Escucha este artículo

Audio generado con IA de Google

En julio de 1958, el psicólogo estadounidense Frank Rosenblatt presentó un experimento revolucionario, aunque a primera vista de una simpleza desconcertante. Ante un grupo de periodistas, mostró cómo un gigantesco computador IBM 704, de cinco toneladas, instalado en las dependencias del Servicio Meteorológico de Estados Unidos, había aprendido, tras apenas 50 intentos, a distinguir tarjetas perforadas con una marca a la derecha de otras con una marca a la izquierda.

Nada parecía extraordinario en aquel experimento. Lo revolucionario no era la tarea, sino la manera de resolverla. Rosenblatt no le había dado a la máquina…

Nada parecía extraordinario en aquel experimento. Lo revolucionario no era la tarea, sino la manera de resolverla. Rosenblatt no le había dado a la máquina instrucciones precisas para reconocer las marcas. Había construido un sistema que ajustaba los pesos de sus conexiones internas a medida que recibía nuevos ejemplos y corregía sus errores. No había programado la solución del problema: había programado una máquina capaz de aprender a resolverlo.

La idea de Rosenblatt nos parece hoy casi obvia: si el cerebro humano aprende gracias a la actividad de enormes redes de neuronas interconectadas, ¿por qué no construir una máquina que funcione de manera semejante? A aquel sistema de neuronas artificiales lo llamó perceptrón.

Al principio, el invento despertó enormes expectativas, pero pronto corrió la suerte de tantas ideas adelantadas a su tiempo: las limitaciones de aquellas primeras máquinas se confundieron con las de la idea misma. La investigación en redes neuronales perdió prestigio y financiación y, durante años, sobrevivió en los márgenes de la ciencia respetable.

La propuesta de Rosenblatt chocaba con la concepción predominante de la inteligencia artificial de la época. Uno de sus críticos más influyentes fue Marvin Minsky, una figura de enorme prestigio en el MIT, que parecía tener bastante claro no solo cómo debía construirse una máquina inteligente, sino también por qué estaban equivocados quienes pretendían hacerlo de otra manera.

En aquel enfoque, resolver un problema exigía primero comprenderlo, formular las reglas que lo regían y traducirlas en instrucciones que la máquina pudiera ejecutar. Si queríamos calcular la trayectoria de un proyectil, escribíamos las ecuaciones de la mecánica y programábamos su solución. Si pretendíamos jugar al ajedrez, establecíamos las reglas y diseñábamos procedimientos para explorar las posibles jugadas.

El método había producido resultados extraordinarios, pero tropezaba con una dificultad fundamental: ¿cómo programar una máquina para realizar tareas cuyas reglas ni siquiera nosotros mismos........

© El Espectador