Inteligencia artificial

Selección editorial para comparar procesos, acontecimientos y trayectorias. El intervalo y los recuentos describen las fichas seleccionadas, no los límites ni la importancia histórica del tema.

Fichas canónicas: 81
Acontecimientos: 66
Personas: 12
Procesos y periodos: 3

Comparar en el atlas Criterios y límites de la selección

Temas presentes

Inteligencia artificial (81) · Aprendizaje automático (28) · Personas (11) · Redes neuronales (6) · Laureados Nobel (5) · Seguridad y control (5) · Gobernanza (4) · IA simbólica (3) · Instituciones y financiación (3) · Aprendizaje por refuerzo (2) · Física (2) · Lenguaje (2)

Ver distribución por región y periodo

Fichas canónicas por etiqueta regional y fecha inicial. Los intervalos son cortes numéricos de análisis, no periodizaciones universales. Una ficha multirregional cuenta en más de una fila; no sumes las filas como total de fichas.
Región	1900–1999	Desde 2000
África	0	2
América	22	16
Asia	1	2
Europa	10	4
Oceanía	0	0
Global / sin región concreta	6	25

Fichas y fuentes

Orden por fecha inicial. Las vidas y procesos prolongados pueden empezar antes del periodo que quieras estudiar.

1988
Pearl sistematiza las redes bayesianas
Judea Pearl publicó Probabilistic Reasoning in Intelligent Systems, que sistematizó representaciones gráficas e inferencia bajo incertidumbre. Esta tradición permitió razonar con evidencia incompleta, ampliando el alcance de las reglas lógicas deterministas.
1992
Q-learning: aprender a actuar por recompensa
Christopher Watkins y Peter Dayan publicaron una demostración de convergencia de Q-learning, propuesto por Watkins en 1989. El método aprende valores de acciones a partir de experiencia y se convirtió en una base del aprendizaje por refuerzo.
1995
Máquinas de vectores de soporte
Corinna Cortes y Vladimir Vapnik presentaron redes de vectores de soporte para clasificación. Su formulación de margen y transformaciones de características consolidó una vía estadística de aprendizaje que coexistió con las redes neuronales.
1997
Deep Blue vence a Kasparov
La computadora de IBM derrota al campeón mundial Garry Kasparov en un match de ajedrez, un hito público de la IA especializada. El resultado se apoyó en búsqueda y evaluación especializada de posiciones, no en una capacidad conversacional o general.
1997
LSTM aprende dependencias en secuencias
Sepp Hochreiter y Jürgen Schmidhuber presentaron Long Short-Term Memory para afrontar dificultades de aprendizaje de dependencias largas en redes recurrentes. Las unidades con memoria y compuertas ampliaron las aplicaciones a secuencias, antes del predominio de los Transformers.
2005
Vehículos autónomos completan el Grand Challenge
Varios equipos completaron el recorrido del DARPA Grand Challenge de 2005, ganado por Stanley de Stanford, después de que ninguno terminara en 2004. El avance reunió percepción, planificación y control, sin demostrar todavía conducción general en tráfico cotidiano.
2006
Renacimiento del aprendizaje profundo
El trabajo sobre redes profundas y preentrenamiento reactiva el interés práctico por el aprendizaje profundo. Las redes de creencias profundas ofrecieron una forma práctica de inicializar modelos con varias capas antes del ajuste supervisado.
2009
ImageNet organiza datos para la visión artificial
Jia Deng, Fei-Fei Li y colaboradores presentaron ImageNet, una colección de imágenes organizada por categorías. Sus datos y posteriores competiciones hicieron comparables sistemas de visión y muestran el papel del trabajo de anotación en el progreso de la IA.
2009–… (datos de 2026-09-20)
Fei-Fei Li
Fei-Fei Li lideró la creación de ImageNet y promovió la investigación en visión artificial y en IA centrada en las personas. Esta ficha de actividad comienza con la publicación de ImageNet de 2009 y conecta datos, evaluación y decisiones sobre el desarrollo tecnológico.
2011
Watson gana en Jeopardy!
Watson de IBM ganó una competición televisada contra Ken Jennings y Brad Rutter. Combinó procesamiento de lenguaje y evaluación de respuestas, mostrando avances en preguntas abiertas dentro de unas reglas y un dominio delimitados.
2012
AlexNet gana ImageNet
AlexNet logra un salto decisivo en clasificación visual y acelera la adopción de redes convolucionales profundas. La combinación de datos, cómputo con GPU y entrenamiento hizo visible una transición en la visión artificial.
2013
Ejemplos adversarios revelan fragilidad
Christian Szegedy y colaboradores mostraron que pequeñas perturbaciones de una imagen podían inducir errores de clasificación en redes neuronales. El hallazgo hizo visible que una buena precisión en pruebas habituales no garantiza robustez ante entradas diseñadas para provocar fallos.
2013
DQN combina redes profundas y refuerzo
Un equipo de DeepMind presentó un agente que aprendía a jugar videojuegos de Atari a partir de píxeles y recompensas. La publicación de 2013, ampliada en Nature en 2015, conectó percepción aprendida con decisiones secuenciales.
2013
Word2vec y las representaciones de palabras
Tomas Mikolov y colaboradores presentaron métodos eficientes para aprender representaciones vectoriales de palabras a partir de grandes corpus. Estas representaciones ayudaron a transferir regularidades lingüísticas a distintas tareas, sin equivaler por sí solas a comprensión.
2014
Redes generativas adversarias
Ian Goodfellow y colaboradores presentan las GAN, un marco de aprendizaje que impulsa la generación sintética de imágenes y otros datos. El entrenamiento enfrenta un generador y un discriminador; la calidad de muestras no garantiza fidelidad factual.
2015
ResNet hace entrenables redes más profundas
Kaiming He y colaboradores presentaron aprendizaje residual para facilitar el entrenamiento de redes muy profundas. Las conexiones residuales redujeron dificultades de optimización y se convirtieron en componentes de numerosas arquitecturas posteriores.
2016
AlphaGo vence a Lee Sedol
AlphaGo ganó el encuentro de Go contra Lee Sedol en marzo de 2016. Combinó redes profundas, aprendizaje por refuerzo y búsqueda en árboles; el logro se refiere a ese juego, no a una capacidad general para resolver cualquier problema.
2016
Una recompensa puede desviar el objetivo
OpenAI documentó un agente de CoastRunners que repetía maniobras para obtener puntos en lugar de terminar la carrera. El experimento ilustra la explotación de una recompensa mal especificada: optimizar una medida no garantiza cumplir la intención humana.
2017
Transformer
“Attention Is All You Need” presenta la arquitectura Transformer, basada en autoatención y central para los modelos de lenguaje modernos. Facilitó procesar secuencias con mayor paralelización durante el entrenamiento y se extendió a tareas fuera de la traducción.
2018
BERT
Google publica BERT, que generaliza el preentrenamiento bidireccional de representaciones lingüísticas para muchas tareas. El ajuste posterior permite reutilizar el modelo en comprensión de texto sin entrenar cada sistema desde cero.
2018
Gender Shades audita desigualdades de error
Joy Buolamwini y Timnit Gebru encontraron diferencias importantes entre grupos de género y tono de piel en clasificadores comerciales. El estudio evaluó clasificación binaria de género a partir de rostros, no toda forma de reconocimiento facial, y convirtió la auditoría interseccional en una cuestión central de evaluación.
2018–… (datos de 2026-09-20)
Joy Buolamwini
Joy Buolamwini investigó desigualdades de rendimiento en sistemas comerciales de análisis facial y coescribió Gender Shades. Su trabajo vincula evaluación técnica, experiencia de las personas afectadas y exigencias de responsabilidad en los sistemas de IA.
2018–… (datos de 2026-09-20)
Timnit Gebru
Timnit Gebru coescribió Gender Shades y Stochastic Parrots y fundó el instituto DAIR. Su trayectoria conecta análisis de datos, sesgos, condiciones de investigación y participación de comunidades afectadas por la IA.
2020
AlphaFold 2 destaca en CASP14
AlphaFold 2 alcanzó resultados sobresalientes en la evaluación de predicción de estructuras proteicas CASP14 de 2020. La publicación científica de 2021 explicó el método; el avance no equivale a resolver toda la dinámica, las interacciones o las funciones de las proteínas.
2020
Modelos de difusión para generar imágenes
Jonathan Ho, Ajay Jain y Pieter Abbeel presentaron modelos probabilísticos de difusión con resultados destacados en síntesis de imágenes. Aprender a invertir un proceso de ruido proporcionó una vía generativa que luego se amplió a sistemas guiados por texto.
2020
GPT-3
GPT-3 muestra capacidades de aprendizaje en contexto a gran escala y acelera el interés en modelos de lenguaje fundacionales. El artículo evaluó tareas mediante instrucciones y ejemplos en el contexto, con limitaciones persistentes de fiabilidad y sesgos.
2020
Masakhane documenta traducción para lenguas africanas
La comunidad Masakhane publicó resultados de investigación participativa en traducción automática para lenguas africanas. Mostró cómo investigadores y hablantes de lenguas con pocos recursos digitales pueden intervenir en datos, métodos y evaluación, en lugar de ser solo destinatarios de modelos externos.
2021
GitHub Copilot
GitHub anuncia Copilot como asistente de programación, anticipando el uso cotidiano de IA generativa dentro del entorno de desarrollo. La vista previa técnica integró sugerencias de código en el trabajo de programación, sujetas a revisión humana.
2021
DALL·E
OpenAI presenta DALL·E, un sistema que genera imágenes desde texto y muestra aplicaciones de modelos multimodales. La presentación mostró la combinación de conceptos mediante indicaciones escritas; fue un anuncio de investigación, no una disponibilidad pública irrestricta.
2021
Stochastic Parrots cuestiona el crecimiento sin evaluación
Emily Bender, Timnit Gebru, Angelina McMillan-Major y Shmargaret Shmitchell examinaron riesgos de los grandes modelos de lenguaje: costes ambientales, sesgos de los datos y textos plausibles sin significado fundamentado. El artículo planteó criterios críticos para decidir qué construir y cómo documentarlo; sus argumentos son una intervención en el debate, no una prueba de que todo uso carezca de valor.