La primera gran era de la IA, una era dominada por una idea casi filosófica que la inteligencia se podía construir básicamente con lógica pura. Este fue el paradigma simbólico, la creencia de que era posible replicar la mente humana a base de reglas. A este enfoque se le acabó llamando con un poco de sorna Good old fashioned AI.
La idea central era en el fondo, sorprendentemente simple, la inteligencia no es más que manipular simulaciones siguiendo unas reglas. Por tanto, el gran reto era, pues eso, codificar todo el conocimiento humano en un lenguaje lógico que las máquinas pudieran entender. En la práctica esto se traducía en miles, cientos de miles de reglas del tipo sí.
Imaginemos un sistema médico, por ejemplo, programado con reglas explícitas. Si el paciente tiene fiebre y tos seca, entonces el diagnóstico es gripe. La clave aquí es que el sistema no aprende absolutamente nada por sí mismo, simplemente ejecutaba un manual de instrucciones gigantesco que alguien había escrito antes.
No se quedó solo en la teoría. De hecho, alcanzó su máximo esplendor con los llamados sistemas expertos. Estos fueron los auténticos protagonistas de la Edad Dorada. La primera prueba real de que la IA podía ser una herramienta práctica y, ¿por qué no?, revolucionaria. Pensemos en dos ejemplos pioneros.
Por un lado estaba Dendral, que era como un químico experto digital. Era capaz de deducir estructuras moleculares a partir de datos de un espectrómetro. Y luego Michin, que era una especie de médico especialista virtual que diagnosticaba infecciones de la sangre con una precisión que de verdad era asombrosa. Para la época eran herramientas increíblemente potentes.
Pero más allá de su precisión, estos sistemas tenían una cualidad que hoy hoy nos parecería casi un superpoder. La transparencia. Eran capaces de explicar su razonamiento paso a paso. Mostraban toda la cadena de reglas lógicas que les había llevado a una conclusión. Vamos, el sueño, el gran ideal de la IA explicable que tanto tanto se busca hoy en día.
Pero claro, en medio de tanto éxito empezaron a aparecer las primeras grietas. El paradigma simbólico que era tan elegante en la teoría empezó a chocar de frente con la caótica complejidad del mundo real. Y no hablamos de problemas pequeños, no, no hablamos de barreras conceptuales que parecían insuperables. El principal obstáculo se puede resumir en una pregunta que parece muy simple, pero no lo es.
¿Cómo sabe un sistema lo que no es importante? A ver, si un robot mueve una silla de un sitio a otro, ¿cómo sabe que el color de las paredes no ha cambiado o que el sol sigue estando en el cielo? Los humanos esto lo damos por sentado en sentido común, pero para una máquina basada en lógica pura, esto es un problema monumental.
Este es el famoso problema del marco o frame problem. Para un sistema lógico es un desafío gigantesco saber qué hechos de entre millones de posibilidades siguen siendo válidos después de hacer algo. Al final, el enfoque simbólico se ahogaba en un mar de datos irrelevantes, incapaz de capturar algo tan humano y tan básico como el sentido común.
Problemas como este, sumados a unas promesas que habían sido demasiado optimistas, crearon la tormenta perfecta. La desilusión empezó a calar, la financiación a desaparecer y la confianza se evaporó. El campo entró en recesión. Había llegado el primer invierno de la IA y no fue una simple desaceleración, eh, hubo catalizadores muy concretos.
En 1973, en el Reino Unido se publicó el informe LILL, que fue demoledor. Básicamente concluía que las promesas de la IA eran exageradas. Poco después, en Estados Unidos, DARPA, que era la principal agencia que financiaba todo esto, recortó drásticamente el dinero para la investigación básica en IA. De repente, el grifo se había cerrado.
Entonces, ¿qué lección nos deja todo esto? este primer ciclo de euforia y decepción. La historia de este invierno es en el fondo una advertencia, una advertencia sobre el peligroso desfase que puede haber entre las grandes ideas y lo que la tecnología es capaz de hacer de verdad. La lección clave fue esta y es muy importante.
La ambición de los algoritmos había superado, pero por mucho, la capacidad real de las máquinas de la época. Las ideas eran brillantes, eran visionarias, sin duda, pero el hardware y los datos que había disponibles, pues simplemente no estaban a la altura de la complejidad del mundo real. Pero que nadie se confunda, este no fue el final de la historia, ni mucho menos.
Aunque este primer invierno fue un golpe durísimo, el campo de la IA demostraría tener una resiliencia enorme. Con el tiempo resurgiría, sí, pero impulsado por un cambio total de paradigma que nos llevaría directos al aprendizaje automático que conocemos hoy. Y todo esto nos lleva a una reflexión final, una reflexión sobre nuestro presente.
Con la euforia que rodea la IA de hoy en día, la pregunta es inevitable. ¿Qué lecciones de aquel primer invierno siguen siendo válidas? ¿Hemos aprendido a equilibrar la ambición con la realidad o quizá estamos viendo cómo la historia se prepara para repetirse? Ahí queda la pregunta.