Toda la historia de la IA

En la Dieta japonesa de 1985 se explicó que la IA se describía como “actualmente, el segundo auge” (traducción)

Takemochi Ishii, de la Universidad de Tokio, fue invitado a la Dieta (una comisión de la Cámara de Representantes) y explicó: “Se dice que esta IA se encuentra actualmente en su segundo auge” (traducción). Dijo que el primero fueron los intentos centrados en Estados Unidos desde mediados hasta finales de la década de 1960, y que el segundo era el proyecto japonés de computadoras de quinta generación. La idea de numerar los auges ya existía durante el segundo.

Lo que aún no se sabe:No se sabe quién empezó a utilizar la expresión “el segundo auge” (traducción) antes de 1985 (este es el caso más antiguo encontrado dentro de las actas de la Dieta).

En 1984, “invierno de la IA” se utilizó como nombre de la peor situación que podía llegar en el futuro

En el debate de AAAI-84, el moderador Drew McDermott explicó que entre los investigadores había preocupación por unas expectativas tan altas sobre la IA que algún día podrían causar grandes problemas. Describió el peor escenario: 5 años después, la strategic computing initiative (iniciativa de computación estratégica) fracasaría estrepitosamente; la quinta generación japonesa también fallaría; el Gobierno japonés abandonaría rápidamente las computadoras; todas las empresas emergentes quebrarían; y no habría financiación para nada relacionado con la IA. Lo describió como “Esta situación, que algunos llaman el ‘invierno de la IA’” (traducción). Llamó a los investigadores a advertirse a sí mismos y al público para evitarlo. Así, “invierno de la IA” surgió en pleno segundo auge como una advertencia sobre el futuro. Llamar “primer invierno de la IA” a la reducción de la financiación de investigación de la década de 1970 fue una denominación posterior.

Lo que aún no se sabe:No se sabe quién dijo primero “invierno de la IA” (incluso el debate dice “lo que algunos llaman el ‘invierno de la IA’” (traducción)). No se ha comprobado a qué libro corresponde el pequeño valor de Ngram de 1983.

Numerar los auges como “primer, segundo… auge” es principalmente una forma japonesa de contar; en inglés se numera lo que se llama “invierno de la IA”

La frecuencia de palabras en libros en inglés, consultada mediante Google Books Ngram, muestra que “invierno de la IA” (AI winter) aparece desde 1983 y aumenta considerablemente en la segunda mitad de la década de 2010. También existen expresiones que numeran los inviernos, como “primer invierno de la IA” (first AI winter) y “segundo invierno de la IA” (second AI winter). En cambio, “segundo auge de la IA” (second AI boom), “tercer auge de la IA” (third AI boom) y “cuarto auge de la IA” (fourth AI boom) no alcanzaban una cantidad suficiente para ser contadas. En japonés se encuentra “el primer auge de la inteligencia artificial” (traducción) en una revista de 1982, “el segundo auge de la inteligencia artificial” (traducción) en un libro de 1985 y “el segundo auge” (traducción) en la Dieta de 1985. Desde 2014, una revista académica utiliza primer, segundo y tercer auge de la IA; también aparecen en los títulos de los capítulos del libro de Yutaka Matsuo de 2015 y en libros blancos del gobierno desde 2016.

Lo que aún no se sabe:No se han estudiado las clasificaciones en chino, como第三次人工智能浪潮 (tercera ola de la inteligencia artificial), ni en coreano. Ngram solo abarca libros hasta 2022, por lo que no se conoce el uso de las expresiones en inglés desde 2023.

Turing, Sobre los números computables (On Computable Numbers) ── definir qué significa “computable” con una máquina imaginaria

Alan Turing publicó el artículo Sobre los números computables, con una aplicación al problema de decisión (On Computable Numbers, with an Application to the Entscheidungsproblem). Simplificó los pasos de una persona que calcula con papel y lápiz hasta una “máquina” con una cinta dividida en casillas (en lugar de papel), un cabezal que lee y escribe una casilla a la vez y un número finito de estados (secciones 1 y 9). Definió como “computable” un número cuyos decimales se pueden escribir con esta máquina. Además, mostró que se puede construir una sola máquina (máquina universal) que calcule cualquier secuencia computable si recibe en la cinta la descripción de otras máquinas (sección 6). También demostró que no existe un procedimiento fijo que siempre determine si una fórmula lógica puede demostrarse (la respuesta al problema de decisión; sección 11). Al año siguiente, este modelo recibió el nombre de “máquina de Turing” y se considera un modelo fundamental de la teoría de la computación y de la informática.

El artículo de McCulloch y Pitts: describir con fórmulas las células nerviosas del cerebro como un circuito de interruptores que se activan o no

Warren McCulloch y Walter Pitts publicaron Un cálculo lógico de las ideas inmanentes en la actividad nerviosa. Consideraron que, como la actividad de las células nerviosas (neuronas) es de “todo o nada” (se activan o no), el funcionamiento de las redes neuronales puede describirse con lógica proposicional (lógica con solo 2 valores: verdadero o falso). Entre los supuestos del cálculo establecieron que la activación es de todo o nada, que ocurre cuando cierto número de sinapsis reciben estímulos simultáneos, que basta con que actúe 1 sinapsis inhibidora para impedir la activación y que la estructura de la red no cambia con el tiempo (página 118). También escribieron que, si se le añade una cinta y un dispositivo lector, la red puede calcular los mismos números que una máquina de Turing (página 129). Se considera un punto de partida de la investigación sobre neuronas artificiales.

Lo que aún no se sabe:El propio artículo advierte que la “equivalencia formal” que permite sustituir una red que aprende por otra de estructura fija no explica los hechos del cerebro real (página 117). Las neuronas reales no funcionan exactamente según estos supuestos (todo o nada; estructura invariable), lo que sirve para entender la diferencia entre un modelo y la realidad.

Turing publica un artículo que trata la inteligencia de las máquinas mediante el “juego de imitación”

El matemático británico Alan Turing publicó un artículo que sustituía la pregunta “¿Pueden pensar las máquinas?” (traducción) por el “juego de imitación” (imitation game). Originalmente, el interrogador debía adivinar, solo mediante mensajes escritos, el sexo de un hombre y una mujer situados en otra habitación. Turing convirtió esto en la pregunta de cuántas veces se equivocaría el interrogador si una máquina asumiera el papel del hombre. También examinó respuestas a 9 objeciones y la idea de una “máquina niña” (child machine) que se desarrollaría mediante la educación.

Lo que aún no se sabe:Para este sitio no se ha comprobado quién utilizó por primera vez el nombre “prueba de Turing” ni cuándo.

El “El Turco ajedrecista” de Kempelen ── había una persona escondida dentro

Kempelen, un noble de Pressburg, Hungría, construyó y mostró en la corte de Viena, para la emperatriz María Teresa, una máquina en la que un muñeco vestido a la turca jugaba al ajedrez sobre una caja. Recorrió Europa y Estados Unidos y asombró a mucha gente, pero en realidad un buen jugador de ajedrez se ocultaba en la caja y la manejaba. Ya en 1784 se publicó un libro que decía que una persona escondida jugaba desde dentro; en 1821 apareció otro que explicaba con dibujos cómo se ocultaba. La máquina se quemó en un incendio en Filadelfia en 1854.

Propuesta de un encuentro de investigación de verano bajo el nombre de “inteligencia artificial”

McCarthy, Minsky, Rochester y Shannon redactaron una propuesta para celebrar un encuentro de investigación sobre “inteligencia artificial” en Dartmouth College el verano siguiente, y solicitaron financiación a la Fundación Rockefeller. La propuesta partía de la conjetura de que cualquier aspecto del aprendizaje o cualquier otra característica de la inteligencia podía, en principio, ser “descrito con tal precisión que se pueda hacer que una máquina lo simule” (traducción). Enumeraba temas como el uso del lenguaje por las máquinas, la formación de conceptos y la mejora de sí mismas. La cantidad total solicitada fue de 13,500 dólares.

Anuncio de la Marina y titular de prensa: “Un nuevo dispositivo de la Marina aprende haciendo” (traducción)

En julio de 1958, la Marina estadounidense hizo una demostración para la prensa en Washington. La gran computadora IBM 704 del servicio meteorológico aprendió a distinguir si una marca en una tarjeta estaba a la derecha o a la izquierda tras unos 50 intentos. Una noticia de la agencia UPI informó que la Marina esperaba que ese “embrión”, aún en una etapa anterior al nacimiento, llegara a caminar, hablar, ver, escribir, reproducirse y ser consciente de su existencia. Rosenblatt dijo en el artículo que sería la primera máquina que pensara como el cerebro humano, que al principio se equivocaría pero se haría más inteligente con la experiencia y que quizá serviría para explorar otros planetas. Todavía no existía la máquina específica, el perceptrón: se preveía construirla en alrededor de 1 año por 100,000 dólares.

Lo que aún no se sabe:El artículo no permite saber quién, dentro de la Marina, expresó las expectativas que se le atribuyen.

Predicción: “en un plazo de diez años, una computadora digital será la campeona mundial de ajedrez” (traducción) (conferencia de 1957)

Simon y Newell predijeron que, en 10 años, una computadora sería campeona mundial de ajedrez, salvo que las reglas le impidieran participar en los torneos.

Lo que ocurrió después:En abril de 1967, uno de los programas de ajedrez más fuertes, MAC HACK VI del MIT, tenía un nivel de aficionado intermedio: 1450 en el sistema estadounidense de puntuación. En 1968, el maestro internacional David Levy y unos investigadores apostaron sobre si una computadora podría vencerlo en 10 años. En 1978, Levy venció a la computadora y ganó la apuesta. Una computadora derrotó al campeón mundial en ejercicio, Kasparov, en un encuentro de 6 partidas en mayo de 1997, unos 40 años después de la predicción: Deep Blue de IBM, por 3.5 a 2.5. Ninguna computadora ha obtenido el título humano de campeona mundial; la predicción también decía “a menos que las reglas le impidan competir” (traducción).

Búsqueda de rutas A* (A estrella) ── buscar con la distancia recorrida más la estimación hasta la meta

Peter Hart, Nils Nilsson y Bertram Raphael publicaron A Formal Basis for the Heuristic Determination of Minimum Cost Paths (“Una base formal para la determinación heurística de rutas de costo mínimo”). Para encontrar la ruta de menor costo en un grafo de puntos conectados, desarrollaron una teoría que incorpora pistas del propio problema (heurísticas: formas de acortar la búsqueda mediante experiencia o estimaciones) y demostraron que un método de búsqueda era óptimo (resumen del artículo). Según los recuerdos de Nilsson, para buscar rutas con el robot “Shaky” (Shakey) combinaron la propuesta de usar la “distancia en línea recta” hasta la meta como estimación (Nilsson) con la de sumar “la distancia recorrida hasta ahora” (traducción) (Raphael). Hart demostró que, si la estimación no supera la distancia real restante, siempre se encuentra la ruta más corta. Este método se llamó A* y hoy también se utiliza en navegadores para automóviles y videojuegos (Nilsson 2010).

ELIZA, un programa que conversa por escrito. Uno de los objetivos del artículo de su creador era revelar el truco de una magia que parecía impresionante

Joseph Weizenbaum, del MIT, presentó en un artículo ELIZA, un programa que permitía dialogar por escrito con una computadora. Busca palabras clave en las frases introducidas por la persona y las reorganiza según reglas para responder. El papel del interlocutor puede cambiar sustituyendo el “guion”; en 1966 ya había guiones en galés y alemán, además de inglés. Al comienzo del artículo, Weizenbaum explica que, al describir el interior del programa con palabras sencillas, la magia desaparece y se ve que es solo un conjunto de procedimientos. Señala que ese es el propósito del artículo.

Máquina automática de lectura y clasificación de códigos postales escritos a mano (Toshiba y Ministerio de Correos, 1968)

El 1 de julio de 1968, cuando comenzó el sistema de códigos postales, se presentó en la Oficina Central de Correos de Tokio la máquina automática de lectura y clasificación de códigos postales (TR-3 y TR-4), desarrollada por Toshiba bajo la orientación del Ministerio de Correos. Se considera la primera máquina del mundo que reconocía dígitos escritos libremente a mano y clasificaba el correo. Se analizaron unos 300,000 dígitos manuscritos recogidos de todo el país para estudiar la frecuencia de rasgos particulares en sus formas; un filtro óptico eliminaba el recuadro rojo para extraer solo los trazos de los dígitos. Leía los primeros 3 dígitos a una velocidad aproximada de 6 envíos por segundo. Los caracteres que no podía reconocer se marcaban como “rechazo de lectura” y se pasaban a personas.

Lo que aún no se sabe:La afirmación “por primera vez en el mundo” (traducción) procede de explicaciones de sociedades académicas, museos y empresas japonesas. No se han consultado fuentes que comparen la máquina con las de otros países de la misma época.

Predicción de Simon: “las máquinas serán capaces, en un plazo de veinte años, de realizar cualquier trabajo…” (traducción) (libro de 1965, basado en un artículo de 1960)

En su libro de 1965, Simon escribió que en 20 años las máquinas podrían realizar cualquier trabajo que pudiera hacer una persona. En el artículo de 1960 en que se basaba, escribió que en un período mucho menor de 25 años habría “capacidad técnica” para sustituir por máquinas cualquier función humana dentro de las organizaciones. Sin embargo, inmediatamente distinguió entre lo que fuera técnicamente posible y cómo se usaría en la práctica. Supuso que, a largo plazo, casi todas las personas que quisieran trabajar podrían hacerlo, es decir, habría pleno empleo. Argumentó que el reparto de tareas entre personas y máquinas se determinaría por la “ventaja comparativa”: cada una se encargaría de lo que hiciera relativamente mejor.

Lo que ocurrió después:No se encontraron fuentes que afirmaran que para 1985 las máquinas podían realizar cualquier trabajo humano. Nilsson (2010) comenta una afirmación similar de Simon de 1957, que las máquinas abarcarían tantos problemas como la mente humana, y señala que incluso en 2010 seguía siendo una meta lejana. Simon, por su parte, distinguía entre capacidad técnica y empleo, y preveía que el desempleo no aumentaría a largo plazo. En su respuesta de 1966 escribió que la tasa de desempleo era inferior al 4% y estaba bajando.

¿De qué año a qué año duró el “primer invierno de la IA”? — La respuesta cambia según la fuente. Hay historiadores que sostienen: “No hubo un ‘primer invierno de la IA’”

El libro blanco del Ministerio de Asuntos Internos y Comunicaciones de Japón (2016) llama “época de invierno” (traducción) a la década de 1970, mientras que Wikipedia sitúa ese período en 1974–1980. En cambio, Nilsson (2010), investigador que escribió una historia de la IA, llama “épocas de auge” al período aproximado de 1975–1985 y sitúa el “invierno de la IA” a finales de la década de 1980. El historiador Haigh (2023) también sostiene que “No hubo un ‘primer invierno de la IA’”, basándose, entre otras cosas, en que los miembros del grupo de IA (SIGART) de la asociación de informática ACM casi se triplicaron entre 1973 y 1978. Uno de los primeros usos de la expresión “invierno de la IA” data de 1984, como una forma de expresar preocupación por un invierno que podría llegar en el futuro.

Lo que aún no se sabe:No se han encontrado cifras de la financiación de toda la investigación en IA de la década de 1970, ordenadas por país y año. La respuesta a si fue un “invierno de la IA” depende del criterio empleado (presupuestos de grandes laboratorios / cantidad de miembros de asociaciones científicas / uso de las palabras).

Perceptrons (“Perceptrones”), el libro de Minsky y Papert, demuestra matemáticamente los límites de las redes neuronales simples

Libro de Marvin Minsky y Seymour Papert, del MIT, que estudió matemáticamente las capacidades del “perceptrón”, la máquina que aprende creada por Rosenblatt en los años 1950 (un mecanismo de reconocimiento de patrones mediante una red neuronal). Demostraron que, al limitar el número de puntos que puede ver cada componente, no se pueden reconocer propiedades más complejas que “uno u otro, pero no ambos” (XOR), como la “paridad” (si el número de puntos es par o impar) o la “conectividad” (si una figura forma una sola pieza conectada). Sobre las redes multicapa escribieron “nuestro juicio intuitivo de que la extensión es estéril” (traducción), pero también indicaron que confirmarlo (o refutarlo) era una cuestión importante de investigación (p.231, citada por Pollack).

Informe Lighthill del Reino Unido: “En ninguna parte del campo… el gran impacto que se había prometido entonces” (traducción)

Informe en el que James Lighthill, destacado especialista en mecánica de fluidos, examinó por sí solo la investigación en IA a petición de la entidad británica de financiación científica, el Consejo de Investigación Científica (SRC). Dividió la IA en A (automatización), B (actividades de enlace, como construir robots) y C (investigar el cerebro y las neuronas mediante computadoras). Reconoció el valor de A y C, pero fue severo con B. Como causa importante de la falta de avances, señaló que no se había advertido el aumento explosivo del número de combinaciones que había que examinar (explosión combinatoria). Después de este informe, la confianza y la financiación de la investigación británica en IA cayeron considerablemente.

“Associatron”, de Kaoru Nakano (Universidad de Tokio): un mecanismo de memoria que imita al cerebro y recuerda el conjunto a partir de una parte

Kaoru Nakano, de la Universidad de Tokio, presentó “Associatron”, un mecanismo que almacena información como patrones de 0 y 1 distribuidos por toda una red y recuerda el conjunto a partir de una parte. Cuanto mayor es la pista, más preciso es el recuerdo; con pistas pequeñas, es más ambiguo. Era un modelo simplificado de la red neuronal del cerebro, que podía construirse con elementos conectados solo a sus vecinos y funcionando simultáneamente. Realizó experimentos por computadora y mostró ejemplos de aplicación a la formación de conceptos y a juegos.

MYCIN: IA con “reglas SI–ENTONCES” que aconseja a médicos sobre medicamentos para infecciones. Se evaluó al nivel de especialistas, pero no se utilizó habitualmente en hospitales

En Stanford University, Edward Shortliffe, entonces estudiante de medicina, y sus colegas desarrollaron MYCIN, un programa que aconsejaba a médicos sobre medicamentos para infecciones bacterianas (infecciones de la sangre y, después, meningitis). Incorporaba conocimientos médicos como reglas del tipo si el resultado de una prueba es… entonces la bacteria probablemente es… (unas 200 al principio y unas 500 en 1978), y podía explicar las razones de sus decisiones. En una evaluación de 1979 con 10 pacientes de meningitis, 8 especialistas en enfermedades infecciosas ajenos a Stanford calificaron las prescripciones de MYCIN y de médicos sin saber quién las había propuesto. El 65% de las prescripciones de MYCIN fue “calificado como aceptable por los evaluadores” (traducción); los 5 especialistas de Stanford obtuvieron entre 42.5 y 62.5% (promedio: 55.5%). Aun así, el libro de sus desarrolladores indica que “MYCIN nunca se utilizó de forma habitual en la atención a pacientes” (traducción).

Lo que aún no se sabe:No se ha comprobado quién mencionó primero los problemas de “leyes y responsabilidad”, ni cuándo.

En 1984, un anuncio en la exposición de un congreso de IA decía “Hemos construido un cerebro mejor” (traducción): un testimonio del ambiente de “esta vez sí es real”

El periodista científico George Johnson describió la exposición del congreso de la Asociación Estadounidense de Inteligencia Artificial (AAAI) de agosto de 1984. Muchos investigadores habían acudido para hablar de pequeños avances, pero algunas empresas expositoras actuaban como si ya se hubiera cumplido el antiguo sueño de crear compañeros con inteligencia humana. El folleto de TIMM, una herramienta de IA en la que se introduce el conocimiento de especialistas, proclamaba “Hemos construido un cerebro mejor” (traducción) y decía que los sistemas expertos no enfermaban, no renunciaban ni se jubilaban anticipadamente. El periodista escribió que las palabras de los vendedores a veces sonaban como las de “profetas que anuncian una nueva era” (traducción).

Lo que aún no se sabe:El artículo no indica el nombre de la empresa que vendía TIMM.

Se inaugura el metro de Sendai y se utiliza “control difuso predictivo” (traducción), una IA de reglas que maneja la imprecisión, para conducir automáticamente los trenes

El metro de Sendai, el noveno metro urbano de Japón, se inauguró el 15 de julio de 1987. El sistema de conducción automática desarrollado por Hitachi utilizaba “control difuso predictivo” (traducción). Sustituía la habilidad de conductores experimentados por reglas de IA (ingeniería del conocimiento) escritas en “formato SI… ENTONCES…” (traducción): si ocurre algo, entonces se hace algo. El artículo afirma que mejoró la comodidad del viaje y la precisión de las paradas y que ahorró energía; presenta este control difuso predictivo como “el primero en el mundo” (traducción) (palabras del artículo de la empresa que lo desarrolló).

Lo que aún no se sabe:“el primero del mundo” (traducción) son palabras del artículo de la empresa que lo desarrolló y no se han comprobado en otras fuentes.

Previsión de 1981: se dice que a principios de la década de 1990 aparecerán computadoras con ojos, oídos y boca, capaces de entender lo que se dice y de traducir e interpretar automáticamente

El informe del estudio previo al proyecto (1979–1981, presidido por Tohru Moto-oka, de la Universidad de Tokio) describía la finalización de un prototipo con 1990 como año objetivo. Un folleto explicativo para el público general decía sobre las computadoras de quinta generación: “se dice que aparecerá a principios de la década de 1990” (traducción); para “crear un prototipo en 1990” (traducción) (construir una máquina de prueba), había que empezar pronto la investigación. Enumeraba 8 funciones previstas, entre ellas “una computadora con ojos, oídos y boca” (traducción), capaz de manejar directamente voz, figuras, imágenes y caracteres; “una computadora que entiende lo que se dice” (traducción), con la que se pudiera hablar en lenguaje cotidiano (y que, con esa capacidad, también pudiera traducir e interpretar automáticamente); una computadora con sentido común que resolviera problemas nuevos mediante inferencias; y una que pudiera usarse sin escribir programas.

Lo que ocurrió después:El proyecto se realizó durante los ejercicios fiscales 1982–1992. Según el informe de evaluación final de 1993, el objetivo de velocidad de inferencia (100 millones de operaciones por segundo) se alcanzó y superó, con 150 millones o más. En cambio, el informe señala que se descubrió que la interacción con personas mediante voz e imágenes requería grandes cantidades de conocimiento de contexto; a partir de entonces se redujo ese trabajo a las bases de la investigación lingüística, por lo que no se llegó a construir un mecanismo concreto. El director Kazuhiro Fuchi explicó en 1992 que construir aplicaciones como la traducción automática ya se había excluido de los objetivos cuando el proyecto comenzó en 1982.

Lo que aún no se sabe:No se ha encontrado ni comprobado el “Documento explicativo de los temas de investigación y desarrollo” (研究開発課題説明書) de 1981, con 26 temas en 7 grupos, que incluía objetivos numéricos como cantidades de palabras y tasas de acierto en traducción.

Resultados de la quinta generación: máquina de inferencia paralela PIM y lenguaje KL1 (la máquina mayor tenía 512 computadoras; los 5 modelos sumaban más de 1,000)

La quinta generación desarrolló la máquina de inferencia paralela PIM, que conecta muchas computadoras para realizar simultáneamente inferencias (obtener conclusiones a partir de reglas), y su lenguaje especializado KL1. Los presentó en la conferencia internacional FGCS'92 de junio de 1992. Takashi Chikayama diseñó KL1 basándose en el lenguaje GHC, ideado por el investigador Kazunori Ueda (discurso del director Kazuhiro Fuchi). Se construyeron 5 modelos de PIM con especificaciones diferentes; el mayor, PIM/p, tenía 512 computadoras y realizaba 156 millones de inferencias por segundo. Los 5 modelos sumaban más de 1,000 computadoras. La evaluación final escribió que se había superado el objetivo de 100 millones de inferencias por segundo.

Lo que aún no se sabe:No se ha comprobado cómo se utilizó PIM después del proyecto: cuántas máquinas, dónde ni durante cuántos años funcionaron.

La historia de que “las computadoras de quinta generación fracasaron”: qué escribieron los protagonistas, el comité de evaluación y los investigadores externos

En junio de 1992, justo después de la conferencia internacional de cierre del proyecto (FGCS'92), un editorial del periódico The Baltimore Sun, dirigido a empresas estadounidenses, escribió “el fracaso… finalmente reconocido el 1 de junio en un seminario en Tokio” (traducción). Sin embargo, en su discurso inaugural de esa conferencia, el director Kazuhiro Fuchi dijo “Han aparecido comentarios en Japón y en el extranjero que afirman que este proyecto es un fracaso” (traducción). Explicó que las grandes imágenes, como “se intenta resolver los problemas difíciles de la inteligencia artificial (IA) en 10 años” (traducción) y “se intenta crear un sistema de traducción automática al nivel humano” (traducción), se habían difundido desde la conferencia de 1981, anterior al proyecto. Dijo que el proyecto iniciado en 1982 tenía un contenido más moderado (inferencia paralela) y que creía que había sido un éxito. La evaluación final del comité promotor (1993) también afirmó que había “respondido plenamente a las expectativas iniciales” (traducción). Un informe del instituto de investigación del Ministerio de Comercio Internacional e Industria (1995) escribió que considerarlo un fracaso por no convertirse en productos era una opinión que no comprendía suficientemente sus objetivos: investigación básica y contribución internacional. Sin embargo, el mismo informe también escribió que, debido al progreso de las computadoras pequeñas, no se esperaba que la propia arquitectura de las máquinas construidas se utilizara en tecnologías futuras. Un libro de historia de un investigador externo (Nilsson 2010) escribe que muchas personas consideran que gran parte de los resultados ya solo tiene valor histórico.

Lo que aún no se sabe:No se ha comprobado dónde comenzó a difundirse en Estados Unidos la reputación de fracaso (por ejemplo, el artículo de The New York Times de junio de 1992 La ‘quinta generación’ se convirtió en la generación perdida de Japón), porque no se pudo consultar ese artículo.

Nature publica un artículo sobre el entrenamiento de redes neuronales multicapa mediante retropropagación

Rumelhart, Hinton y Williams presentaron un método de entrenamiento para redes neuronales con capas ocultas entre la entrada y la salida. La diferencia entre la salida y la respuesta correcta (error) se propaga en orden desde la salida hacia la entrada, mientras se ajusta poco a poco la fuerza de las conexiones (Aprendizaje de representaciones mediante retropropagación de errores, es decir, retropropagación). Mostraron experimentalmente que la capa oculta aprendía a representar por sí misma características que no se le habían enseñado.

Lo que aún no se sabe:En el pequeño ejemplo de este artículo (un árbol genealógico), fue posible interpretar qué se representaba dentro de la capa oculta. Sin embargo, en las redes grandes, todavía solo se entiende una parte (conecta con la unidad del cuarto auge).

El peor escenario del invierno de la IA descrito en un debate de 1984: comparación con lo que ocurrió después

En el congreso de la Asociación Estadounidense de Inteligencia Artificial (AAAI) se celebró un debate titulado La ‘edad oscura’ de la IA: ¿podemos evitarla o sobrevivir a ella?. El moderador, Drew McDermott, dijo que, tras la actividad de la industria, entre quienes llevaban años investigando había una profunda inquietud por la posibilidad de que “quizá las expectativas sobre la IA sean demasiado altas ... acabarán provocando un desastre” (traducción). Describió el peor escenario: dentro de 5 años fracasaría la iniciativa de computación estratégica estadounidense, la quinta generación japonesa también se estancaría, las empresas emergentes quebrarían, se interrumpiría la financiación de la IA y todos cambiarían el nombre de sus investigaciones. Explicó que algunas personas llamaban a esta situación invierno de la IA. Sin embargo, añadió que no creía que fuera muy probable. En el debate, otro investigador, Roger Schank, contó que, cuando le habían preguntado si creía que llegaría una catástrofe, había respondido que sí. También se expresó otra opinión: “¿Habrá un invierno de la IA? Creo que podría haber un ocaso de la IA” (traducción) (la misma persona añadió que quizá la burbuja no estallara, sino que se hiciera algo más pequeña).

Lo que ocurrió después:Más adelante, el desarrollo del vehículo autónomo (ALV), uno de los proyectos principales de la iniciativa, se canceló en abril de 1988. El responsable del departamento, que asumió el cargo en 1987, también canceló parte del programa de IA. La iniciativa desapareció del presupuesto de DARPA en 1993. El número de miembros de la Asociación Estadounidense de Inteligencia Artificial alcanzó un máximo de 16,421 en 1987 y se estabilizó en 4,000–5,000 en 1996. Muchas empresas de IA que desarrollaban sistemas expertos desaparecieron, fueron adquiridas o cambiaron de actividad. El proyecto principal japonés de computadoras de quinta generación terminó en el año fiscal 1992. Nilsson escribió que estos acontecimientos coincidieron entre mediados y finales de la década de 1980 y llegaron a conocerse como invierno de la IA.

Lo que aún no se sabe:No se ha comprobado en las fuentes originales si una parte del escenario, “Todo el mundo cambia apresuradamente los nombres de sus proyectos de investigación por otros” (traducción), ocurrió realmente en la década de 1990 (posible tema para u08).

LSTM: presentación de una red neuronal capaz de recordar el inicio de textos o sonidos largos

Hochreiter y Schmidhuber presentaron LSTM, que incorpora una “celda de memoria” y “celdas de memoria y unidades de compuerta” que abren o cierran la entrada y salida de información en una red neuronal para datos secuenciales (series de sonidos o caracteres). En los métodos anteriores, la señal de corrección de la retropropagación desaparecía (se acercaba a cero) o crecía demasiado al retroceder en el tiempo, y no permitía recordar lo ocurrido mucho antes. LSTM pudo conservar y utilizar pistas de más de 1000 pasos atrás.

Vapnik y sus colaboradores crean la máquina de vectores de soporte, que separa los datos trazando el camino más ancho entre ellos

Para separar dos tipos de puntos, se traza una línea por el centro del camino más ancho posible, lo más lejos posible de los puntos de ambos tipos. Así se pueden clasificar bien puntos nuevos. Vapnik y sus colaboradores hicieron que este cálculo dependiera solo de unos pocos puntos situados en los bordes del camino (vectores de soporte: puntos que sostienen el camino). Con los dígitos manuscritos de MNIST lograron una tasa de error del 1.1% (Cortes y Vapnik), cerca del resultado de la red neuronal LeNet. Alrededor del año 2000, este tipo de métodos predominaba en las aplicaciones prácticas.

Fei-Fei Li y sus colegas de Princeton presentan ImageNet, una colección de millones de fotos etiquetadas. Las verificaron personas que aceptaban trabajos por internet

Li y sus colegas presentaron ImageNet, basado en WordNet, un diccionario que organiza conceptos jerárquicamente. El proyecto reúne en promedio entre 500 y 1,000 fotos por cada uno de unos 80,000 grupos de sustantivos (el ejemplo del artículo es “gato burmés”). En la presentación ya tenía 12 áreas, 5,247 categorías y 3.2 millones de imágenes. Las fotos se recogían mediante buscadores, y personas de todo el mundo que recibían un pago por las tareas en Amazon Mechanical Turk comprobaban una por una si el objeto indicado aparecía correctamente. La decisión se tomaba mediante los votos de varias personas.

Lo que aún no se sabe:El artículo no indica cuántas personas realizaron las tareas, en qué países residían ni cuánto cobraban (sin comprobar).

En la competencia de reconocimiento de imágenes ILSVRC 2012, la red convolucional profunda de la Universidad de Toronto (SuperVision) gana con gran ventaja; el equipo de la Universidad de Tokio queda segundo

En una competencia para identificar 1,000 clases de objetos en fotografías, el equipo “SuperVision” de Krizhevsky, Sutskever y Hinton redujo la tasa de error al 15.3% bajo la regla que permite dar hasta 5 respuestas (16.4% usando solo los datos proporcionados por la competencia). El segundo equipo, ISI de la Universidad de Tokio, tuvo un 26.2%: una diferencia de unos 11 puntos. Entrenaron una red neuronal de 8 capas y 60 millones de parámetros con 2 GPU para videojuegos, chips de procesamiento de imágenes de NVIDIA. En un artículo posterior, los organizadores escribieron sobre ese año: “Esto marcó un punto de inflexión en el reconocimiento de objetos a gran escala” (traducción).

Hinton y sus colegas presentan un método descrito como “entrenar redes de creencia profundas y dirigidas, una capa a la vez” (traducción). Se describe como “un hito hacia lo que hoy se conoce como aprendizaje profundo”

Las redes neuronales con muchas capas no aprendían bien solo con retropropagación. Hinton y sus colegas mostraron un método que primero entrenaba cada capa sin respuestas correctas (preentrenamiento), descrito como “aprende una capa de características a la vez”, y después ajustaba toda la red con retropropagación. Obtuvo un error del 1.25% en los dígitos manuscritos de MNIST (artículo de Neural Computation), y también superó los métodos anteriores al representar imágenes y documentos con pocos números (artículo de Science).

“Premio Netflix” (Netflix Prize), concurso de predicción de gustos cinematográficos con un premio de 1 millón de dólares (2006–2009): la victoria se decide por 20 minutos

En octubre de 2006, Netflix, que alquilaba películas en DVD, organizó un concurso: ofrecía 1 millón de dólares a quien predijera las valoraciones de películas con un 10% más de precisión que su sistema de recomendación Cinematch. Distribuyó más de 100 millones de valoraciones (de 1 a 5 estrellas) de unas 18,000 películas, hechas por unas 480,000 personas cuyos nombres se sustituyeron por números. Casi 3 años después, el 21 de septiembre de 2009, ganó BellKor's Pragmatic Chaos. El segundo equipo obtuvo la misma puntuación (error de 0.8567, mejora del 10.06%), pero ganó quien envió su resultado unos 20 minutos antes, conforme a la regla de prioridad por orden de entrega en caso de empate.

AlphaGo vence por 4 victorias a 1 a Lee Sedol, uno de los mejores jugadores del mundo, en Seúl

En marzo de 2016, en Seúl, Corea del Sur, AlphaGo y Lee Sedol, 9.º dan y ganador de 18 títulos mundiales, disputaron un encuentro de 5 partidas sin hándicap. AlphaGo ganó por 4 victorias a 1. Lee Sedol ganó la cuarta partida a partir de una jugada inesperada, la número 78. DeepMind anunció que donaría el premio de 1 millón de dólares a organizaciones de educación y go y a UNICEF.

Los 2 artículos que dieron origen a la “búsqueda en árbol de Monte Carlo”, que fortaleció los programas de go

En go hay muchas jugadas posibles en cada posición y es difícil evaluar las posiciones. Por eso, los métodos de búsqueda como los del ajedrez no producían programas fuertes. En 2006, un artículo del francés Rémi Coulom presentó un nuevo método, la búsqueda en árbol de Monte Carlo (MCTS). Consiste en jugar al azar repetidamente desde una posición hasta el final (Monte Carlo), comparar las jugadas por su proporción de victorias y explorar más profundamente las ramas prometedoras. Coulom ganó un torneo de go por computadora (KGS) con Crazy Stone, su programa para tableros de 9×9. Ese mismo año, Levente Kocsis y Csaba Szepesvári, de Hungría, propusieron UCT, un método para decidir cuánto explorar cada rama. Diez años después, el artículo de AlphaGo (2016) citó ambos trabajos como referencias de MCTS y combinó MCTS con 2 redes neuronales (predicción de la siguiente jugada y evaluación de la posición).

La Sociedad de Procesamiento de la Información de Japón declara terminado su proyecto porque el shogi por computadora “ha alcanzado el nivel de los mejores jugadores profesionales” (traducción)

Desde 2010, la Sociedad de Procesamiento de la Información de Japón desarrollaba un proyecto para lograr un “shogi por computadora que vence a los mejores jugadores profesionales…” (traducción). En octubre de 2015 declaró terminado el proyecto: “Los resultados del análisis indican que, en 2015, ya se había alcanzado el nivel de los mejores jugadores profesionales de shogi” (traducción). Explicó que “está alcanzando el mismo nivel” (traducción) no significaba ganar siempre, sino tener una alta probabilidad de obtener más victorias que derrotas al disputar muchas partidas. Sin embargo, en ese momento todavía no se habían realizado encuentros directos con los mejores profesionales.

Lo que ocurrió después:Aproximadamente un año y medio después, el 1 de abril y el 20 de mayo de 2017, el programa de shogi PONANZA ganó ambas partidas contra el Meijin Amahiko Sato, que participó como Eiō. Los organizadores cerraron la competición Denōsen con ese encuentro.

Estudio de la Universidad de Oxford: “el 47 por ciento del empleo total de Estados Unidos está en la categoría de alto riesgo” (traducción) (riesgo de sustitución por computadoras, 2013)

En septiembre de 2013, Carl Benedikt Frey y Osborne, de la Universidad de Oxford, publicaron un artículo que estimaba la probabilidad de sustitución por computadoras de 702 ocupaciones de Estados Unidos. Situaba el 47% del empleo estadounidense “en la categoría de alto riesgo” (traducción). Más tarde, esta cifra se interpretó como una predicción de desaparición de empleos y fue objeto de comprobaciones. Un ejemplo es el título de un artículo de ITIF de 2022: “Vaya: la pérdida prevista del 47 por ciento de los empleos por la IA no ocurrió”, recogido en los registros de comprobación de predicciones sobre el trabajo, una investigación separada de este sitio. Los detalles y las comprobaciones posteriores se documentan en esa investigación: comprobación de predicciones sobre el trabajo en la era de la IA.

Se publica el artículo sobre el “Transformer”, base de las actuales IA de texto

8 personas, investigadores de Google y un estudiante de la Universidad de Toronto, presentaron una nueva estructura de IA, el Transformer, compuesta únicamente por mecanismos que dirigen la “atención” a las relaciones entre palabras de una oración. El artículo probó, entre otras tareas, la traducción del inglés al alemán y al francés, con mejores resultados y tiempos de entrenamiento más cortos que los métodos anteriores. Los posteriores GPT y BERT se basan en esta estructura, según se comprobó en sus respectivos artículos.

La IA conversacional “ChatGPT” se publica gratuitamente como “versión preliminar de investigación” (traducción)

OpenAI publicó la IA conversacional “ChatGPT”. El anuncio afirma que puede responder preguntas de seguimiento, admitir sus errores, señalar premisas equivocadas y rechazar solicitudes inadecuadas. Se basa en un modelo de la familia GPT-3.5 que terminó de entrenarse a comienzos de 2022, ajustado con valoraciones humanas de las respuestas. El anuncio señala que sería gratuita durante la “versión preliminar de investigación” (traducción) y que su objetivo era recoger las opiniones de quienes la usaran.

Lo que aún no se sabe:El anuncio señalaba como una de las razones por las que resulta difícil corregir los errores que “durante el entrenamiento por refuerzo, actualmente no hay una fuente de respuestas verdaderas” (traducción). Sobre por qué y cuándo se producen errores plausibles (más tarde llamados “alucinaciones” (traducción)), los desarrolladores ya escribían entonces: “Resolver este problema es difícil” (traducción)

“ChatGPT llegó a 100 millones de personas en 2 meses” era una estimación de analistas de un banco a partir de visitas web, no un anuncio de la empresa

En febrero de 2023 se difundió por el mundo la noticia de que “100 millones de personas habían usado ChatGPT a los 2 meses de su lanzamiento, convirtiéndola en la aplicación de crecimiento más rápido de la historia”. Al seguir su origen, se encontraba una nota de analistas del banco de inversión UBS. A partir de las cifras de la empresa de análisis web Similarweb, resumía que “se estima que alcanzó los 100 millones de usuarios activos mensuales en enero” (traducción) (las palabras entre comillas son las del artículo de Reuters que informó sobre la nota). Reuters escribió “se estima” (traducción), y Similarweb no había respondido entonces a la solicitud de confirmar las cifras. El texto de The Guardian las presentaba como cifras de Similarweb: “unas 590 millones de visitas en enero de 100 millones de visitantes únicos” (traducción).

Un artículo sobre leyes según las cuales el rendimiento mejora en una proporción definida al aumentar la escala. Los propios autores advierten: “Nuestras tendencias acabarán necesariamente por estabilizarse” (traducción)

Investigadores de OpenAI y la Universidad Johns Hopkins mostraron que el rendimiento de los modelos de lenguaje (medido por la dificultad de acertar la siguiente palabra) mejora siguiendo una forma regular y definida, una ley de potencias, al aumentar el número de parámetros, la cantidad de datos de entrenamiento y el cálculo. Esta forma se mantenía en un intervalo de más de 7 órdenes de magnitud (10 millones de veces). La idea se convirtió en una de las bases de la posterior competencia por construir IA cada vez mayores.

Lo que aún no se sabe:Lo que se sabe: en el intervalo estudiado hasta 2020, el rendimiento mejoró según una regla definida al aumentar la escala. Lo que no se sabe: hasta dónde continuará y por qué ocurre (el propio artículo dice “necesariamente acabará estabilizándose” (traducción) y “no tenemos una comprensión teórica sólida” (traducción)).

¿Ganaría una IA el oro en la Olimpiada de Matemáticas antes de terminar 2025? En 2022, dos investigadores estimaron probabilidades de menos del 8% y más del 16%. En julio de 2025 llegó el resultado

Los investigadores de IA Paul Christiano y Eliezer Yudkowsky tenían opiniones distintas sobre el progreso de la IA. Por ello, publicaron probabilidades para una predicción comprobable sobre la Olimpiada Internacional de Matemáticas, un concurso para estudiantes de secundaria. La descripción de la IA y del resultado era: “creada antes de la Olimpiada Internacional de Matemáticas (IMO), es capaz de obtener una medalla de oro … en uno de los años 2022-2025” (traducción) (con las reglas de tiempo y otras condiciones del IMO Grand Challenge). Christiano estimó menos del 8% y Yudkowsky un 16% o más. Christiano estimó menos del 4% de probabilidad de resolver el problema más difícil. En julio de 2025, Google DeepMind anunció que una versión mejorada de Gemini había resuelto por completo 5 de los 6 problemas y obtenido 35 de 42 puntos (puntuación de medalla de oro), y que los evaluadores del concurso habían puntuado y confirmado oficialmente sus respuestas. Redactó las soluciones en lenguaje corriente dentro del límite de 4.5 horas.

Lo que ocurrió después:En julio de 2025, una versión mejorada de Gemini, de Google DeepMind, obtuvo 35 de 42 puntos (puntuación de medalla de oro). Los evaluadores del concurso puntuaron oficialmente las respuestas y el presidente de la Olimpiada Internacional de Matemáticas confirmó que era “una puntuación de medalla de oro” (traducción) (según el blog, la confirmación se refiere a las respuestas, no a la verificación del sistema de IA). Se realizó dentro del límite de 4.5 horas y no resolvió el problema más difícil, el n.º 6 (resolvió 5 de 6). Como ambas predicciones eran probabilísticas, no puede afirmarse que acertaran o fallaran, pero el resultado real se acercó más a la postura que estimaba una probabilidad mayor (más del 16%).

Informe internacional de 96 especialistas, incluido un comité asesor elegido por 30 países y otros organismos: “El funcionamiento interno de estos modelos es en gran medida indescifrable, incluso para sus desarrolladores” (traducción) y “los expertos discrepan sobre qué esperar incluso en los próximos meses y años” (traducción)

A raíz de la reunión de Bletchley de 2023, 96 especialistas dirigidos por Yoshua Bengio elaboraron un informe internacional sobre seguridad de la IA. Entre ellos figuraba un comité asesor elegido por 30 países, la ONU, la UE y la OCDE; por Japón participó Hiroaki Kitano. El informe explica que un modelo de IA de propósito general “no está programado en el sentido tradicional” (traducción), sino que se construye mediante el entrenamiento. Señala: “El funcionamiento interno de estos modelos es, en gran medida, indescifrable, incluso para quienes los desarrollan” (traducción) y “las técnicas de interpretabilidad para explicar el motivo de … una determinada salida siguen siendo muy limitadas” (traducción). Sobre los avances futuros, afirma que la mejora de las capacidades de la IA de propósito general “podría avanzar lentamente, rápidamente o extremadamente rápido” (traducción), y que los especialistas “discrepan sobre el ritmo … distintas opiniones sobre las posibilidades de seguir aumentando la ‘escala’” (traducción). El segundo informe, de febrero de 2026, también señala que “los investigadores no pueden predecir de manera fiable cuándo surgirán capacidades específicas” (traducción) y que “los expertos discrepan sobre si continuará el aumento exponencial de los recursos de entrada” (traducción). Estos recursos de entrada son el cálculo, las mejoras de los algoritmos y los datos.

Lo que aún no se sabe:Lo que aún no se sabe, según los especialistas elegidos por los países: ① El funcionamiento interno de las grandes IA actuales: resulta casi indescifrable incluso para sus desarrolladores, y las técnicas para explicarlo siguen siendo muy limitadas. ② La velocidad del progreso futuro: podría ser lenta, rápida o muy rápida, y los especialistas discrepan sobre hasta dónde será eficaz aumentar la escala. El informe de 2026 mantiene incertidumbres similares.

Estudio que situó la mayoría de las predicciones sobre IA a 15–25 años de distancia (ahora el artículo lleva al principio la nota “Los resultados de este artículo se basan en un error del conjunto de datos” (traducción))

Artículo que recopiló y analizó 95 predicciones sobre cuándo se lograría la IA. Concluyó que las predicciones más frecuentes eran “dentro de 15 a 25 años” (traducción) y que las de expertos y no expertos eran indistinguibles. Actualmente, la primera página del PDF público incluye la nota “Los resultados de este artículo se basan en un error del conjunto de datos” (traducción). El error consistía en leer mal la columna que clasificaba si la persona era experta (AI Impacts lo señaló en 2016).

Lo que aún no se sabe:Que las predicciones se concentren aproximadamente a 20 años de distancia depende de cómo se construyan los datos. No está claro.

Rastrear hasta su origen la predicción de un material educativo oficial: “En 2025 se alcanzará una capacidad que permita simular por completo un cerebro humano” (traducción). Su origen es una línea en un gráfico de velocidad de supercomputadoras del libro de Kurzweil de 2005

El material de formación docente del Ministerio de Educación, Cultura, Deportes, Ciencia y Tecnología para “Informática II (asignatura de educación secundaria en Japón)” (2020) dice, basándose en el Libro Blanco de Información y Comunicaciones de 2014 del Ministerio de Asuntos Internos y Comunicaciones, que si la velocidad de cálculo sigue aumentando al mismo ritmo, en 2025 se alcanzará el rendimiento necesario para simular por completo un cerebro humano, es decir, imitar su funcionamiento en una computadora. Al rastrear la fuente, esta afirmación aparece en la figura 3-1-1-4, “Mejora de la velocidad de cálculo”, y no en el texto principal del libro blanco. El gráfico procede de un documento presentado por el Sr. Kitani el 13 de febrero de 2014 en una reunión del ministerio; su portada indica NTT Data, Dirección de Desarrollo Tecnológico. El documento dice que se basa en un gráfico de La singularidad está cerca (The Singularity Is Near), el libro de Ray Kurzweil de 2005. El gráfico original muestra puntos de velocidad de supercomputadoras en FLOPS, el número de operaciones con decimales por segundo, y una línea de tendencia que duplica el rendimiento cada 1.2 años. Donde esa línea alcanza 10¹⁹ FLOPS aparece la nota “Necesario para la simulación neuronal del cerebro humano con fines de transferencia digital (2025)” (traducción). La fuente original, por tanto, era una proyección de velocidad de cálculo.

Lo que ocurrió después:Comprobación de la velocidad: con el mismo indicador que el gráfico original, el valor HPL usado en TOP500, que el gráfico también cita como fuente, El Capitan (Estados Unidos), primero en noviembre de 2025, alcanzaba 1.809 exaflops, unas 1.8×10¹⁸ operaciones por segundo: solo alrededor de 1/5.5 de 10¹⁹ FLOPS. LineShine (China), primero en junio de 2026, tampoco llegaba, con 2.198 exaflops. En otra clasificación, HPL-MxP, antes HPL-AI, que mide cálculos con precisión mixta, incluidos cálculos con menos dígitos, 3 máquinas superaron 10¹⁹ FLOPS en noviembre de 2025: El Capitan (16.680), Aurora (11.643) y Frontier (11.390). Los 10¹⁶ FLOPS, previstos en el gráfico para 2013, ya los había alcanzado “K”, de Japón, en noviembre de 2011, con 10.51 petaflops. Resultados de simulación cerebral: en 2013 se usaron todos los nodos de K para simular 1.73 mil millones de neuronas y 10.4 billones de sinapsis, aproximadamente el 1% de los circuitos neuronales del cerebro humano. Reproducir 1 segundo de actividad requirió 40 minutos (RIKEN y otros). En 2018, RIKEN escribió que ni las supercomputadoras más potentes de entonces podían simular a la escala del cerebro humano completo y presentó un método para lograrlo con la siguiente generación, a partir de 2020. En noviembre de 2025, el Instituto Allen, la Universidad de Electrocomunicaciones y otros anunciaron que habían simulado con detalle toda la corteza cerebral de un ratón usando “Fugaku”: unos 10 millones de neuronas, 26 mil millones de sinapsis y 86 regiones cerebrales. Anton Arkhipov, del Instituto Allen, dijo que el objetivo a largo plazo era modelar el cerebro completo y, más adelante, también el humano. Ninguno de los anuncios de los responsables consultados por este sitio afirmaba haber simulado todo el cerebro humano hasta 2025.

Lo que aún no se sabe:Las estimaciones del cálculo necesario para simular todo el cerebro humano varían mucho según quien las haga. Una nota de otro capítulo del mismo libro blanco de 2014 recoge una previsión de Modha, de IBM, de 2008: en 2018 sería posible simular el cerebro humano con 38.5 petaflops, aproximadamente 4×10¹⁶. Difiere en unas 260 veces de los 10¹⁹ del gráfico de Kurzweil. La velocidad necesaria depende de cuánto detalle se reproduzca de las neuronas; por ejemplo, se anunció que la simulación de “Fugaku” de 2025 reproducía incluso la corriente eléctrica en sus ramificaciones. Este sitio no ha podido verificar por completo si no existe ningún caso de simulación de todo el cerebro humano hasta 2025: solo se consultaron 3 anuncios de las partes responsables.