La inteligencia artificial ha avanzado a toda velocidad gracias al crecimiento exponencial de la computación, y la frase clave es crecimiento exponencial de la computación. Durante décadas, la Ley de Moore permitió duplicar la capacidad de los chips y crear la base técnica que hoy sostiene muchos sistemas de IA.

Para entenderlo sin complicarnos, podemos pensar en la IA como un conjunto de herramientas capaces de imitar comportamientos inteligentes. Algunas hacen tareas sencillas, como reconocer una cara en una foto, y otras ya generan texto, imágenes o respuestas bastante convincentes. Vamos, que ya no solo calculan, también se ponen creativas.

Al principio predominó la IA simbólica, basada en reglas escritas a mano. Un ejemplo clásico son los programas de ajedrez. Deep Blue llegó a vencer a un campeón mundial, pero lo hizo sin aprender por sí mismo; simplemente ejecutaba muy bien las reglas y el cálculo para esa tarea concreta.

El gran cambio llegó con las redes neuronales y el aprendizaje profundo. Ahí los sistemas empezaron a aprender de la experiencia, a detectar patrones y a mejorar su rendimiento con el uso de datos. Ese salto abrió la puerta a una IA mucho más flexible y capaz.

En el deep learning hay tres piezas que mandan: la cantidad de datos, los algoritmos y la capacidad de cómputo. Cuando estas tres cosas crecen, los modelos suelen rendir mejor. Por eso tecnologías como los transformers han impulsado sistemas de propósito general que pueden resolver varias tareas complejas con mucha rapidez.

También entran en juego los benchmarks y las leyes de escalado, que ayudan a medir cómo mejora la IA cuando aumentan los datos y el cómputo. Esto permite hacer previsiones sobre su evolución, aunque no todo es una autopista recta: también aparecen límites y posibles cuellos de botella.

Si queremos jugar con esta idea, podemos convertirla en un reto sencillo: elegir una tarea cotidiana y comparar cómo la resolvería una IA simbólica, una red neuronal y un modelo moderno. Antes de cerrar, demos el salto a JeiJoLand y sigamos aprendiendo jugando.