La Paz, Baja California Sur. - Aunque hoy la inteligencia artificial (IA) vive un momento de auge sin precedentes, con aplicaciones cotidianas como asistentes virtuales, chatbots, reconocimiento de imágenes o modelos generativos, su historia no ha sido un camino lineal hacia el éxito. Durante décadas, la IA fue considerada una promesa incumplida, enfrentando periodos de escepticismo, recortes presupuestales y estancamiento investigativo conocidos como los inviernos de la IA.

Así lo expone la Dra. Andrea Margarita de Anda Trasviña, profesora-investigadora del Departamento Académico de Sistemas Computacionales de la Universidad Autónoma de Baja California Sur (UABCS), en un análisis donde recorre los principales momentos de retroceso y recuperación que han marcado esta disciplina desde su origen en 1956.

Según explica la catedrática universitaria, este concepto se refiere a los periodos en los que el entusiasmo por la IA se desvaneció y dio paso a la desilusión, debido a expectativas irreales, limitaciones técnicas o falta de aplicaciones prácticas.

“El término resume fases en que los proyectos de IA no lograron cumplir con las expectativas de su tiempo y, como consecuencia, la inversión y el interés disminuyeron drásticamente”, apunta la investigadora.

Tras la célebre conferencia de Dartmouth, donde John McCarthy acuñó el término “Inteligencia Artificial”, se esperaba un futuro prometedor. Sin embargo, pronto aparecieron los primeros obstáculos.

Indica que, durante su periodo inicial, entre 1966 y 1973, la IA enfrentó grandes dificultades técnicas y conceptuales. El caso más emblemático fue el fracaso de la traducción automática, incapaz de comprender el contexto y el sentido profundo de las frases.

La célebre retraducción de “El espíritu es fuerte pero la carne es débil” como “El vodka es bueno pero la carne está podrida”, ilustró crudamente estas limitaciones, detalla la académica de la UABCS.

A ello se sumaron los escasos resultados de los algoritmos genéticos y las críticas de Marvin Minsky y Seymour Papert en su obra Perceptrons de 1969, donde desacreditaron las redes neuronales artificiales.

La Dra. de Anda Trasviña sugiere que el golpe definitivo llegó con el informe Lighthill en 1973, que cuestionó severamente la incapacidad de la IA para resolver problemas complejos, lo que generó recortes de fondos en Reino Unido y un retroceso generalizado a nivel internacional.

Entre 1987 y 1993 se produjo lo que se conoce como el Segundo Invierno, donde la IA vivió un breve resurgimiento con los sistemas expertos, como MYCIN (diagnóstico clínico) y XCON (configuración de equipos de cómputo). Aunque mostraron aplicaciones muy prometedoras, sus altos costos, dificultad de mantenimiento y rigidez para adaptarse a nuevos contextos terminaron por evidenciar sus limitaciones.

A este desencanto se sumó el fracaso del proyecto japonés Fifth Generation Computer Systems (FGCS), que prometía revolucionar la informática mediante máquinas lógicas y procesamiento paralelo.

“Cuando las soluciones no pudieron mantenerse a la par de las expectativas, tanto la industria como la academia comenzaron nuevamente a distanciarse de esta tecnología”, explica la Dra. Andrea de Anda.

No sería sino hasta los 2000 cuando vendría el despertar moderno y resurgimiento definitivo de la IA, impulsado por el incremento del poder de cómputo, especialmente con las GPU el acceso masivo a grandes volúmenes de datos y avances sustanciales en aprendizaje profundo.

Esto permitió el regreso de las redes neuronales, antes desacreditadas. El punto de inflexión fue 2012, con AlexNet, un modelo que revolucionó la clasificación de imágenes en la competencia ImageNet. “Desde entonces, el avance ha sido vertiginoso. La IA ya no es un concepto futurista, sino parte esencial de la vida cotidiana”, señala la académica.

Para la investigadora de la UABCS, la historia de la IA demuestra que su evolución ha sido cíclica, marcada por olas de entusiasmo, desencanto y renovación. Las limitaciones de cada época han contribuido a construir avances más sólidos y a entender que el progreso depende de la colaboración interdisciplinaria.

No obstante, advierte que el auge actual también presenta desafíos importantes, entre ellos los límites en la capacidad y escalabilidad de los modelos, altos costos energéticos, saturación de datos de entrenamiento, y riesgos éticos y de transparencia.

Incluso, apunta que algunos especialistas plantean la posibilidad de un nuevo invierno si no encontramos maneras sostenibles de seguir avanzando. Por eso, más que dejarnos llevar por el entusiasmo, necesitamos una reflexión crítica sobre si estamos construyendo un futuro sostenible o estamos viendo los primeros indicios de un nuevo “Invierno”, concluye.