IA · De la neurona de papel a la era del razonamiento

Warren McCulloch (neurofisiólogo) y Walter Pitts (joven matemático autodidacta) publican A Logical Calculus of the Ideas Immanent in Nervous Activity. Proponen un modelo matemático de neurona que opera con lógica binaria: la neurona se activa o no según el umbral de sus entradas. El trabajo nace del cruce entre neurofisiología, lógica matemática y la escuela de biofísica matemática de Chicago.

El paper no construye nada físico. Es pura abstracción: demostrar que redes de neuronas formales pueden computar cualquier función lógica.

Norbert Wiener publica Cybernetics, or Control and Communication in the Animal and the Machine. Su unidad elemental no es la regla lógica ni la neurona aislada, sino el bucle de realimentación: el sistema observa el efecto de su acción y corrige su comportamiento. La misma estructura permite describir un servomecanismo, un organismo o una organización.

Wiener da nombre a un campo deliberadamente interdisciplinar y formula preguntas técnicas y políticas sobre automatización mucho antes de que exista la IA como disciplina. La cibernética no es un sinónimo antiguo de IA: es una genealogía parcialmente rival que conecta control, comunicación, biología y conducta.

Alan Turing y David Champernowne diseñan hacia 1948 un programa completo para jugar al ajedrez. Ningún ordenador disponible podía ejecutarlo; Turing siguió las instrucciones a mano en una partida posterior, actuando él mismo como procesador.

Su importancia no es la fuerza de juego, sino la arquitectura intelectual: evaluación de posiciones, anticipación de jugadas y búsqueda limitada por recursos. Turochamp convierte la máquina universal en un agente que elige y abre la cadena que más tarde recorre Deep Blue, AlphaGo y los sistemas de información imperfecta.

El neuropsicólogo Donald O. Hebb publica The Organization of Behavior. Propone que cuando una neurona participa repetidamente en la activación de otra, la conexión entre ambas se fortalece. La formulación popular “neuronas que se activan juntas se conectan juntas” no es una cita literal del libro, pero resume su principio de plasticidad asociativa.

Hebb no ofrece todavía un algoritmo de entrenamiento para ordenadores. Aporta algo anterior: una hipótesis sobre cómo la experiencia podría modificar una red. Ese puente entre neurociencia y cálculo reaparece en reglas de aprendizaje local, memorias asociativas y redes neuronales.

Alan Turing publica Computing Machinery and Intelligence en Mind. Propone el "juego de imitación": si un evaluador humano no puede distinguir la respuesta de una máquina de la de un humano, la máquina puede considerarse inteligente. El paper dedica más espacio a anticipar objeciones que a defender la idea.

Turing no pretende cerrar una definición de inteligencia. Sustituye la pregunta abstracta “¿pueden pensar las máquinas?” por un juego conversacional con condiciones y roles definidos. El criterio observa conducta lingüística bajo ese protocolo; no demuestra por sí solo comprensión, conciencia ni inteligencia general.

Allen Newell, Herbert A. Simon y Cliff Shaw conciben en 1955 y presentan en 1956 Logic Theorist. El programa demuestra teoremas de Principia Mathematica usando búsqueda heurística; en algunos casos encuentra pruebas más cortas que las publicadas.

No fue “el primer programa” en un sentido absoluto —ya existían juegos y otras automatizaciones—, pero sí uno de los primeros sistemas reconocibles como IA simbólica operativa. Su lenguaje IPL y su estrategia de resolución de problemas influyen directamente en la agenda que toma forma en Dartmouth.

John McCarthy (Dartmouth), Marvin Minsky (Harvard), Claude Shannon (Bell Labs) y Nathaniel Rochester (IBM) organizan un workshop de 6 semanas en Hanover, New Hampshire. McCarthy acuña el término "Artificial Intelligence" para evitar la carga del término "cibernética" de Wiener. Asisten 10 investigadores en total.

El workshop no produce resultados técnicos directos. Produce un campo: nombre, agenda, y una red de personas que dominarán la disciplina durante 30 años.

Frank Rosenblatt (Cornell Aeronautical Laboratory) desarrolla el Perceptrón Mark I entre 1957 y 1958 y lo presenta públicamente en 1958: hardware dedicado que aprende a clasificar patrones mediante ajuste de pesos. La cobertura periodística extrapola capacidades muy por encima de la demostración real.

Rosenblatt demuestra el teorema de convergencia: si los datos son linealmente separables, el perceptrón aprende en tiempo finito.

Arthur L. Samuel, en IBM, publica Some Studies in Machine Learning Using the Game of Checkers. El programa combina búsqueda, una función que evalúa posiciones y procedimientos que ajustan esa evaluación a partir de partidas previas y autojuego. Con recursos modestos, mejora sin que el autor tenga que especificar el valor exacto de cada posición.

Samuel ayuda a fijar la expresión machine learning para distinguir sistemas que mejoran con experiencia de aquellos programados regla por regla. Su sistema no equivale al aprendizaje por refuerzo moderno, pero establece el laboratorio: juego, señal de resultado, autojuego y mejora acumulativa.

Edward Feigenbaum, Joshua Lederberg, Bruce Buchanan y colaboradores inician en Stanford Heuristic DENDRAL en 1965. El sistema infiere estructuras moleculares compatibles con datos de espectrometría de masas, combinando generación de hipótesis, restricciones químicas y conocimiento experto.

DENDRAL cambia la pregunta de la IA simbólica: no busca una inteligencia universal, sino rendimiento de especialista en un dominio estrecho y verificable. La lección —el conocimiento del dominio puede importar más que un buscador general— da origen a la ingeniería del conocimiento y a la siguiente ola de sistemas expertos.

Joseph Weizenbaum desarrolla ELIZA en el MIT entre 1964 y 1966 y publica el sistema en Communications of the ACM en 1966. Su guion DOCTOR simula a un psicoterapeuta rogeriano mediante correspondencia de patrones y sustitución de palabras clave. La secuencia "Estoy triste" puede convertirse en "¿Por qué estás triste?" sin un modelo semántico de la conversación.

Weizenbaum queda preocupado por la facilidad con que algunos usuarios atribuyen comprensión al programa; su relato posterior sobre una secretaria que pidió privacidad se convirtió en la escena más citada. El “efecto ELIZA” designa esa tendencia a proyectar intención y comprensión sobre respuestas generadas mediante reglas.

Marvin Minsky y Seymour Papert publican Perceptrons: análisis matemático riguroso de las limitaciones del perceptrón simple. El resultado más citado es que una sola capa no puede representar XOR. La publicación contribuye a enfriar el interés por el conexionismo, junto con expectativas incumplidas y prioridades de financiación cambiantes.

El libro era técnicamente correcto sobre el perceptrón de una capa. No demostraba que múltiples capas tuvieran la misma limitación — pero la industria no distinguió.

El Science Research Council británico encarga a James Lighthill una evaluación de la investigación en IA. Su informe de 1973 reconoce avances en automatización y modelado neuropsicológico, pero es muy crítico con los proyectos generales y con su dificultad para escalar fuera de entornos controlados.

El informe acelera la contracción del apoyo británico y se convierte en símbolo del primer invierno. No conviene presentarlo como causa única: en Estados Unidos también caen el entusiasmo y parte de la financiación por trayectorias propias. El invierno describe un ciclo internacional, no un día concreto.

Recuadro — predicciones, no hechos. La cronología de Toby Walsh atribuye a Arthur C. Clarke (1968) la predicción de máquinas al nivel humano para 2001; el propio 2001 funciona como falsación. Walsh propone 2062 como otro horizonte deliberadamente comprobable. Este proyecto conserva ambas fechas en el discurso editorial, separadas de los hitos verificados.

Pico comercial de la IA simbólica. R1/XCON (Digital Equipment Corporation) configura pedidos de minicomputadoras VAX: ahorra 40M USD/año a DEC. MYCIN (Stanford, Edward Shortliffe y Bruce Buchanan) diagnostica infecciones bacterianas con precisión superior a médicos junior. El proyecto japonés Fifth Generation Computer Systems (1982) inyecta 500M USD en Prolog.

El paradigma: si codificas el conocimiento experto en reglas, la máquina razona. Funciona en dominios cerrados. Fracasa en el mundo real: las reglas no escalan, el mantenimiento es insostenible. El mercado colapsa entre 1987 y 1993.

Kunihiko Fukushima publica el Neocognitron, una red jerárquica inspirada en los campos receptivos de la corteza visual. Alterna capas que detectan rasgos locales con capas que toleran pequeños desplazamientos. Puede aprender a reconocer patrones aunque cambien de posición.

No contiene todavía todos los elementos de una CNN moderna ni se entrena con la retropropagación que después dominará el campo. Su importancia es arquitectónica: introduce la jerarquía espacial y la invariancia que LeNet convertirá en ingeniería práctica.

Judea Pearl formaliza redes de creencias donde los nodos representan variables y las aristas dependencias probabilísticas. Su trabajo sobre fusión y propagación de evidencia muestra cuándo las probabilidades pueden actualizarse localmente en una red, en lugar de enumerar todas las combinaciones posibles.

La aportación editorial es decisiva: la IA no solo debe deducir verdadero o falso; debe revisar grados de creencia cuando llegan datos incompletos o ruidosos. Esta vía probabilística crece en diagnóstico, reconocimiento del habla, visión y robótica, y más tarde alimenta el trabajo de Pearl sobre causalidad.

David Rumelhart, Geoffrey Hinton y Ronald Williams popularizan el algoritmo de retropropagación del error en Learning Representations by Back-propagating Errors (Nature, 1986). Paul Werbos lo había formulado en su tesis doctoral de 1974, ignorada durante 12 años.

La clave matemática: la regla de la cadena aplicada recursivamente permite calcular gradientes en redes multicapa. La red puede ahora aprender representaciones intermedias, no solo clasificar.

Desde 1987 se contraen el mercado de sistemas expertos, los fabricantes de máquinas Lisp y parte de la financiación pública. Las reglas resultan costosas de adquirir y mantener; los sistemas son frágiles cuando cambia el dominio; las estaciones de trabajo convencionales erosionan la ventaja del hardware especializado.

El segundo invierno se prolonga hasta mediados de los noventa, pero no congela todo el campo. Mientras cae la IA comercial simbólica, continúan la robótica probabilística, las redes entrenadas con backprop y métodos estadísticos que reaparecerán bajo otros nombres.

Christopher Watkins y Peter Dayan publican una prueba de convergencia para Q-learning. El agente actualiza el valor esperado de realizar una acción en un estado a partir de la recompensa observada y del mejor valor futuro estimado. No necesita conocer de antemano las probabilidades de transición del entorno.

Q-learning convierte la teoría de decisión secuencial en un procedimiento de aprendizaje sin modelo. AlphaGo no es una aplicación directa de Q-learning —utiliza otras técnicas de aprendizaje por refuerzo—, pero ambos pertenecen a la genealogía que une valor, política, recompensa y experiencia.

Corinna Cortes y Vladimir Vapnik publican las Support Vector Machines. El clasificador busca el hiperplano que separa clases con el margen máximo; mediante kernels puede construir fronteras no lineales sin representar explícitamente todas las dimensiones transformadas.

Durante los años noventa y buena parte de los dos mil, las SVM son una referencia en clasificación de texto, visión y bioinformática. Incluirlas evita una historia falsa en la que la IA salta directamente del segundo invierno al deep learning: el renacimiento inmediato fue, sobre todo, estadístico.

Sepp Hochreiter y Jürgen Schmidhuber presentan Long Short-Term Memory. Sus celdas incorporan compuertas que regulan qué información entra, permanece o se olvida, mitigando la dificultad de conservar gradientes a lo largo de secuencias extensas.

Las LSTM sostienen avances en reconocimiento de voz, escritura manuscrita, traducción y modelado del lenguaje. En 2017 el Transformer propone eliminar la recurrencia para paralelizar el entrenamiento; esa ruptura solo se entiende si se explica primero el paradigma secuencial que reemplaza.

IBM Deep Blue vence a Garry Kasparov en un match de 6 partidas (Filadelfia, mayo 1997): 3.5–2.5. El equipo lo componen Feng-hsiung Hsu, Murray Campbell y Joe Hoane, entre otros. Deep Blue evalúa 200 millones de posiciones por segundo con hardware dedicado.

No aprende. Busca con fuerza bruta + función de evaluación heurística ajustada por gran maestros. Es IA simbólica llevada al límite. Kasparov acusa a IBM de trampa; IBM rechaza su petición de revisar los logs. La polémica dura décadas.

Recuadro — los juegos como laboratorio. Nimatron (1940) juega a Nim con relés, sin aprender; Turochamp (1948) formaliza ajedrez; MENACE (c. 1960–61) aprende tres en raya con cajas de cerillas; BKG 9.8 (1979) derrota al campeón mundial de backgammon Luigi Villa; Deep Blue (1997) vence a Kasparov; Chinook, campeón máquina-humano en 1994, contribuye a demostrar en 2007 que las damas terminan en tablas con juego perfecto; AlphaGo (2016) domina información perfecta con aprendizaje; Libratus (2017) derrota a profesionales de póquer heads-up no-limit, donde hay información oculta. No todos merecen un nodo: juntos explican cómo cada juego aísla una dificultad distinta —búsqueda, aprendizaje, incertidumbre o farol—.

Yann LeCun (AT&T Bell Labs) publica LeNet-5: red convolucional entrenada con backprop para reconocimiento de dígitos manuscritos. Los bancos la usan para leer cheques. La arquitectura: convolución → pooling → convolución → pooling → fully connected.

LeCun lleva 15 años insistiendo en que las redes profundas funcionan. Los patrocinadores no creen en el escenario más allá de este nicho específico.

Geoffrey Hinton (University of Toronto) publica A Fast Learning Algorithm for Deep Belief Nets en Science. La idea: pre-entrenar capa a capa con máquinas de Boltzmann restringidas (RBM) antes del fine-tuning supervisado. Resuelve el problema del gradiente evanescente en redes profundas.

El paper se publica en el desierto: la mayoría de la comunidad sigue apostando por SVM. Hinton convierte a un pequeño grupo de estudiantes — entre ellos Ruslan Salakhutdinov — en el núcleo de lo que será el deep learning moderno.

Fei-Fei Li (Princeton, luego Stanford) lidera la creación de ImageNet: 14 millones de imágenes etiquetadas en 22.000 categorías, usando Amazon Mechanical Turk y 50.000 trabajadores. La competición ILSVRC (ImageNet Large Scale Visual Recognition Challenge) arranca en 2010.

La tesis de Li: los algoritmos son secundarios. El problema de la visión por ordenador es un problema de datos. ImageNet demuestra que tiene razón.

IBM Watson derrota en 2011 a Ken Jennings y Brad Rutter, dos de los mejores concursantes de Jeopardy!. El sistema debe interpretar pistas con juegos de palabras, buscar evidencia en grandes colecciones de texto, generar candidatos y decidir si su nivel de confianza justifica pulsar el botón.

Watson no es un LLM ni “comprende” como una persona. Su relevancia está en combinar muchas señales débiles bajo restricciones de tiempo y lenguaje abierto. Tras Deep Blue, el reto deja el tablero de reglas visibles y entra en preguntas formuladas por humanos.

Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton (University of Toronto) ganan ILSVRC 2012 con error top-5 del 15.3%, frente al 26.2% del segundo clasificado. El margen de 10 puntos porcentuales es tan grande que el comité piensa en un error.

Entrenado en 2× GTX 580 (3 GB VRAM cada una) durante 5–6 días. 60 millones de parámetros. La clave: dropout para regularización, ReLU en lugar de tanh/sigmoid, y data augmentation masiva.

Tomas Mikolov y equipo en Google (inc. Kai Chen, Greg Corrado, Jeff Dean) publican Word2Vec: vectores densos de palabras entrenados con redes neuronales superficiales. La demo: rey - hombre + mujer ≈ reina. La analogía vectorial revela estructura semántica latente.

El paper clave es el segundo de septiembre 2013. El primero (enero) describe la arquitectura; el segundo explica los trucos que lo hacen práctico (negative sampling, subsampling de palabras frecuentes).

Ian Goodfellow (Université de Montréal) propone las Generative Adversarial Networks en un paper de junio 2014. La arquitectura: un generador crea datos sintéticos; un discriminador los evalúa. Los dos se entrenan en oposición. La idea surge en una discusión en un bar después de la defensa de tesis de un amigo.

El paper original genera imágenes de 28×28 píxeles borrosas. En 10 años, el principio escala a DALL-E, Midjourney y Stable Diffusion.

Institución, 2015 — OpenAI. OpenAI se anuncia el 11 de diciembre de 2015 como empresa de investigación sin ánimo de lucro. Sam Altman y Elon Musk figuran como copresidentes; Ilya Sutskever como director de investigación, Greg Brockman como CTO y un equipo fundador más amplio como núcleo científico. Se incluye como contexto institucional —crucial para GPT y ChatGPT—, no como nodo técnico independiente.

DeepMind (Demis Hassabis, David Silver y equipo) vence a Lee Sedol en Go: 4–1 (Seúl, marzo 2016). Go tiene más posiciones que átomos en el universo observable. La fuerza bruta no alcanza.

AlphaGo combina redes de política (qué jugada hacer), redes de valor (qué tan buena es una posición) y MCTS (Monte Carlo Tree Search). El entrenamiento: primero aprendizaje supervisado con 160.000 partidas humanas, luego reinforcement learning contra sí mismo.

La jugada 37 del partido 2 — un movimiento que ningún humano habría jugado, que resultó ganador — es el momento en que el mundo comprende que el sistema no imita humanos; los supera.

Ashish Vaswani y 7 coautores en Google Brain publican Attention Is All You Need en NeurIPS 2017. La idea: descartar las RNN/LSTM y dejar que cada token atienda a todos los demás simultáneamente. Self-attention paraleliza lo que antes era secuencial.

El paper sale de un proyecto interno de traducción automática EN→DE. Jakob Uszkoreit propone la idea inicial de usar solo atención. Noam Shazeer reescribe el código. Llion Jones lo implementa en el framework Tensor2Tensor. Nadie predice que en 5 años cambiará todo.

DeepMind gana CASP13 (dic 2018): primer salto cualitativo de IA en predicción de plegamiento de proteínas. El equipo lo lidera Andrew Senior y John Jumper. AlphaFold 1 usa redes residuales profundas para predecir mapas de distancias entre residuos de aminoácidos.

El récord anterior requería años de trabajo experimental por proteína (cristalografía de rayos X, cryo-EM). AlphaFold 1 no resuelve el problema — pero demuestra que el deep learning puede atacarlo.

OpenAI publica GPT-1 (jun 2018): transformer decoder-only preentrenado en 117M parámetros sobre BookCorpus (~4.5 GB de texto). El diseño es de Alec Radford, Karthik Narasimhan, Tim Salimans e Ilya Sutskever.

La apuesta: pretraining + fine-tuning escala mejor que entrenar desde cero para cada tarea. La demostración es modesta. La dirección es clara.

Google libera BERT (oct 2018): Jacob Devlin, Ming-Wei Chang, Kenton Lee y Kristina Toutanova. Transformer bidireccional encoder-only, preentrenado con masked language modeling y next sentence prediction. 110M/340M parámetros.

BERT establece nuevos resultados en 11 tareas de NLP en su publicación. Google anuncia en 2019 su uso para comprender mejor consultas de búsqueda en inglés.

OpenAI publica GPT-3 (175B parámetros, jun 2020). El paper clave: Kaplan et al. (ene 2020) había publicado las "scaling laws" — el rendimiento mejora predeciblemente con tamaño + datos + cómputo. GPT-3 es la primera demostración a escala de few-shot learning sin fine-tuning.

Tom Brown lidera el equipo de GPT-3. El coste de entrenamiento estimado: 4.6M USD. El mensaje a la industria: si tienes cómputo y datos, escala.

DeepMind resuelve el plegamiento de proteínas con precisión cristalográfica. CASP14 (dic 2020): puntuación media GDT 92.4 — comparable a los mejores resultados experimentales. El equipo: John Jumper (PI), Demis Hassabis (CEO), Richard Evans, y decenas de investigadores.

En julio de 2022 amplían la base de datos a más de 200 millones de estructuras predichas —prácticamente todas las proteínas catalogadas entonces—. El acceso es gratuito.

Premio Nobel de Química 2024 a Hassabis y Jumper junto a David Baker por diseño de proteínas.

OpenAI lanza ChatGPT el 30 de noviembre de 2022. Estimaciones externas situaron su audiencia en torno a 100 millones de usuarios mensuales en enero de 2023. El modelo inicial se basaba en la familia GPT-3.5, ajustada para diálogo con aprendizaje por refuerzo a partir de feedback humano (RLHF).

La diferencia técnica con GPT-3 puro es modesta. La diferencia de producto es enorme: interfaz conversacional, safety filtering, respuestas útiles y no solo coherentes.

Stable Diffusion (Stability AI, ago 2022) · DALL-E 2 (OpenAI, abr 2022) · Midjourney (mar 2022). Los modelos de difusión latente (basados en trabajo de Jonathan Ho, Chitwan Saharia y otros) democratizan la generación de imágenes.

Stable Diffusion se libera con pesos abiertos. En 72 horas hay versiones locales en ordenadores domésticos. En un mes, el mercado del stock de imágenes siente el impacto.

OpenAI lanza GPT-4 en marzo de 2023: modelo frontier ampliamente desplegado con entrada de texto e imagen. El informe técnico comunica resultados altos en exámenes estandarizados, aunque estos benchmarks no equivalen a desempeño profesional fiable.

OpenAI no publica arquitectura, tamaño ni datos de entrenamiento. Esa opacidad limita la reproducibilidad y marca una ruptura con la tradición de papers más abiertos de GPT-1 y GPT-2.

Meta libera LLaMA (feb 2023): primer LLM competitivo con pesos abiertos. El equipo lo lidera Hugo Touvron y Thibaut Lavril entre otros. LLaMA 2 (jul 2023), LLaMA 3 (abr 2024), LLaMA 4 (2025). Hugging Face explota en tráfico.

La filtración de los pesos de LLaMA 1 (3 días después de la publicación restringida) acelera todo: en semanas hay versiones fine-tuneadas para instrucciones que compiten con ChatGPT.

Mistral AI (París, fundada jun 2023 por Arthur Mensch, Guillaume Lample y Timothée Lacroix, ex-DeepMind y ex-Meta): Mistral 7B (sep 2023) · Mixtral 8x7B (dic 2023, Mixture of Experts) · Mistral Large (feb 2024).

Mistral 7B supera a LLaMA 2 13B en todos los benchmarks a la mitad de parámetros. La estrategia: eficiencia + pesos abiertos + Europa. Mixtral introduce MoE: solo 2 de 8 expertos activos por token — velocidad de 12.9B con capacidad de 45B.

Google DeepMind lanza Gemini Ultra (dic 2023): multimodal nativo desde el pretraining (texto + imagen + audio + vídeo en el mismo modelo). Primer modelo que supera a humanos en MMLU. El proyecto unifica DeepMind y Google Brain bajo Demis Hassabis.

Gemini 2.5 (2025) añade extended thinking. Se ejecuta sobre TPUs propios — la única arquitectura frontier que no depende de NVIDIA.

OpenAI lanza o1 (sep 2024): el modelo genera cadenas de razonamiento internas largas (chain-of-thought) antes de responder, entrenadas con reinforcement learning. En matemáticas de competición (AIME 2024): 83% frente al 13% de GPT-4o. En física (GPQA Diamond): 78% frente al 56% de GPT-4o.

El paradigma cambia: en lugar de hacer el modelo más grande, se le da más tiempo de cómputo en inferencia.

John Hopfield y Geoffrey Hinton reciben el Nobel de Física 2024 por descubrimientos e invenciones fundamentales que permiten el aprendizaje automático con redes neuronales. Hopfield aporta las memorias asociativas; Hinton, las máquinas de Boltzmann y una larga trayectoria en aprendizaje de representaciones.

Al día siguiente, el Nobel de Química concede la mitad a David Baker por diseño computacional de proteínas y la otra mitad a Demis Hassabis y John Jumper por predicción de estructuras proteicas. Contar solo el premio de Física deja incompleta la señal editorial: 2024 reconoce tanto los fundamentos del aprendizaje como su aplicación científica, y Baker forma parte imprescindible del premio completo de Química.

Microsoft Research lanza Phi-3 (mayo 2024): 3.8B parámetros competitivo con modelos de 30B. El equipo lo lidera Sebastien Bubeck. La tesis: la calidad de los datos de entrenamiento importa más que la escala. Phi-3 se entrena con datos cuidadosamente filtrados y sintéticos.

El resultado práctico: un modelo que cabe en un teléfono y responde como un modelo de datacenter de hace dos años.

DeepSeek (Hangzhou, China, vinculada a High-Flyer) libera R1 en enero de 2025: un modelo de razonamiento con pesos abiertos que obtiene resultados competitivos en varias evaluaciones. El lanzamiento muestra que la frontera de capacidades no pertenece solo a laboratorios estadounidenses ni exige distribuir el modelo exclusivamente mediante una API cerrada.

La cifra de unos 5,6 millones de dólares que dominó el debate público corresponde al cómputo estimado por DeepSeek para la fase final de entrenamiento de V3, su modelo base, bajo los precios y supuestos del informe. No es el coste total de investigar, adquirir infraestructura y desarrollar R1, ni permite una comparación directa con el presupuesto completo de otros laboratorios. El hito es técnico y geopolítico; la cifra necesita ese denominador.

OpenAI lanza GPT-5 (ago 2025): unifica el linaje 4o (multimodal) y el o-series (reasoning) en un solo modelo. Razonamiento adaptativo: el modelo decide cuánto tiempo de pensamiento dedicar según la dificultad de la pregunta.

AlphaGenome, presentado públicamente en 2025 y publicado en Nature en enero de 2026, recibe hasta un millón de pares de bases de ADN y predice miles de señales funcionales: expresión génica, accesibilidad de cromatina, unión de factores de transcripción, contactos y empalme, entre otras.

El modelo iguala o supera a los mejores sistemas externos en 25 de 26 evaluaciones de efectos de variantes descritas en el artículo. Eso no convierte una predicción en diagnóstico ni reemplaza los experimentos: ordena hipótesis y extiende la IA científica desde la estructura de proteínas hacia el código regulador del genoma.

Anthropic publica Claude Opus 4.7 el 16 de abril de 2026. El modelo mejora la ingeniería de software, la visión de alta resolución y la ejecución coherente de tareas largas; añade controles de esfuerzo y se integra en flujos con herramientas y memoria basada en archivos.