002 — De Turing a Dartmouth: nacimiento formal del campo

← Clase anterior · Índice de la parte · Clase siguiente →

Parte: 00 — Fundamentos, historia y método científico
Nivel: fundamentos · Horas estimadas: 4
Laboratorio: frontier · Estado: EXECUTABLE_CORE

🎯 Propósito

Comprender de turing a dartmouth: nacimiento formal del campo dentro de la evolución de la inteligencia artificial, implementar un experimento mínimo verificable y distinguir qué parte constituye evidencia frente a una afirmación todavía no comprobada.

📚 Resultados de aprendizaje

Al finalizar podrás:

  1. Explicar de turing a dartmouth: nacimiento formal del campo usando los conceptos Turing, Dartmouth, historia, hitos.
  2. Ejecutar el laboratorio con una semilla explícita y revisar su contrato JSON.
  3. Identificar al menos un supuesto, una limitación y un riesgo de aplicación.
  4. Comparar el enfoque con la etapa anterior de la ruta de aprendizaje.
  5. Producir una evidencia reproducible y una conclusión que no exceda los datos.

🧩 Conceptos centrales

Turing, Dartmouth, historia, hitos

🗺️ Ubicación en el mapa de la IA

Entre 1936 y 1956 se ensamblan las piezas que convierten "máquinas que piensan" de especulación filosófica en programa de investigación: computabilidad (Turing 1936), neuronas formales (McCulloch y Pitts 1943), un criterio operativo de inteligencia (Turing 1950) y un nombre con agenda propia (Dartmouth 1956). Todo lo que sigue en el programa — desde búsqueda hasta modelos de lenguaje — desciende de decisiones tomadas en esta ventana de veinte años.

📖 Fundamentos

🧱 1936: la máquina universal

En On Computable Numbers (1936), Turing formaliza qué significa "computar": una máquina abstracta con cinta infinita, cabezal y tabla finita de estados. Dos resultados fundan el campo: existe una máquina universal capaz de simular cualquier otra máquina si se le da su descripción (el fundamento conceptual del software y del programa almacenado), y el Entscheidungsproblem es indecidible: hay preguntas bien definidas que ningún algoritmo puede responder para todos los casos. La IA nace, por tanto, dentro de límites demostrados, no en un espacio de posibilidad infinita.

🧠 1943: la neurona formal

McCulloch y Pitts proponen la primera abstracción matemática de la neurona: unidades binarias con umbral cuyas redes pueden computar cualquier función lógica proposicional.

salida = 1  si  Σ (entradas excitatorias) ≥ umbral  y  ninguna entrada inhibitoria activa
salida = 0  en caso contrario

Es el ancestro directo del perceptrón (1958) y, con activaciones continuas y pesos ajustables, de las redes profundas actuales. Su aporte no fue biológico sino formal: demostró que "lo mental" podía describirse como cómputo.

🎭 1950: el juego de imitación

En Computing Machinery and Intelligence (Mind, 1950), Turing reemplaza la pregunta "¿pueden pensar las máquinas?" — que juzga "demasiado carente de sentido para merecer discusión" en su forma original — por un experimento operativo: un interrogador conversa por teletipo con un humano y una máquina; si no puede distinguirlos de forma fiable, la máquina pasa la prueba. El artículo además enumera y refuta nueve objeciones (teológica, matemática vía Gödel, de la conciencia, de Lady Lovelace, etc.) y cierra proponiendo máquinas que aprenden como camino práctico — anticipando el aprendizaje automático por décadas.

🏛️ 1956: Dartmouth y el nombre del campo

La propuesta de McCarthy, Minsky, Rochester y Shannon (1955) para el taller de verano de Dartmouth formula la conjetura fundacional: "cada aspecto del aprendizaje o cualquier otra característica de la inteligencia puede, en principio, describirse con tanta precisión que una máquina puede simularlo". El documento fija la agenda: lenguaje, redes neuronales, abstracción, creatividad y automejora. McCarthy acuña ahí el término artificial intelligence, en parte para distinguir el programa de la cibernética de Wiener. El taller no resolvió nada por sí mismo, pero creó la comunidad: Newell y Simon presentaron el Logic Theorist, considerado el primer programa de IA operativo.

📈 1949-1959: el aprendizaje entra en escena

Dos hitos completan el nacimiento del campo: la regla de Hebb (1949, "las neuronas que se disparan juntas se conectan") da un mecanismo de aprendizaje plausible, y el programa de damas de Samuel (1959) demuestra empíricamente que una máquina puede superar a su programador aprendiendo de la experiencia — introduciendo términos como machine learning y técnicas precursoras del aprendizaje por refuerzo.

🧮 Ejemplo trabajado

Verifiquemos que una neurona de McCulloch-Pitts computa la función AND con umbral θ = 2 y pesos excitatorios w₁ = w₂ = 1:

x₁ x₂ Σ = w₁x₁ + w₂x₂ ¿Σ ≥ 2? salida
0 0 0 no 0
0 1 1 no 0
1 0 1 no 0
1 1 2 sí 1

Con θ = 1 la misma unidad computa OR; añadiendo una entrada inhibitoria se obtiene NOT. Como {AND, OR, NOT} es funcionalmente completo, redes de estas unidades computan cualquier función booleana — exactamente el resultado de 1943. Lo que la unidad NO puede hacer sola es XOR (no es linealmente separable), la limitación que Minsky y Papert explotarían en 1969 contra el perceptrón.

📊 Propiedades y comparación

Hito Año Aporte Qué NO resolvió
Turing, máquina universal 1936 Define computabilidad; programa almacenado Nada sobre inteligencia práctica
McCulloch & Pitts 1943 Neurona formal; mente como cómputo Sin regla de aprendizaje
Hebb 1949 Mecanismo de aprendizaje sináptico Sin formalización algorítmica
Turing, juego de imitación 1950 Criterio operativo de inteligencia Mide indistinguibilidad, no competencia
Dartmouth 1956 Nombre, agenda y comunidad Subestimó radicalmente la dificultad
Samuel, damas 1959 Aprendizaje que supera al programador Dominio cerrado y minúsculo 
timeline
    title Del cómputo a la IA como campo (1936-1959)
    1936 : Turing — On Computable Numbers : máquina universal e indecidibilidad
    1943 : McCulloch & Pitts : neurona formal binaria
    1949 : Hebb : regla de aprendizaje sináptico
    1950 : Turing — Mind : juego de imitación y máquinas que aprenden
    1956 : Taller de Dartmouth : se acuña "artificial intelligence" : Logic Theorist (Newell & Simon)
    1959 : Samuel : programa de damas que aprende y vence a su autor

⚠️ Errores conceptuales frecuentes

  1. "El test de Turing es la definición oficial de IA." Es un criterio operativo de 1950, hoy más histórico que práctico: mide indistinguibilidad conversacional, no competencia general, y es vulnerable a trucos de imitación superficial (chatbots tipo ELIZA).
  2. "Dartmouth fue donde se inventó la IA." Los resultados técnicos clave (computabilidad, neurona formal, Logic Theorist) son anteriores o simultáneos; Dartmouth aportó el nombre, la agenda y la comunidad.
  3. "Turing propuso el test porque creía que las máquinas piensan como humanos." Propuso reemplazar esa pregunta por una decidible experimentalmente; su posición sobre la pregunta original fue deliberadamente agnóstica.
  4. "Las redes neuronales son una idea reciente." La neurona formal es de 1943; lo reciente es la combinación de datos masivos, GPU y retropropagación a escala.
  5. "La conjetura de Dartmouth quedó demostrada." Sigue siendo una conjetura: que la inteligencia sea describible con precisión suficiente para simularse es la apuesta del campo, no un teorema.

🚀 Del aprendizaje a la operación

Leer las fuentes primarias inmuniza contra dos vicios profesionales: atribuir a los sistemas actuales propiedades que nadie ha demostrado (la conjetura de Dartmouth tratada como hecho) y descartar límites formales conocidos (indecidibilidad, separabilidad lineal) al estimar qué puede automatizarse. En un proyecto real, este bagaje se traduce en exigir criterios operativos de éxito — el gesto de Turing de 1950 — antes de aceptar afirmaciones sobre "inteligencia" de un producto.

🧪 Laboratorio

python lab.py

El laboratorio llama a ai_evolution.labs.run_lab("frontier"). Esta decisión evita 183 implementaciones divergentes: cada clase tiene un entrypoint propio, pero los motores didácticos se prueban como una biblioteca común.

🔍 Evidencia esperada

📓 Notebooks

📝 Evaluación

Criterio Peso
Comprensión conceptual 25 %
Ejecución reproducible 25 %
Interpretación basada en evidencia 25 %
Riesgos, límites y mejora propuesta 25 %

Consulta assessment.md para preguntas y criterio de aceptación.

⚠️ Errores comunes

Síntoma Causa probable Corrección
El código corre, pero no hay conclusión Se confundió ejecución con aprendizaje Explica qué demuestra y qué no demuestra
El resultado cambia sin explicación No se registró semilla o configuración Conserva semilla, versión y parámetros
Se promete uso real Se extrapoló desde una demo educativa Declara entorno, datos, límites y revisión humana
Se copia una métrica aislada No existe baseline ni costo de error Añade comparación y criterio de decisión

❓ Preguntas frecuentes

¿Debo usar una API comercial?
No. El núcleo funciona localmente. Las extensiones LIVE se documentan por separado.

¿El laboratorio representa una implementación industrial?
No por sí solo. Enseña el contrato y el patrón; producción exige integración, seguridad, observabilidad, pruebas y operación.

¿Dónde profundizo?
Revisa las especializaciones enlazadas en el README raíz y la ruta siguiente.

🔗 Referencias

📜 Papers que fundamentan esta clase

Bloque generado por python scripts/link_papers_to_classes.py. La fuente es papers/catalog/papers.json.

Paper Año Qué desbloqueó Miniatura
P56 · Maquinaria computacional e inteligencia 1950 Cambia una pregunta metafísica —¿pueden pensar las máquinas?— por un procedimiento que se puede ejecutar y discutir. notebook
P57 · Propuesta para el proyecto de investigación de verano de Dartmouth sobre inteligencia artificial 1955 Bautiza el campo y fija su agenda: siete temas que aún organizan buena parte de la investigación. notebook

Cada ficha explica el problema anterior, la matemática mínima, los límites y los errores de atribución más frecuentes. Para leerlas con método: cómo leer un paper de IA · anexos matemáticos.

📚 Bibliografía de apoyo

Bloque generado por python scripts/link_sources_to_classes.py. Cada obra lleva su localizador verificado en sources/bibliography.json.

Los papers dicen de dónde salió el mecanismo. Estas obras lo desarrollan con el espacio que una clase no tiene: teoría completa, demostraciones y ejercicios.

Obra Edición Localizador Papel en esta clase
Russell, Stuart J. y Norvig, Peter — Artificial Intelligence: A Modern Approach 4.ª · 2020 ISBN 9780134610993 · web de la obra citada en las referencias de esta clase · cap. 1 · obra de referencia de la parte 00

⬅️ Clase anterior

001 — Qué es inteligencia artificial y qué no es

➡️ Siguiente clase

003 — Inviernos, resurgimientos y ciclos de expectativas

📝 Evaluación completa

❓ Preguntas

  1. Define de turing a dartmouth: nacimiento formal del campo sin usar una marca o framework como definición.
  2. Explica la relación entre Turing, Dartmouth, historia, hitos.
  3. Ejecuta lab.py dos veces con la misma semilla. ¿Qué debe conservarse?
  4. Identifica una afirmación permitida y una afirmación exagerada sobre el resultado.
  5. Propón una prueba negativa o un caso límite.

🏆 Reto verificable

Amplía el resultado del laboratorio con una clave student_extension que incluya:

✅ Criterio de aceptación