Renacimiento
años 1990–años 2010 · Auge del aprendizaje profundo
A mediados de los años noventa, con la mejora de la potencia de cálculo y la proliferación de internet, el aprendizaje automático, especialmente el aprendizaje profundo, comenzó a destacar. Este periodo en el desarrollo de la IA puede describirse como la «revolución estadística»: el paso de sistemas basados en reglas a modelos probabilísticos y basados en datos.
En 2012, el aprendizaje profundo ganó la competencia ImageNet por amplia mayoría, marcando el inicio de la revolución del aprendizaje profundo. Desde entonces, la IA ha logrado avances sin precedentes en reconocimiento de imágenes, reconocimiento de voz y procesamiento del lenguaje natural. En 2016, la victoria de AlphaGo sobre Lee Sedol llevó la IA a la conciencia pública, inaugurando una nueva era de la inteligencia artificial.
Esta era se caracteriza por la combinación de big data, recursos de cómputo potentes y algoritmos de aprendizaje profundo. La proliferación de internet hizo posible la recolección de grandes volúmenes de datos, mientras que el desarrollo de las GPU proporcionó la base computacional para el entrenamiento de grandes redes neuronales.
Hitos importantes
Auge de los métodos estadísticos
En la década de 1990, los métodos estadísticos comenzaron a dominar la investigación en IA. Los modelos ocultos de Markov (HMM) en reconocimiento de voz, Naive Bayes y árboles de decisión en aprendizaje automático obtuvieron buenos resultados.
Nacimiento de la World Wide Web
Tim Berners-Lee creó la World Wide Web. La proliferación de internet cambio el estilo de vida humano y proporcionó recursos de datos sin precedentes para la IA.
Máquina de vectores de soporte
Vladimir Vapnik y colaboradores propusieron la máquina de vectores de soporte (SVM), un potente método de clasificación y regresión. La SVM logró un rendimiento excelente en clasificación de textos y reconocimiento de escritura manuscrita.
Vladimir Vapnik
Memoria a largo y corto plazo (LSTM)
Sepp Hochreiter y Jurgen Schmidhuber propusieron LSTM, un tipo especial de RNN capaz de aprender dependencias a largo plazo. LSTM logró un gran éxito en reconocimiento de voz y modelado del lenguaje.
Sepp Hochreiter y Jurgen Schmidhuber
LeNet-5
Yann LeCun desarrolló LeNet-5, una CNN para el reconocimiento de dígitos manuscritos. LeNet-5 fue uno de los primeros modelos de aprendizaje profundo desplegados comercialmente a gran escala: AT&T/NCR la utilizó para leer cheques desde 1993 y el Servicio Postal de EE. UU. para reconocer códigos postales desde finales de la década de 1990.
Yann LeCun
Modelo de lenguaje neuronal probabilístico
Yoshua Bengio, Réjean Ducharme, Pascal Vincent y Christian Jauvin propusieron un modelo de lenguaje neuronal probabilístico que aprende conjuntamente representaciones distribuidas de palabras y probabilidades de secuencias para mitigar la maldición de la dimensionalidad. La red es prealimentada, no recurrente.
Yoshua Bengio
Programa CIFAR de computación neuronal
Desde 2004, un programa de CIFAR reunió regularmente a Geoffrey Hinton, Yann LeCun, Yoshua Bengio y colaboradores. Coordinó investigaciones que contribuyeron al renacimiento del aprendizaje profundo, sin constituir un único punto de partida universal.
Geoffrey Hinton
Redes de creencia profundas
Geoffrey Hinton y sus colegas propusieron las redes de creencia profundas (DBN), con un algoritmo voraz y rápido que las entrena capa a capa. Este preentrenamiento capa a capa ayudó a reavivar el interés por las redes neuronales profundas.
Geoffrey Hinton
GPU para aprendizaje profundo
Los investigadores comenzaron a utilizar GPUs para acelerar el entrenamiento del aprendizaje profundo. La computación paralela de las GPU hizo posible el entrenamiento de grandes redes neuronales.
Conjunto de datos ImageNet
El equipo de ImageNet publicó en 2009 el artículo sobre una gran base jerárquica de imágenes organizada con WordNet. ImageNet y su posterior desafío de reconocimiento se convirtieron en infraestructura clave para entrenamiento y evaluación a gran escala.
Fei-Fei Li
Avance en reconocimiento de voz
Microsoft Research y la Universidad de Toronto abrieron el camino al primer gran avance del aprendizaje profundo en el reconocimiento de voz (Dahl, Yu, Deng 2011; Mohamed, Dahl, Hinton 2012), con reducciones notables de la tasa de error por palabra. Google desplegó en producción reconocimiento de voz basado en DNN y LSTM entre 2012 y 2015.
Avance en ImageNet
El equipo de Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton presentó AlexNet a la competición ImageNet de 2012 (ILSVRC) y ganó por un amplio margen: un error top-5 del 15,3 %, frente al 26,2 % del segundo clasificado.
Equipo de AlexNet
Word2Vec
Tomas Mikolov lanzó Word2Vec, un modelo de red neuronal para aprender representaciones de palabras. Word2Vec permitió a las computadoras comprender las relaciones semánticas entre palabras.
Tomas Mikolov
Redes Generativas Antagonistas (GAN)
Ian Goodfellow propuso las GAN, una de las innovaciones más importantes en aprendizaje profundo. Las GAN generan imágenes extremadamente realistas mediante entrenamiento antagonista.
Ian Goodfellow
ResNet
Kaiming He y colaboradores propusieron ResNet, resolviendo la dificultad de entrenamiento de redes profundas mediante conexiones de salto. ResNet permitió el entrenamiento de cientos de capas.
Kaiming He
AlphaGo Derrota a Lee Sedol
AlphaGo de DeepMind derrotó al campeón mundial de Go Lee Sedol por 4-1. El Go era considerado uno de los juegos de mesa más difíciles para la IA.
DeepMind AlphaGo
Arquitectura Transformer
Google propuso la arquitectura Transformer, un avance revolucionario en el procesamiento del lenguaje natural. Transformer es la base de los modelos de lenguaje modernos a gran escala.
Google Brain
Figuras importantes
Geoffrey Hinton
Padre del aprendizaje profundo
Hinton, junto con Yann LeCun y Yoshua Bengio, recibió el Premio Turing en 2018, conocidos cómo él «trío del aprendizaje profundo». Su persistencia e innovación han transformado completamente la IA.
Yann LeCun
Padre de las CNN
LeCun se incorporó a Facebook en 2013 como director fundador de su laboratorio de investigación en IA, FAIR, y después fue científico jefe de IA de Meta hasta que se marchó a finales de 2025 para fundar su propia empresa. Su LeNet-5 fue uno de los primeros modelos de aprendizaje profundo desplegados comercialmente a gran escala. Sus contribuciones a las CNN sentaron las bases de la visión por computadora moderna.
Yoshua Bengio
Pionero del aprendizaje profundo
Bengio es profesor en la Universidad de Montreal y una figura importante en el aprendizaje profundo. Sus contribuciones a las RNN y al procesamiento del lenguaje natural son igualmente relevantes.
Ian Goodfellow
Padre de las GAN
Goodfellow propuso las GAN en 2014, un método revolucionario en la IA generativa. Desde los deepfakes hasta la creación artística, las aplicaciones de las GAN son omnipresentes.
Fei-Fei Li
Madre de ImageNet
Li es profesora en la Universidad de Stanford. Su conjunto de datos ImageNet tuvo un impacto profundo en la visión por computadora. También cofundó AI4ALL, promoviendo la diversidad en la educación en IA.
Citas célebres
El aprendizaje profundo permite que los modelos computacionales compuestos por múltiples capas de procesamiento aprendan representaciones de datos con múltiples niveles de abstracción.
Deep learning · Nature 521 (7553), 2015, 436–444
Si la inteligencia es un pastel, el grueso del pastel es el aprendizaje no supervisado, el glaseado es el aprendizaje supervisado y la guinda del pastel es el aprendizaje por refuerzo (RL).
Predictive Learning · NIPS 2016, Posner Lecture · Synced
Paso uno, resolver la inteligencia; paso dos, usarla para resolver todo lo demás. … Con resolver la inteligencia queríamos decir construir la AGI.
Demis Hassabis Thinks We’re in the ‘Foothills of the Singularity’ · Stanford Graduate School of Business, 2026