003 — Inviernos, resurgimientos y ciclos de expectativas

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

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

🎯 Propósito

Comprender inviernos, resurgimientos y ciclos de expectativas 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 inviernos, resurgimientos y ciclos de expectativas usando los conceptos AI winters, expectativas, evidencia, mercado.
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

AI winters, expectativas, evidencia, mercado

🗺️ Ubicación en el mapa de la IA

Tras el optimismo fundacional de Dartmouth (clase 002), el campo vivió ciclos de euforia, promesa incumplida y recorte de financiación conocidos como inviernos de la IA. Estudiar estos ciclos no es arqueología: da el instrumental para evaluar los claims del presente — incluida la ola actual de IA generativa — y conecta directamente con la lectura crítica de papers y benchmarks (clase 010).

📖 Fundamentos

📉 Anatomía de un invierno

Un invierno de IA es un periodo de colapso de financiación y credibilidad tras expectativas infladas. El patrón se repite con estructura reconocible:

1. Avance técnico real y demostrable en un dominio acotado
2. Extrapolación pública: "en N años, inteligencia humana"
3. Financiación masiva atada a la extrapolación, no al avance
4. La dificultad real aparece (explosión combinatoria, falta de datos/cómputo)
5. Informe o fracaso visible que cristaliza la decepción
6. Recorte de fondos, éxodo de talento, cambio de etiqueta ("informática avanzada")

❄️ Primer invierno (~1974-1980)

Detonantes documentados:

• Informe ALPAC (1966, EE. UU.): concluyó que la traducción automática era más cara y peor que la humana; cortó la financiación de MT durante una década.
• Minsky y Papert, Perceptrons (1969): demostraron formalmente que el perceptrón de una capa no puede computar funciones no linealmente separables (XOR); el resultado, junto a su influencia institucional, congeló la investigación en redes neuronales.
• Informe Lighthill (1973, Reino Unido): encargado por el Science Research Council, concluyó que la IA no había cumplido sus promesas y que la explosión combinatoria hacía inviables los métodos de búsqueda general fuera de problemas de juguete. El parlamento británico desmanteló la financiación salvo en tres universidades.

La causa técnica de fondo: los métodos "débiles" (búsqueda general + heurísticas) escalan exponencialmente con el tamaño del problema, y el hardware de la época agravaba el muro.

🏭 Auge y segundo invierno (~1980-1993)

Los sistemas expertos (MYCIN, XCON/R1) codificaban reglas de especialistas y produjeron valor real: XCON ahorraba a DEC decenas de millones de dólares anuales configurando computadores VAX. Japón lanzó el proyecto Quinta Generación (1982) y EE. UU. respondió con DARPA/SCI. El colapso (~1987-1993) llegó por: costo de mantenimiento de bases de reglas frágiles (el "cuello de botella de adquisición de conocimiento"), incapacidad de manejar incertidumbre y casos fuera de las reglas, y el desplome del mercado de máquinas Lisp ante estaciones de trabajo genéricas más baratas.

🔄 El resurgimiento y el ciclo de expectativas

Desde ~1995 el campo se reconstruyó sobre bases más sólidas: métodos probabilísticos (redes bayesianas), aprendizaje estadístico con evaluación en benchmarks, y desde 2012 (AlexNet en ImageNet) el aprendizaje profundo habilitado por GPU y datos masivos. El modelo descriptivo popular para estos ciclos es el hype cycle de Gartner (pico de expectativas infladas → abismo de desilusión → pendiente de iluminación → meseta de productividad). Es útil como vocabulario, con una advertencia: es un esquema de marketing, no una ley empírica validada — usarlo como si predijera fechas es repetir el error que describe.

Indicadores para distinguir avance real de burbuja:

• ¿La métrica mejora en benchmarks independientes y fuera de la distribución de entrenamiento?
• ¿El costo por unidad de tarea baja de forma sostenida?
• ¿Hay despliegues en producción con usuarios que pagan, o solo demos controladas?
• ¿Las promesas tienen fecha y criterio de éxito falsable?

🧮 Ejemplo trabajado

Apliquemos el patrón de 6 pasos al primer invierno, con fechas verificables:

Ejercicio de lectura: la afirmación de Simon (paso 2) era falsable — tenía plazo y alcance — y resultó falsa. Eso la hace mejor ciencia que una promesa vaga sin plazo, pero peor gestión de expectativas. La lección no es "no predecir", sino auditar predicciones pasadas antes de aceptar nuevas del mismo emisor.

📊 Propiedades y comparación

flowchart LR
    A["🌱 Avance técnico real<br/>(dominio acotado)"] --> B["📢 Extrapolación pública<br/>sin criterio falsable"]
    B --> C["💰 Financiación atada<br/>a la promesa"]
    C --> D["🧱 Muro técnico<br/>combinatoria / datos / costo"]
    D --> E["📄 Informe o fracaso<br/>que cristaliza (ALPAC, Lighthill)"]
    E --> F["❄️ Invierno:<br/>recorte y éxodo"]
    F --> G["🔬 Reconstrucción sobre<br/>métodos evaluables"]
    G --> A

⚠️ Errores conceptuales frecuentes

1. "Los inviernos prueban que la IA no funciona." Lo que colapsó fueron expectativas infladas; los métodos con evidencia sólida (búsqueda, reglas, luego estadística) sobrevivieron y se integraron al software ordinario.
2. "Esta vez es diferente, no puede haber otro invierno." Puede que sí o que no: la pregunta correcta es qué indicadores falsables distinguen esta ola de las anteriores, no la confianza subjetiva de los participantes.
3. "El informe Lighthill era anti-ciencia." Fue un análisis técnico encargado por el financiador que identificó correctamente la explosión combinatoria; su error estuvo en generalizar el diagnóstico a todo el campo.
4. "El hype cycle de Gartner es una ley." Es una heurística descriptiva sin validación empírica sistemática; muchas tecnologías nunca recorren la curva completa.
5. "Los sistemas expertos fracasaron por ser simbólicos." Fracasaron por costo de mantenimiento y fragilidad ante incertidumbre; la representación simbólica sigue viva en motores de reglas, planificación y verificación.

🚀 Del aprendizaje a la operación

En un contexto profesional este tema se convierte en gestión de riesgo tecnológico: antes de apostar presupuesto a una capacidad de IA, exigir evidencia reproducible en el dominio propio (no en la demo del vendedor), separar la mejora medible de la narrativa, fijar criterios de salida si la promesa no se cumple en plazo, y presupuestar el mantenimiento — la causa silenciosa del segundo invierno — tanto como el desarrollo inicial.

🧪 Laboratorio

python lab.py

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

🔍 Evidencia esperada

• tipo de laboratorio y semilla;
• entradas o decisiones observables;
• resultado estructurado;
• lista evidence con hechos que pueden inspeccionarse;
• lista limitations que impide presentar la demo como producción.

📓 Notebooks

• 📓 notebook.ipynb: recorrido guiado con la materia resumida.
• ✍️ notebook_student.ipynb: ejercicios para resolver.
• ✅ notebook_solution.ipynb: solución de referencia explicada.

📝 Evaluación

Consulta assessment.md para preguntas y criterio de aceptación.

⚠️ Errores comunes

❓ 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

• Lighthill, J. (1973). Artificial Intelligence: A General Survey (informe al Science Research Council) — uso: referencia consultada en su fuente original
• Russell, S. & Norvig, P. AIMA, 4.ª ed., cap. 1.3 (historia de la IA) — uso: desarrollo extendido del tema
• Nilsson, N. (2010). The Quest for Artificial Intelligence, caps. sobre auge y colapso (PDF oficial) — uso: referencia consultada en su fuente original
• Gartner Hype Cycle (metodología, para uso crítico) — uso: referencia consultada en su fuente original
• McCulloch & Pitts → perceptrón: contexto en Goodfellow et al., Deep Learning, cap. 1 — uso: desarrollo extendido del tema

📜 Papers que fundamentan esta clase

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

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.

⬅️ Clase anterior

002 — De Turing a Dartmouth: nacimiento formal del campo

➡️ Siguiente clase

004 — Agentes racionales, entornos y medidas de desempeño

📝 Evaluación completa

❓ Preguntas

1. Define inviernos, resurgimientos y ciclos de expectativas sin usar una marca o framework como definición.
2. Explica la relación entre AI winters, expectativas, evidencia, mercado.
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:

• el supuesto que estás probando;
• una medición o comprobación;
• la conclusión;
• una limitación.

✅ Criterio de aceptación

• [ ] lab.py termina con código 0.
• [ ] El resultado contiene kind, seed, evidence y limitations.
• [ ] La extensión no modifica el comportamiento de otras clases.
• [ ] La interpretación referencia datos impresos por el laboratorio.
• [ ] Se declara al menos un riesgo o condición de no uso.