La manera del cerebro de resolver problemas. @OpenLedger
Tu cerebro es una máquina de predicción. Cuando tocas el fuego de niño, tus neuronas se conectan para recordar el dolor. Cuando ves un perro, tu cerebro no revisa un libro de reglas. En cambio, millones de neuronas se activan en patrones que codifican tus experiencias pasadas de "perronidad".
Esto es inteligencia: la capacidad de generalizar a partir de la experiencia. Las máquinas querían hacer lo mismo. El primer intento no fue construir neuronas, sino escribir reglas. Si fuego = caliente, no tocar. Si perro = cuatro patas, cola, ladra, entonces clasificar como perro. Esto se llamó IA simbólica, un mundo de lógica hecha a mano.#OpenLedger
Ilustración comparando la resolución de problemas tipo cerebro y basada en reglas
Funcionó para problemas estrechos pero colapsó en el momento en que la realidad se complicó. El cerebro prospera en situaciones desordenadas, las reglas no.
Aprende más:
Historia de la Inteligencia Artificial (Wikipedia) $OPEN
La Conferencia de Dartmouth: Donde Nació la “IA”
En el verano de 1956, John McCarthy, Marvin Minsky, Claude Shannon y Nathaniel Rochester se reunieron en Dartmouth College para el Proyecto de Investigación de Verano sobre IA de Dartmouth.
Aquí fue donde se acuñó por primera vez el término “Inteligencia Artificial”. La propuesta declaró:
“Cada aspecto del aprendizaje o cualquier otra característica de la inteligencia puede, en principio, ser descrito con tanta precisión que se puede hacer una máquina que lo simule.”
No fue un hackathon de codificación. Fue un plano para un campo, apuntando a redes neuronales, búsqueda, razonamiento simbólico y lenguaje. El sueño estaba establecido.
Para aprender más:
conferencia de Dartmouth
De Reglas a Aprendizaje: El Perceptrón
En 1957, Frank Rosenblatt preguntó: ¿y si las máquinas pudieran aprender como neuronas? Introdujo el perceptrón, el primer modelo matemático de una neurona.
El perceptrón toma entradas, las multiplica por pesos, añade un sesgo y las pasa por una función escalón:
f(x) = h(w ⋅ x + b)
Entradas (xi) = características, como valores de píxeles
Pesos (wi) = importancia de cada característica
Sesgo (b) = ajusta el límite de decisión
Función escalón (h) = salida binaria (1 o 0)
Esto hizo que el perceptrón fuera un clasificador lineal, capaz de trazar un límite en línea recta entre clases.
Rosenblatt también construyó hardware: el Perceptrón Mark I (1960). Tenía una cuadrícula de 20×20 fotoceldas actuando como una retina, conectadas aleatoriamente a unidades de asociación, con pesos ajustables implementados por potenciómetros. Motores actualizaban estos pesos durante el aprendizaje.
Pudo clasificar patrones simples y creó una gran emoción. El New York Times incluso afirmó que algún día podría caminar, hablar y ser consciente (
Archivo NYT, 1958).
