What is *A Brief History of Artificial Intelligence* about?

*A Brief History of Artificial Intelligence* by Michael Wooldridge traces AI’s evolution from theoretical foundations to modern applications. It explores key milestones like the Turing Test, expert systems, and the pursuit of artificial general intelligence (AGI), while addressing ethical risks like algorithmic bias and deepfakes. Wooldridge balances optimism about breakthroughs (e.g., self-driving cars) with skepticism toward AGI’s feasibility.

Who should read *A Brief History of Artificial Intelligence*?

This book suits tech enthusiasts, students, and professionals seeking a concise yet comprehensive overview of AI’s past and future. It’s ideal for readers curious about AI’s societal impact, ethical challenges, and foundational concepts like machine learning and natural language processing. Wooldridge’s accessible style also appeals to general audiences unfamiliar with technical jargon.

Is *A Brief History of Artificial Intelligence* worth reading?

Yes—Wooldridge combines academic rigor with engaging storytelling, demystifying complex topics like neural networks and AI ethics. The book offers historical context (e.g., the 1950s “Golden Age” of AI) while critiquing hype around AGI. Its balanced perspective on AI’s capabilities and limitations makes it a standout resource for informed discussions.

What are the key concepts in *A Brief History of Artificial Intelligence*?

- **Turing Test**: A benchmark for machine intelligence where humans can’t distinguish AI from human behavior. - **Expert Systems**: Early AI programs designed for specialized tasks, limited by rigid logic. - **AGI**: The controversial “grand dream” of machines with human-like consciousness. - **AI Risks**: Biases in algorithms, deepfake misinformation, and ethical dilemmas.

How does Michael Wooldridge view artificial general intelligence (AGI)?

Wooldridge considers AGI a distant and unlikely prospect, emphasizing that current AI excels in narrow tasks (e.g., language translation) but lacks consciousness. He cautions against dystopian fears while advocating for proactive governance to mitigate risks like job displacement and privacy breaches.

What historical milestones does the book highlight?

- **1950s**: Development of modern computers enabling AI research. - **1956 Dartmouth Workshop**: John McCarthy coins “artificial intelligence” and pioneers LISP programming. - **1970s “AI Winter”**: Funding declines as early systems fail to meet expectations. - **2000s-Present**: Renaissance driven by machine learning and big data.

How does *A Brief History of Artificial Intelligence* address AI ethics?

Wooldridge highlights bias in training data, accountability gaps in autonomous systems, and the societal impact of deepfakes. He argues for transparency in AI development and interdisciplinary collaboration to align technology with human values.

What makes Michael Wooldridge qualified to write about AI?

Wooldridge is an Oxford AI professor, director at the Alan Turing Institute, and award-winning author with 400+ publications. His leadership roles in global AI organizations and advisory work for governments and companies like Facebook underscore his expertise.

Resumen de Breve historia de la inteligencia artificial

What It Is, Where We Are, and Where We Are Going

Michael Wooldridge

3.88(503 Reviews)

Technology

Descripción general: Resumen de Breve historia de la inteligencia artificial

Viaje a través de la evolución de la IA con la guía accesible de Michael Wooldridge, elogiada tanto por informáticos como por principiantes. Desentrañando conceptos complejos, desde la cibernética hasta el aprendizaje profundo, este recurso excepcional revela cómo los visionarios de la IA están remodelando la sociedad, la tecnología y nuestro futuro colectivo.

Elige cómo se cuenta

Explora el Resumen de Breve historia de la inteligencia artificial con distintos estilos de aprendizaje

Las mismas ideas de Breve historia de la inteligencia artificial. Elige la voz, profundidad y ritmo que más te convengan. Cambia cuando quieras.

Capítulo 1

El Terminator nunca fue el problema

Setenta años de investigación, dos colapsos totales de financiación y una disciplina que ha sido comparada en la prensa con la alquimia. Y, sin embargo, lo que más quiere discutir la gente es una rebelión de las máquinas. Michael Wooldridge ha pasado más de un cuarto de siglo en el corazón de la investigación sobre inteligencia artificial. Ha publicado más de cuatrocientos artículos científicos y su argumento central es este: nos hemos estado preocupando por cosas totalmente equivocadas. Wooldridge es catedrático de Ciencias de la Computación en Oxford, y lo que hace que su perspectiva sea inusual no son solo sus credenciales, sino su tono. No es un entusiasta ciego ni un profeta del apocalipsis. Es alguien desde dentro que ha visto al campo florecer, colapsar y volver a florecer. Escribe con la serenidad limpia de quien ha visto evaporarse demasiadas grandes promesas. Su relato de la historia de la IA es una verdadera historia de drama intelectual. No el drama de la ciencia ficción, sino el drama más duro y extraño de ideas que chocan contra muros que ni sabían que estaban ahí. Empecemos por el principio, porque el principio es mucho más raro de lo que la mayoría cree.

Capítulo 2

El inventor accidental del ordenador

Alan Turing no se propuso inventar el ordenador. En 1935, siendo estudiante de matemáticas en Cambridge, intentaba resolver uno de los problemas más profundos de las matemáticas. Era una pregunta planteada por David Hilbert, conocida como el problema de la decisión. Hilbert preguntaba si cualquier cuestión matemática podía responderse, en principio, siguiendo una receta. Para abordar esta cuestión, Turing necesitaba una definición precisa de lo que era una receta. Así que inventó una: una máquina abstracta capaz de seguir cualquier lista de instrucciones. Hoy las llamamos máquinas de Turing. La demostración que presentó fue corta, casi extravagante para los estándares de las matemáticas puras. Y su conclusión fue contraria a la intuición: no, no toda pregunta matemática puede responderse siguiendo una receta. Hay problemas que son fundamentalmente indecidibles. Las matemáticas no se pueden reducir a un simple procedimiento. El subproducto de aquella demostración fue el concepto de máquina universal de Turing: un sistema general para resolver problemas capaz de ejecutar cualquier receta que le dieras. Eso es, en esencia, lo que es un ordenador. Turing lo inventó para demostrar lo que los ordenadores no podían hacer y, al hacerlo, inventó la máquina misma. A principios de la década de 1950, los ordenadores físicos ya eran una realidad. La Ferranti Mark 1 en la Universidad de Mánchester —donde el propio Turing se incorporó en 1948— ocupaba dos armarios, cada uno de dieciséis pies de largo, ocho pies de alto y cuatro pies de ancho. Consumía tanta electricidad como tres casas modernas juntas. Los periódicos llamaban a estas máquinas "cerebros electrónicos". La etiqueta era equivocada, y lo era de una forma clave para entender todo lo que vino después. Un ordenador no es un cerebro. Es una máquina para seguir instrucciones de forma muy rápida y muy fiable. En el momento en que se escribe esto, un ordenador de escritorio normal puede ejecutar cien mil millones de instrucciones por segundo. Si intentaras hacer ese mismo trabajo a mano, a razón de una instrucción cada diez segundos, tardarías tres mil setecientos años en igualar un solo segundo de cálculo. Pero la velocidad no es inteligencia. La pregunta que dio origen al campo de la IA es si la inteligencia misma se puede reducir a seguir instrucciones. Y esa pregunta ha resultado ser mucho más difícil de lo que nadie esperaba.

Ve cada palabra mientras la escuchas

Sigue la lectura sin esfuerzo mientras cada palabra del Resumen de Breve historia de la inteligencia artificial se ilumina en tiempo real.

Capítulo 3

La época dorada y su arrogancia

En el verano de 1956, un joven académico estadounidense llamado John McCarthy organizó un encuentro en Dartmouth College y le dio nombre a esta nueva disciplina: inteligencia artificial. Predijo que un grupo seleccionado de científicos trabajando juntos durante un verano podría lograr avances significativos. No lo consiguieron. Pero el nombre se quedó, y desde aquel verano existe un hilo ininterrumpido de investigación hasta nuestros días. Las dos décadas siguientes fueron la época dorada de la IA, aproximadamente entre 1956 y 1974. Los investigadores construyeron sistemas con nombres como SHRDLU y SHAKEY, escritos en mayúsculas, una costumbre de la época de los nombres de archivo limitados. SHRDLU, desarrollado en 1971 por Terry Winograd, estudiante de doctorado en Stanford, podía manipular bloques de colores en un mundo simulado y mantener conversaciones sobre lo que hacía en un inglés muy natural. SHAKEY era un robot real en el Instituto de Investigación de Stanford, equipado con una cámara de televisión y telémetros láser, capaz de navegar por una oficina y mover cajas. Ambos eran realmente impresionantes. Pero también resultaron ser profundos espejismos sobre la dificultad de los problemas reales. La fluidez con la que SHRDLU usaba el inglés solo funcionaba porque estaba restringido a un diminuto mundo de bloques y pirámides. En cuanto le preguntabas por algo fuera de ese mundo, la ilusión se desmoronaba. El entorno de SHAKEY tenía que estar pintado de una forma especial y cuidadosamente iluminado para que su cámara funcionara. Tardaba hasta quince minutos en averiguar cómo realizar una tarea, y durante ese tiempo se quedaba completamente inmóvil. Además, el ordenador necesario para ejecutar su software era demasiado grande para llevarlo encima, así que se comunicaba por radio. El problema más profundo era algo llamado explosión combinatoria. La técnica básica para resolver problemas en IA es la búsqueda: analizar sistemáticamente todas las acciones posibles. Para acertijos sencillos, esto funciona. Pero para cualquier cosa que se parezca a un juego real o a un entorno real, falla estrepitosamente. El juego del go tiene un factor de ramificación de 250, lo que significa que cada jugador tiene unas 250 jugadas posibles en cada turno. El número de posiciones posibles en la partida tras 200 jugadas es cientos de órdenes de magnitud mayor que el número de átomos en el universo observable. Ningún ordenador que se pueda construir jamás tendría suficiente potencia para analizar ese espacio por completo. A principios de los años setenta, el matemático británico James Lighthill recibió el encargo de evaluar el estado de la investigación en IA. Su informe fue demoledor. Identificó la explosión combinatoria como un muro insuperable que el campo no había logrado abordar. La financiación se desplomó en el Reino Unido. La agencia militar estadounidense DARPA, que había sido el principal financiador en Estados Unidos, también recortó fondos. La década que va desde principios de los setenta hasta principios de los ochenta se conoció como el primer invierno de la IA.

Capítulo 4

La trampa del conocimiento

El invierno terminó con una nueva idea. Si los métodos de búsqueda general eran demasiado débiles, tal vez la solución fuera el conocimiento. Los expertos humanos no buscan a ciegas: saben cosas. ¿Y si pudiéramos capturar ese conocimiento de forma explícita y dárselo a un ordenador? El resultado fueron los sistemas expertos, que durante una década se convirtieron en el paradigma dominante. El más célebre fue MYCIN, desarrollado en Stanford en los años setenta para ayudar a los médicos a diagnosticar enfermedades de la sangre. El conocimiento de MYCIN estaba codificado en cientos de reglas del tipo "si-entonces", como: "si el organismo no se tiñe con el método de Gram, su morfología es de bacilo y es anaerobio, entonces hay evidencia de que el organismo es bacteroides". En ensayos realizados en 1979, el rendimiento de MYCIN igualó o superó al de expertos humanos en casos reales. Fue la primera vez que un sistema de IA demostró superar a especialistas humanos en una tarea de verdadero impacto. Las inversiones se dispararon. Surgió una nueva profesión: el ingeniero de conocimiento. Las empresas se apresuraron a crear sistemas expertos para todo, desde el análisis químico hasta la configuración de ordenadores. Entonces llegó el proyecto más ambicioso de la época: Cyc. Doug Lenat, un brillante investigador galardonado con el premio más prestigioso para jóvenes científicos del sector, se convenció a principios de los ochenta de que la clave para una IA general era simplemente el conocimiento, suficiente cantidad de él. Estimó que el proyecto requeriría doscientos años de trabajo por persona. El objetivo era codificar manualmente todo el sentido común humano: que los objetos soltados en la Tierra caen al suelo, que los aviones sin combustible se estrellan o que los grifos rojos suelen soltar agua caliente. En 1994, Vaughan Pratt, profesor de ciencias de la computación en Stanford, asistió a una demostración. Llevaba preparadas más de cien preguntas. Cyc sabía que el pan era comida, pero se confundió cuando le preguntaron si el pan se bebía. Sabía que varias actividades causaban la muerte, pero no sabía nada sobre la inanición. No sabía que el cielo era azul ni que los coches suelen tener cuatro ruedas. La evaluación de Pratt fue cautelosa pero clara: el conocimiento de Cyc era tan irregular e impredecible que resultaba imposible medir cuánto había avanzado realmente. El boom de los sistemas expertos no acabó porque la tecnología fallara por completo —se construyeron muchos sistemas exitosos—, sino porque la brecha entre lo prometido y lo entregado volvió a ser demasiado grande. Y bajo los fallos prácticos había un problema más profundo que nadie había previsto. El sentido común resultó ser lo más difícil de todo. Piensa en esto: sabes que Piolín es un pájaro, así que deduces que Piolín puede volar. Luego te enteras de que Piolín es un pingüino. Inmediatamente corriges tu conclusión. Pero la lógica clásica no puede hacer esto. En la lógica tradicional, añadir más información nunca elimina conclusiones que ya habías sacado. El mundo real exige constantemente este tipo de correcciones, y los sistemas formales de los que dependía la IA basada en conocimiento simplemente no podían gestionarlo.

Saca más partido al Resumen de Breve historia de la inteligencia artificial

Recibe ideas a diario de más de 100 mil lecciones
Las palabras se iluminan al ritmo del audio
Tu biblioteca guardada en todos tus dispositivos

Capítulo 5

El cerebro en lugar de la mente

La tradición de la IA simbólica —reglas, lógica, conocimiento explícito— había intentado modelar la mente: los procesos de razonamiento consciente que podemos articular. Pero había una tradición paralela que intentaba algo distinto: modelar el cerebro. Las redes neuronales, inspiradas en la estructura de las neuronas biológicas, existían desde los años cuarenta. Cayeron en el olvido a finales de los seisenta después de que Marvin Minsky y Seymour Papert publicaran un libro demostrando las limitaciones fundamentales de las redes de una sola capa. Lo que el libro parecía sugerir, aunque esto se discutió, era que las redes neuronales en su conjunto eran un callejón sin salida. La investigación prácticamente se detuvo. Resurgió en los ochenta con una obra en dos volúmenes titulada "Procesamiento distribuido en paralelo", que introdujo la retropropagación: una técnica para entrenar redes con múltiples capas. El interés se disparó, para volver a colapsar a mediados de los noventa. No por un fallo fundamental, sino porque los ordenadores de la época no eran lo bastante potentes para hacer funcionar el sistema a gran escala. La tercera ola llegó hacia 2005 bajo el nombre de aprendizaje profundo. Cambiaron tres cosas al mismo tiempo. Las redes se hicieron más profundas, con más capas, procesando los datos a niveles más altos de abstracción. Las redes se hicieron más grandes: una red puntera en 2016 tenía alrededor de un millón de neuronas, frente a unas cien en 1990. Y lo más crucial: empezamos a disponer de datos masivos. El proyecto ImageNet, ideado por la investigadora Fei-Fei Li en Stanford, reunió catorce millones de fotografías etiquetadas, organizadas en veintidós mil categorías. En 2012, Geoff Hinton y dos colegas presentaron un sistema llamado AlexNet que superó de forma aplastante a todos los demás participantes en una competición internacional de reconocimiento de imágenes. La diferencia fue tan abrumadora que estuvo claro que algo fundamental había cambiado.

Capítulo 6

Lo que realmente hace el aprendizaje profundo

En enero de 2014, Google adquirió una pequeña empresa londinense de IA llamada DeepMind por unos 650 millones de dólares. En el momento de la compra, DeepMind no tenía productos, no tenía tecnología comercializada y contaba con menos de veinticinco empleados. Su misión declarada era resolver el enigma de la inteligencia. Lo que tenían era aprendizaje profundo, y lo que demostraron con él fue asombroso. Su primer gran resultado fue un sistema que aprendió a jugar a cuarenta y nueve juegos de Atari desde cero, recibiendo únicamente los píxeles de la pantalla y la puntuación. Sin reglas. Sin estrategias. Sin saber siquiera qué eran los juegos. Aprendió jugando: recibiendo retroalimentación positiva cuando subía la puntuación y negativa cuando bajaba. Los resultados fueron extraordinarios. El sistema aprendió a jugar a veintinueve de los cuarenta y nueve juegos por encima del nivel humano. En el juego Breakout, donde rebotas una bola para destruir un muro de ladrillos, el sistema descubrió algo que sus diseñadores no habían previsto: la estrategia más eficiente era abrir un túnel por un lateral del muro para que la bola rebotara por encima, destruyendo ladrillos sin que el jugador tuviera que hacer nada más. Nadie le enseñó a hacer eso. Encontró la estrategia por sí solo. Luego vino AlphaGo. El juego del go se consideraba prácticamente inalcanzable para la IA debido a su enorme factor de ramificación. En 2015, los programas de go estaban muy por debajo del nivel de un experto humano. AlphaGo utilizó dos redes neuronales —una para evaluar las posiciones del tablero y otra para recomendar jugadas— integradas en una técnica de búsqueda avanzada. Venció al campeón europeo Fan Hui por cinco partidas a cero. Después, en marzo de 2016 en Seúl, se enfrentó a Lee Sedol, campeón mundial, en un torneo de cinco partidas que abrió los telediarios de todo el mundo y que más tarde se convirtió en un documental. AlphaGo ganó cuatro a uno. Los comentaristas destacaron que AlphaGo hacía jugadas que ningún humano haría nunca, movimientos que parecían extraños o incluso equivocados, hasta que su propósito quedaba claro varios turnos después. La observación de Wooldridge aquí es precisa e importante: intentamos instintivamente entender a AlphaGo como entenderíamos a un jugador humano, atribuyéndole intenciones y estrategias. Pero no las hay. La extraordinaria capacidad de AlphaGo está contenida por completo en los pesos numéricos de sus redes neuronales, una lista larguísima de números que no tenemos forma de leer ni interpretar. Esta opacidad no es un inconveniente menor. Es una característica fundamental del aprendizaje profundo, y tiene una importancia enorme para la forma en que usamos estos sistemas. Un programa de aprendizaje profundo que detecta tumores en una radiografía no puede explicar su diagnóstico. Un sistema que deniega una hipoteca no puede decirte por qué. El conocimiento está ahí, es real, pero está encerrado dentro de números que no podemos descifrar.

Ve cada palabra mientras la escuchas

Sigue la lectura sin esfuerzo mientras cada palabra del Resumen de Breve historia de la inteligencia artificial se ilumina en tiempo real.

Capítulo 7

La ilusión de la comprensión

Wooldridge pone a prueba los límites del aprendizaje profundo con dos ejemplos sobre los que vale la pena reflexionar. Subió una fotografía a CaptionBot de Microsoft, un sistema de aprendizaje profundo que genera descripciones de imágenes. La foto muestra a Matt Smith, el actor que interpretó a Doctor Who, de pie junto a un hombre mayor frente a la TARDIS. CaptionBot identifica correctamente a Matt Smith y señala que parece estar posando para una foto y sonriendo. Lo que CaptionBot no puede hacer es entender la fotografía. Una persona al mirarla notaría de inmediato el disfraz de Doctor Who, deduciría que están rodando, vería el papel enrollado en el bolsillo de Smith y reconocería un guión, notaría la taza de papel que sugiere una pausa para el té y entendería que debe haber un equipo de rodaje cerca. CaptionBot solo ha aprendido a asociar ciertos patrones visuales con el texto "Matt Smith". Eso no es lo mismo que entender quién es Matt Smith, qué hace o qué significa ese momento concreto. El segundo ejemplo es Google Translate traduciendo el párrafo inicial de «En busca del tiempo perdido» de Proust. La traducción es reconocible, es claramente el mismo texto, pero incluye frases raras o construcciones que ningún hablante nativo usaría jamás. Para traducir bien a Proust se necesita conocer la sociedad francesa de principios del siglo XX, la historia de Francisco I y Carlos V, las preocupaciones literarias de Proust o lo que significaba iluminarse con velas. Una red neuronal entrenada con textos traducidos no tiene nada de eso. Lo que ha aprendido son patrones estadísticos en el lenguaje. Eso es inmensamente útil, pero no es comprensión. La brecha entre el reconocimiento de patrones y la comprensión es el gran problema no resuelto de la IA. El aprendizaje profundo ha movido la frontera de forma espectacular, pero no ha cerrado esa brecha.

Capítulo 8

Los riesgos que realmente importan

La narrativa de Terminator —la idea de que la IA se volverá superinteligente, se perfeccionará a sí misma en bucle y escapará al control humano— domina el debate público sobre los riesgos de la tecnología. Wooldridge la aborda directamente y la descarta, no con desdén, sino con precisión. La singularidad, tal como la describe el futurólogo Ray Kurzweil, se basa en la idea de que la potencia de cálculo pura superará con el tiempo la capacidad de procesamiento del cerebro humano, punto en el cual la IA podrá mejorarse a sí misma más rápido de lo que los humanos podemos comprender. Pero la potencia de cálculo bruta no es inteligencia. Si descargaras un cerebro humano en el ordenador más rápido jamás construido, no obtendrías un ser superinteligente: obtendrías a un humano capaz de pensar muy rápido. El software avanza a un ritmo mucho más lento que el hardware. Y aunque los sistemas de IA llegaran a ser tan capaces como los humanos, no hay evidencia de que puedan mejorarse a sí mismos a un ritmo inalcanzable para nuestra mente. Juntar a mil clones de Einstein no produciría una inteligencia mil veces superior a la de Einstein. Los riesgos que realmente merecen nuestra atención son menos de película, pero mucho más inmediatos. El sesgo algorítmico es uno de ellos. Los sistemas de aprendizaje automático se entrenan con datos, y los datos reflejan el mundo tal como ha sido, incluidos sus prejuicios. Un sistema entrenado para predecir el riesgo crediticio aprenderá los patrones existentes en los datos históricos de préstamos, incluidos los sesgos raciales o geográficos. Un sistema diseñado para reconocer rostros funcionará peor con grupos infrarepresentados en sus datos de entrenamiento. No son preocupaciones teóricas. Un sistema llamado HART, utilizado por la policía de Durham para apoyar decisiones de custodia policial, fue entrenado con cinco años de datos y utilizaba el código postal del sospechoso como una de sus variables, lo que generó seria preocupación por el sesgo contra personas de barrios desfavorecidos. La opacidad del aprendizaje automático empeora esto. Cuando un sistema no puede explicar sus decisiones, es muy difícil detectar cuándo está siendo sesgado, y es muy fácil confiar demasiado en él. Las falsificaciones profundas o «deepfakes» son otra amenaza real. Las redes neuronales ya pueden generar fotografías de personas que no existen que resultan indistinguibles de fotos reales. Pueden alterar vídeos para incluir a personas que nunca estuvieron allí. En el momento en que se escribe esto, la calidad de los vídeos manipulados todavía se puede detectar con atención. Pero eso no durará para siempre. Cuando las fotos y los vídeos dejen de ser un registro fiable de la realidad, los cimientos mismos de la vida pública y de nuestra información se volverán alarmantemente frágiles. Y luego está la cuestión del trabajo. Un informe de 2013 de los economistas de Oxford Carl Frey y Michael Osborne estimó que hasta el 47 por ciento de los empleos en Estados Unidos eran susceptibles de ser automatizados. Wooldridge cree que las predicciones más pesimistas difícilmente se cumplirán de la noche a la mañana, pero tiene claro que la IA dejará a mucha gente sin empleo. Especialmente a quienes trabajan analizando datos para tomar decisiones, siguiendo guiones en atención al cliente o conduciendo por rutas bien cartografiadas. El problema más profundo no es solo el desempleo, sino la naturaleza del trabajo que queda: el empleado de un almacén de Amazon guiado paso a paso por un algoritmo, con cada movimiento optimizado y supervisado, alguien que, en palabras del propio trabajador, es "un robot, pero con forma humana".

Saca más partido al Resumen de Breve historia de la inteligencia artificial

Recibe ideas a diario de más de 100 mil lecciones
Las palabras se iluminan al ritmo del audio
Tu biblioteca guardada en todos tus dispositivos

Capítulo 9

El horizonte que no podemos ver

La última pregunta que Wooldridge se toma en serio es la que parece más especulativa: ¿podrán las máquinas llegar a ser realmente conscientes? Es muy honesto sobre lo poco que entendemos. La conciencia no se presta a la medición objetiva. No tenemos una unidad científica para medir la experiencia subjetiva. El filósofo Thomas Nagel propuso un dilema: preguntar si hay algo que se siente al ser un determinado ente. Hay algo que se siente al ser un perro, probablemente hay algo que se siente al ser una rata, pero casi seguro que no hay nada que se sienta al ser una tostadora. Si podría haber algo que se sienta al ser un sistema de IA lo suficientemente sofisticado es una pregunta que hoy por hoy no podemos responder. Lo que a Wooldridge le parece más abordable es la cuestión de cómo sería el progreso hacia máquinas conscientes. Señala las investigaciones sobre la teoría de la mente, la capacidad de razonar sobre los estados mentales de los demás. Los niños con un desarrollo típico adquieren esta capacidad hacia los cuatro años. Los niños con autismo a menudo no. Un sistema llamado ToMnet ha empezado a mostrar capacidades primitivas de teoría de la mente en aprendizaje automático. Es un trabajo incipiente, pero apunta hacia una vía concreta de investigación: crear sistemas capaces de aprender a modelar a otros agentes, de entender creencias y deseos, de desenvolverse en el razonamiento social complejo que, según el psicólogo evolucionista Robin Dunbar, fue precisamente lo que impulsó la expansión del cerebro humano. Los estudios de Dunbar revelaron que el mejor indicador del tamaño del cerebro en las especies de primates no es la complejidad del entorno ni la necesidad de buscar comida, sino el tamaño medio del grupo social. El cerebro humano es grande porque vivimos en grupos sociales amplios y complejos, y gestionar esas relaciones exige un razonamiento muy fino sobre lo que otros creen, quieren e intencionan. La conciencia, desde esta perspectiva, no es un ingrediente mágico extra: es lo que se siente por dentro al razonar socialmente. Si las máquinas podrán tener alguna vez esa experiencia es una pregunta que Wooldridge deja sinceramente abierta. De lo que sí está seguro es de que hoy no estamos ni cerca, y de que el camino para llegar allí, si existe, pasa por la comprensión, no por el simple reconocimiento de patrones. La distancia entre AlphaGo y una mente consciente no es una cuestión de escala. Es una diferencia de naturaleza. Tras setenta años de historia, la inteligencia artificial ha producido verdaderas maravillas y verdaderos fracasos, riesgos reales y oportunidades reales. Las maravillas son reales. Los riesgos son reales. Terminator no lo es. Lo que nos ofrece Wooldridge, en última instancia, es algo mucho más valioso que el optimismo ciego o el alarmismo: una mirada lúcida sobre dónde estamos realmente, contada por alguien que lleva toda una vida investigándolo.

★★★★★

Has llegado al final del Resumen de Breve historia de la inteligencia artificial

“Llevo 23 días y lo he usado todos los días. Ya forma parte de mi rutina diaria.”

jayallen

Temas clave del Resumen de Breve historia de la inteligencia artificial

computational history
turing test limitations
symbolic vs connectionist ai
algorithmic problem solving
machine intelligence philosophy

Mejores citas del Resumen de Breve historia de la inteligencia artificial

AI's story is largely one of failure.
Understanding where AI came from might be our best guide.
These machines weren't intelligent in any meaningful sense.
Passing the Turing Test doesn't necessarily indicate intelligence.
AI's first golden age [was] a period of boundless optimism.

Personajes del Resumen de Breve historia de la inteligencia artificial

Michael WooldridgeAuthor and AI researcher
Joseph WeizenbaumCreator of the ELIZA psychotherapist program

Sobre el Autor

Michael John Wooldridge, autor de Una breve historia de la inteligencia artificial, es una autoridad líder en IA y profesor de ciencias de la computación en la Universidad de Oxford. Con más de tres décadas de investigación en sistemas multiagente y lógica computacional, su trabajo tiende un puente entre los avances técnicos de la IA y sus implicaciones sociales.

Como Director de IA en el Instituto Alan Turing, da forma a la investigación y las políticas fundamentales de la IA, asesorando a comités gubernamentales e instituciones como la Cámara los Lores.

La experiencia de Wooldridge se extiende al compromiso público a través de sus libros superventas, incluyendo The Road to Conscious Machines y The Ladybird Expert Guide to AI, traducidos a nueve idiomas. Galardonado con la Medalla Lovelace y el Premio al Educador Destacado de la AAAI, desmitifica la evolución de la IA con una prosa accesible, basándose en sus roles como editor jefe de la revista Artificial Intelligence y expresidente de la Conferencia Conjunta Internacional sobre IA. Sus Conferencias de Navidad de la Royal Institution de 2023 llevaron la historia y el futuro de la IA a audiencias globales, consolidando su reputación como una voz de confianza en el discurso tecnológico.

Descargar resumen de Breve historia de la inteligencia artificial

Obtén el resumen de Breve historia de la inteligencia artificial como PDF o EPUB gratis. Imprímelo o léelo sin conexión en cualquier momento.

A los usuarios también les gustó

A Brief History of Artificial Intelligence

Michael Wooldridge

Portada del libro The Machine Intelligence Saga

History of AI: Interactive Timeline from 1950 to 2026 | AI Adda

History of Artificial Intelligence: From the Turing Test to Deep Learning and Large Language Models

AI Timeline — The Complete History of Artificial Intelligence

Annotated history of modern AI and deep neural networks

6 sources

The Machine Intelligence Saga

Understanding Artificial Intelligence

Nicolas Sabouret

Portada del libro AI and the Lessons of History

AI Revolution vs. Industrial Revolution - by Kevin Kohler

6 sources

AI and the Lessons of History

Portada del libro AI: Intelligence Without Understanding

28 sources

AI: Intelligence Without Understanding

Portada del libro AI Demystified: From Foundations to Future

Artificial Intelligence and Generative AI for Beginners

22 sources

AI Demystified: From Foundations to Future

Portada del libro AI Explained: From Zero to Understanding

AI 101: The Fundamentals of Artificial Intelligence - Ntiva

Artificial Intelligence (AI) Basics for Beginners | Learning Tree

AI for Beginners: Artificial Intelligence Explained in Simple Terms

6 sources

AI Explained: From Zero to Understanding

Portada del libro Machine Learning & AI: The Intelligence Revolution

6 sources

Machine Learning & AI: The Intelligence Revolution

Preguntas frecuentes sobre el Resumen de Breve historia de la inteligencia artificial

Descubre más

PLAN DE APRENDIZAJE

The history and future of ai

As AI reshapes every industry, understanding its origins and technical mechanics is essential for informed decision-making. This plan is ideal for professionals and curious learners who want to move beyond the hype to understand the ethics and future of superintelligence.

5 h 32 m•4 Secciones

PLAN DE APRENDIZAJE

learn about ai and history

This learning plan bridges the gap between historical context and cutting-edge technology, making it essential for anyone seeking to understand the 'why' behind the AI revolution. It is ideal for curious professionals and students who want to move beyond the hype and grasp the actual mechanisms and ethics of modern intelligence.

5 h 14 m•4 Secciones

PLAN DE APRENDIZAJE

Technology and AI

Artificial intelligence is rapidly transforming every industry and aspect of modern life, making AI literacy essential for professionals across all fields. This learning path is ideal for business leaders, technologists, strategists, and anyone seeking to understand both the technical foundations and strategic implications of AI. Whether you're looking to implement AI in your organization, pivot your career toward emerging technologies, or simply understand the forces shaping our future, this comprehensive program bridges the gap between technical knowledge and practical application.

4 h 52 m•4 Secciones

PLAN DE APRENDIZAJE

The Architect's Guide to AI Agents

This guide is essential for engineers and architects transitioning from simple chatbots to sophisticated autonomous systems. It provides the structural blueprint needed to master agentic workflows, memory management, and multi-agent coordination.

2 h•5 Secciones

PLAN DE APRENDIZAJE

AI, machine learning

This learning plan is essential for anyone looking to enter or advance in the rapidly growing field of artificial intelligence, whether you're a software developer, data professional, or career changer. It provides both the theoretical foundation and practical skills needed to build real AI systems, while also addressing the critical ethical considerations that every AI practitioner must understand. Perfect for those who want to go beyond surface-level AI knowledge and develop the expertise to create, deploy, and responsibly manage machine learning solutions.

3 h 49 m•4 Secciones

PLAN DE APRENDIZAJE

Master AI Fundamentals and Current Trends

As artificial intelligence reshapes every industry, understanding its technical and ethical foundations is no longer optional for professionals. This plan is designed for curious learners and aspiring developers who want to move beyond the buzzwords to build practical, responsible AI solutions.

5 h 10 m•4 Secciones

PLAN DE APRENDIZAJE

Algorithm and ai

This learning path bridges the essential gap between classical computer science and modern artificial intelligence, preparing you for the AI-driven technology landscape. Whether you're a software developer looking to transition into machine learning, a student building career-ready skills, or a professional seeking to understand and leverage AI in your field, this comprehensive plan takes you from algorithmic foundations through advanced AI systems with practical, hands-on experience.

4 h 47 m•4 Secciones

PLAN DE APRENDIZAJE

AI's Impact on Society & Living in the AI Age

As AI rapidly reshapes our world, understanding its societal implications is no longer optional but a vital survival skill. This plan is designed for professionals and citizens who want to navigate the ethical, economic, and practical shifts of the digital age with confidence.

5 h 2 m•4 Secciones

Creado por exalumnos de la Universidad de Columbia | en San Francisco

BeFreed Reúne a una Comunidad Global de Mentes Curiosas

4.7

valoración media

Más de 7,84 mil valoraciones de la app

Comunidad BeFreed

En serio, todavía no he explorado la app a fondo, pero después de usarla estos últimos días estoy impresionadísima… BeFreed está en otro nivel comparada con cualquier otra app de aprendizaje que haya usado. Te engancha muchísimo y de verdad mejora la concentración, ¡ideal para los que no paran de hacer scroll!

@ladyInfinity

Compré BeFreed hace exactamente 23 días y lo he usado todos los días desde entonces. Se ha integrado por completo en mi rutina diaria de trabajo y aprendizaje.

@jayallen

La verdad es que la app ha superado todas mis expectativas. Puedo pedirle que genere audio sobre cualquier tema, sea cual sea, y el resultado es impresionante. Mi campo profesional es una especialización en psicoterapia y es multidisciplinario; aun así, las respuestas son muy precisas.

@Raguipa

Lo que más valoro es cuánto ha reducido mi scroll: paso menos tiempo buscando y más tiempo absorbiendo información. La combinación de audiolibros completos, podcasts y los planes de aprendizaje es brillante.

@colonyofcreatorsNGO

Llevo 24 años siendo instructor de aprendizaje acelerado PhotoReading… los libros, la lectura y el aprendizaje son lo mío, y BeFreed ha hecho un gran trabajo ofreciendo un enfoque innovador para transmitir información de una forma fácil de consumir.

@BeFreed user

No es solo una app de resúmenes de libros: he usado la opción de lectura divertida y es un resumen mucho mejor y una forma más fácil de captar las ideas que la manera tradicional; solo eso ya vale la pena.

@austinakon

Me encanta esta app. La he usado varios días y no puedo dejar de escuchar. Una forma buenísima de empezar.

@jcrules328

Me gusta mucho el programa; llevo alrededor de un mes probándolo y siento que es una verdadera joya. Funciona genial porque puedo usar BeFreed para crear mis propios temas, y la voz es buenísima, con opciones de narración ilimitadas.

@DanielCZ

En serio, todavía no he explorado la app a fondo, pero después de usarla estos últimos días estoy impresionadísima… BeFreed está en otro nivel comparada con cualquier otra app de aprendizaje que haya usado. Te engancha muchísimo y de verdad mejora la concentración, ¡ideal para los que no paran de hacer scroll!

@ladyInfinity

Compré BeFreed hace exactamente 23 días y lo he usado todos los días desde entonces. Se ha integrado por completo en mi rutina diaria de trabajo y aprendizaje.

@jayallen

La verdad es que la app ha superado todas mis expectativas. Puedo pedirle que genere audio sobre cualquier tema, sea cual sea, y el resultado es impresionante. Mi campo profesional es una especialización en psicoterapia y es multidisciplinario; aun así, las respuestas son muy precisas.

@Raguipa

Lo que más valoro es cuánto ha reducido mi scroll: paso menos tiempo buscando y más tiempo absorbiendo información. La combinación de audiolibros completos, podcasts y los planes de aprendizaje es brillante.

@colonyofcreatorsNGO

Llevo 24 años siendo instructor de aprendizaje acelerado PhotoReading… los libros, la lectura y el aprendizaje son lo mío, y BeFreed ha hecho un gran trabajo ofreciendo un enfoque innovador para transmitir información de una forma fácil de consumir.

@BeFreed user

No es solo una app de resúmenes de libros: he usado la opción de lectura divertida y es un resumen mucho mejor y una forma más fácil de captar las ideas que la manera tradicional; solo eso ya vale la pena.

@austinakon

Me encanta esta app. La he usado varios días y no puedo dejar de escuchar. Una forma buenísima de empezar.

@jcrules328

Me gusta mucho el programa; llevo alrededor de un mes probándolo y siento que es una verdadera joya. Funciona genial porque puedo usar BeFreed para crear mis propios temas, y la voz es buenísima, con opciones de narración ilimitadas.

@DanielCZ

Me encanta poder recibir información e ideas útiles y condensadas en un audio estilo podcast de 8 a 15 minutos. No soy muy fan de los podcasts por tanto relleno, pero esto va directo al grano.

@BeFreed user

Estoy terminando mi doctorado y tengo que leer muchísimo material desconocido… Con BeFreed simplemente escribes un prompt y la app encuentra las fuentes por ti y genera un podcast en audio. El proceso de BeFreed me parece más ágil que el de NotebookLM.

@Brad

Suelo buscar en YouTube algo que escuchar mientras preparo el desayuno, salgo a caminar o voy al trabajo, ¡y BeFreed ofrece un enfoque aún más certero, sin anuncios y sin relleno!

@BeFreed user

Lo mejor de esta plataforma es su versatilidad. Literalmente no hay tema que quede fuera. Le lanzas lo que sea y lo maneja… Es raro encontrar una herramienta de aprendizaje sin limitaciones que de verdad cumpla lo que promete.

@jayallen

BeFreed es fantástica. Su diseño intuitivo hace que pase menos tiempo navegando y más tiempo aprendiendo. La mezcla de audiolibros, podcasts y planes de aprendizaje es una combinación genial que ha cambiado por completo mi rutina diaria.

@BeFreed user

Al principio me llevó un rato entender cómo crear podcasts en italiano y ¡boom! ¡Es genial! Puedo pedirle que me explique cualquier tema y lo hace súper bien y con mucha inteligencia.

@matteo77

BeFreed se ha convertido en mi app diaria de audiolibros… Lo que más me gusta es que pones tu texto y te devuelve un audio que puedes escuchar donde sea.

@kotanzu1

Me encanta poder recibir información e ideas útiles y condensadas en un audio estilo podcast de 8 a 15 minutos. No soy muy fan de los podcasts por tanto relleno, pero esto va directo al grano.

@BeFreed user

Estoy terminando mi doctorado y tengo que leer muchísimo material desconocido… Con BeFreed simplemente escribes un prompt y la app encuentra las fuentes por ti y genera un podcast en audio. El proceso de BeFreed me parece más ágil que el de NotebookLM.

@Brad

Suelo buscar en YouTube algo que escuchar mientras preparo el desayuno, salgo a caminar o voy al trabajo, ¡y BeFreed ofrece un enfoque aún más certero, sin anuncios y sin relleno!

@BeFreed user

Lo mejor de esta plataforma es su versatilidad. Literalmente no hay tema que quede fuera. Le lanzas lo que sea y lo maneja… Es raro encontrar una herramienta de aprendizaje sin limitaciones que de verdad cumpla lo que promete.

@jayallen

BeFreed es fantástica. Su diseño intuitivo hace que pase menos tiempo navegando y más tiempo aprendiendo. La mezcla de audiolibros, podcasts y planes de aprendizaje es una combinación genial que ha cambiado por completo mi rutina diaria.

@BeFreed user

Al principio me llevó un rato entender cómo crear podcasts en italiano y ¡boom! ¡Es genial! Puedo pedirle que me explique cualquier tema y lo hace súper bien y con mucha inteligencia.

@matteo77

BeFreed se ha convertido en mi app diaria de audiolibros… Lo que más me gusta es que pones tu texto y te devuelve un audio que puedes escuchar donde sea.

@kotanzu1

Ver más sobre cómo se habla de BeFreed en la web