verdad y control MamdaniSímbolos y reglas1
- F24Arquitecturas cognitivasCiclos de producción al estilo ACT-R y SOARSímbolos y reglas1
- F25IA causalEscalera de Pearl: asociar, intervenir, imaginarIncertidumbre y datos1
- F26Meta-aprendizajeAprender a aprender: MAML y prototiposFrontera1
- F27Aprendizaje continuoEvitar el olvido catastróficoFrontera1
- F28Aprendizaje federadoEntrenar sin centralizar los datosFrontera1
- F29AutoML y NASBuscar arquitecturas y tiperparámetrosFrontera1
- F30IA multimodalAlinear visión y lenguaje al estilo CLIPRedes que aprenden1
- F31Voz y hablaEspectrogramas, CTC y síntesis por formantesRedes que aprenden1
- F32Robótica y controlPID, LQR y el péndulo invertidoActuar en el mundo1
- F33Síntesis de programasInducir programas a partir de ejemplosSímbolos y reglas1
- F34RAGRecuperar para generar con evidenciaFrontera1
- F35Equidad y sesgoParidad demográfica, igualdad de oportunidadesFrontera1
La primera apuesta de la disciplina: si la inteligencia es razonamiento, entonces basta con representar el mundo en símbolos y darle a la máquina reglas para transformarlos.
Ochenta años
en una línea.
Cronología completa McCulloch y Pitts modelan la neurona como una unidad lógica de umbral.
Newell, Shaw y Simon presentan el Logic Theorist, que demuestra teoremas de los Principia Mathematica. El mismo verano se celebra el taller de Dartmouth, cuya propuesta (1955) acuña «artificial intelligence».
Rosenblatt presenta el perceptrón y su regla de aprendizaje; el Mark I Perceptron se construye en Cornell.
Hart, Nilsson y Raphael formalizan A* en el contexto del robot Shakey del SRI.
Rumelhart, Hinton y Williams popularizan la retropropagación para entrenar redes multicapa.
Judea Pearl publica Probabilistic Reasoning in Intelligent Systems: nacen formalmente las redes bayesianas en IA.
Hochreiter y Schmidhuber introducen la LSTM.
Deep Blue vence a Kasparov con búsqueda alfa-beta masiva y evaluación diseñada a mano.
AlexNet reduce el error top-5 de ImageNet del 26% al 15,3%.
Goodfellow et al. inventan las redes generativas adversariales.
AlphaGo vence a Lee Sedol 4–1.
«Attention Is All You Need» presenta el Transformer.
Ha y Schmidhuber: «World Models», agentes que aprenden en sus sueños.
DDPM de Ho, Jain y Abbeel hace competitiva la difusión en imágenes.
LeCun publica «A Path Towards Autonomous Machine Intelligence», que propone JEPA; VICReg en ICLR.
Mamba: SSM selectivo con rendimiento de Transformer y costo lineal.
Hopfield y Hinton reciben el premio Nobel de Física por los fundamentos del aprendizaje con redes neuronales.