La inteligencia artificial (IA) se ha convertido en uno de los temas más debatidos en la comunidad científica y entre el público en general. En Google Trends, se ha observado un aumento total en el número de búsquedas de «inteligencia artificial» y temas relacionados desde finales de 2022. Esto coincide con la introducción de ChatGPT en noviembre de 2022. Este modelo de lenguaje extenso (LLM) ofreció al público una experiencia de primera mano de las capacidades de la IA conversacional moderna: un sistema interactivo basado en el diálogo totalmente funcional capaz de interacciones lingüísticas naturales con los usuarios. Su introducción demostró no solo la utilidad práctica de la IA, sino también su capacidad para mejorar la productividad, la creatividad y el intercambio de conocimientos.

Para los expertos en IA, la presentación de ChatGPT no fue tan sorprendente, sino más bien la culminación de décadas de desarrollo continuo en el campo. Los orígenes de la IA se remontan a la década de 1980, cuando los sistemas expertos, construidos sobre una lógica predefinida basada en reglas, fueron una de las primeras implementaciones prácticas de la inteligencia artificial. Estos sistemas eran capaces de resolver tareas específicas dentro de dominios limitados, pero carecían de adaptabilidad y flexibilidad. En términos muy generales, el término «inteligencia artificial» (IA) se utiliza para describir sistemas informáticos capaces de realizar tareas que normalmente requerirían inteligencia humana. Estas tareas incluyen razonar, aprender y comprender el lenguaje. Mientras que los abordajes computacionales y estadísticos tradicionales se concentran en la aplicación de fórmulas, reglas y modelos fijos para el análisis de datos, la IA es capaz de trascender estos métodos.

En la década de 1990, el paradigma cambió con la llegada del aprendizaje automático (AA), que introdujo algoritmos capaces de aprender de los datos. A diferencia de los sistemas basados en reglas, estos algoritmos podían adaptarse y mejorar su rendimiento a través de la experiencia, lo que supuso un importante salto adelante. El AA marcó el comienzo de una transición hacia sistemas más autónomos y basados en datos. En esencia, un algoritmo es un sistema diseñado para resolver tareas de manera eficiente, y el ML permitió que estos sistemas se volvieran más dinámicos y receptivos (Cormen et al. 2022).

La siguiente tendencia transformadora llegó en la década de 2010 con el auge del aprendizaje profundo, un subconjunto avanzado del ML. El aprendizaje profundo aprovecha las redes neuronales artificiales, que son estructuras computacionales inspiradas en las conexiones sinápticas del cerebro humano. Estas redes destacan en el procesamiento y análisis de grandes conjuntos de datos multidimensionales. El crecimiento simultáneo del big data organizado en conjuntos de datos estructurados impulsó el rápido desarrollo de métodos de aprendizaje profundo. Esta sinergia entre el aprendizaje profundo y el big data encontró aplicaciones críticas en diversos campos, incluida la medicina, donde las redes neuronales han demostrado un éxito notable en el análisis de imágenes médicas, la predicción de resultados de enfermedades y la adaptación de estrategias de tratamiento personalizadas.

La evolución de los sistemas expertos al aprendizaje profundo representa un viaje de creciente complejidad y capacidad en la IA. Lo que antes dependía de reglas codificadas ha dado paso a sistemas que no solo aprenden de los datos, sino que también demuestran un razonamiento matizado, resolución de problemas y creatividad. La introducción de ChatGPT personificó este salto, mostrando lo lejos que ha llegado la IA al permitir interacciones significativas similares a las humanas. Este viaje también subraya el potencial más amplio de la IA en todos los sectores, desde la sanidad y la educación hasta el entretenimiento y más allá.