CAPÍTULO 05／1966–1980

El invierno tras el primer auge

Una época que no cumplió las expectativas y las semillas que crecieron durante ella (1966–1980)

Se redujeron los fondos de investigación y las expectativas, y se dice que llegó un . Sin embargo, al consultar las fuentes, se observa que el invierno llegó de forma distinta en cada país y que, mientras tanto, también en Japón crecían muchas semillas de la IA actual.

011965–1985 · El mapa del invierno

¿Llegó el invierno al mismo tiempo?

¿Llegó el el mismo año a Estados Unidos, el Reino Unido y Japón?

El nombre se da al período de la década de 1970 en el que se redujeron los fondos de investigación y las expectativas. Sin embargo, los años de inicio y fin varían según la fuente. El libro blanco del Ministerio de Asuntos Internos y Comunicaciones de Japón (2016) llama a la década de 1970 “época de invierno” (traducción), mientras que un resumen en internet señala 1974–1980. Nilsson (2010), autor de un libro sobre la historia de la IA, en cambio, llama al período aproximado de 1975–1985 las de la IA.

La figura de la derecha coloca los acontecimientos de 3 países en una misma línea del tiempo. En Estados Unidos aparecen el informe de 1966 sobre traducción automática, las restricciones de 1969 sobre el uso del presupuesto de defensa y la cancelación del programa de lenguaje hablado en 1976. En el Reino Unido, el informe Lighthill de 1973. En Japón, sin embargo, en 1971 comenzó el gran proyecto nacional “sistema de procesamiento de información de patrones” (traducción), y continuaron investigaciones que llegan hasta la actualidad, como Associatron en 1972 y el neocognitrón en 1979.

Al cambiar la franja del invierno según la fuente, su posición se desplaza mucho. El término es un nombre que cambia según el criterio utilizado para medirlo.

La expresión apareció por primera vez en 1984. Se utilizó para expresar preocupación por un invierno que podría llegar. Llamar a la década de 1970 es una denominación posterior.

021966 · Traducción automática

El informe ALPAC y las perspectivas de la traducción automática

¿Se puede traducir sustituyendo las palabras una a una con un diccionario?

En 1966, a petición de 3 organismos del Gobierno de Estados Unidos, un comité de la Academia Nacional de Ciencias (ALPAC) examinó la investigación sobre traducción automática. El informe escribió que “no hay perspectivas inmediatas ni previsibles de una traducción automática útil” (traducción).

La figura de la derecha permite probar el método más sencillo: sustituir cada palabra de una oración con un diccionario. Si una palabra tiene varias traducciones posibles, el número de maneras de traducir la oración completa aumenta al multiplicar el número de traducciones de cada palabra. Sin conocer el significado de la oración y la situación, no se puede decidir cuál es correcta.

Sin embargo, el informe no decía que se abandonara toda la investigación. Recomendaba financiar el estudio de cómo funciona el lenguaje (lingüística computacional) y las herramientas que ayudan a los traductores humanos.

número de traducciones＝n₁ × n₂ × … × n_k

n_i: número de traducciones de la palabra i
k: número de palabras de la oración

Lo que se cree saberLo que suele decirse:El informe ALPAC descartó la traducción automática como imposible y detuvo la investigación
Según la fuente original:El informe recomendaba financiar la lingüística computacional y las herramientas mecánicas que ayudan a los traductores humanos. La propia Academia añadió una carta de presentación en la que expresaba su preocupación por que se leyera solo una parte del informe y se recortaran también los fondos de investigación.

Número de palabras y número de traducciones posibles (cada paso del eje vertical multiplica por 10)

031969 · Separación lineal

La barrera de una sola línea

¿Hay problemas que un perceptrón capaz de aprender no puede resolver de ninguna manera?

En 1969, Marvin Minsky y Seymour Papert, del MIT, estudiaron matemáticamente en su libro los límites del perceptrón de 1958: una máquina que aprende, multiplica las entradas por pesos, las suma y responde “sí” cuando el resultado supera un valor fijado.

El ejemplo más sencillo es XOR: la respuesta es 1 solo cuando exactamente una de las dos entradas es 1. La figura de la derecha tiene 4 puntos; se trata de separar los negros (respuesta 1) de los blancos (respuesta 0) con una sola línea recta. AND y OR se pueden separar, pero XOR no se puede separar, se dibuje como se dibuje la línea. La única frontera que puede trazar un perceptrón de una capa es esa “sola línea”.

Al pulsar “Usar 2 líneas (añadir capas)”, los puntos negros quedan entre las dos líneas y se pueden separar. Esta es la razón por la que añadir capas permite aprender XOR (capítulo 8). La idea de que ampliar la máquina con más capas no daría resultados se expresa en la cita “nuestro juicio intuitivo de que la extensión es estéril” (traducción). El propio libro la califica con las palabras “nuestro juicio intuitivo de que la extensión es estéril” (traducción) y la presenta como una cuestión que debía comprobarse.

y＝1 (cuando w₁x₁ ＋w₂x₂ ＋b＞0); en los demás casos, 0

x₁, x₂: entradas (0 o 1)
w₁, w₂: pesos
b: sesgo. w₁x₁ ＋w₂x₂ ＋b＝0 representa la frontera, esa “sola línea”

Lo que se cree saberLo que suele decirse: demostró que las redes neuronales no pueden resolver XOR (y por eso no sirven)
Según la fuente original:Lo que el libro demostró fueron los límites de las máquinas de una capa en las que cada componente observa un área limitada. La suposición de que las máquinas con más capas no serían útiles era, incluso en el libro, un juicio intuitivo.

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u05_xor_wall.py

# u05 直線 1 本の壁：パーセプトロンは「どちらか一方だけ」（XOR）を学習できない
#
# どの出来事か：1969 年、ミンスキーとパパートの本『パーセプトロンズ』（記録 perceptrons_book_1969）。
#   本が数学で示したのは、各部品が見る範囲を限った 1 段のパーセプトロンにはできないこと
#   （点の数が偶数か奇数か、図形がつながっているか など）。XOR（2 つの入力のうち片方だけが 1 なら 1）は
#   その一番小さな例で、本より前から知られていた。層を重ねたネットワークに広げても「実りがない」（訳）という見方は、
#   本の中でも「直観的な判断」だった。
# 仕組み：u03 と同じ学習の規則で、AND（かつ）と XOR を学習させる。AND はすぐ学習できるが、XOR は何回やっても重みの修正が続く。
#   2 つの入力を平面上の点と見ると、AND は直線 1 本で分けられるが、XOR は分けられないから。
# 試してみよう：
#   - ROUNDS を 100 にしても、XOR の誤りの数は 0 にならないか
#   - 層を重ねると解ける（→ u08 の backprop_xor）

ROUNDS = 12
CASES = [(0, 0), (0, 1), (1, 0), (1, 1)]

def train(target):
    w1 = w2 = bias = 0
    history = []
    for r in range(ROUNDS):
        errors = 0
        for a, b in CASES:
            out = 1 if w1 * a + w2 * b + bias > 0 else 0
            want = target(a, b)
            if out != want:
                d = want - out          # 正解との誤差（+1 か -1）
                w1 += d * a
                w2 += d * b
                bias += d
                errors += 1
        history.append(errors)
    return history, (w1, w2, bias)

for name, f in (("AND（かつ）", lambda a, b: a & b), ("XOR（どちらか一方だけ）", lambda a, b: a ^ b)):
    hist, w = train(f)
    print(f"{name}：1 周ごとの誤りの数 {hist}  最後の重み・バイアス {w}")

print("\n点の配置（1 が〇、0 が・）。AND は右上の 1 点だけを直線で切り取れる。XOR は斜めの 2 点で、直線 1 本では分けられない")
for name, f in (("AND", lambda a, b: a & b), ("XOR", lambda a, b: a ^ b)):
    print(f"  {name}:  b=1 → {'〇' if f(0, 1) else '・'} {'〇' if f(1, 1) else '・'}")
    print(f"        b=0 → {'〇' if f(0, 0) else '・'} {'〇' if f(1, 0) else '・'}   （左が a=0、右が a=1）")

041969 · Método de aprendizaje

Aun aprendiendo, XOR sigue sin resolverse

¿Qué ocurre si se sigue entrenando un perceptrón con XOR?

El método de aprendizaje del perceptrón ajusta ligeramente los pesos hacia la respuesta correcta solo cuando se equivoca. Si el problema se puede clasificar con una sola línea recta, repetir estos ajustes hace que los errores lleguen necesariamente a 0 en algún momento (teorema de convergencia del perceptrón).

La figura de la derecha muestra un ejemplo en el que se presentan los 4 puntos en cada ronda de aprendizaje. Con AND y OR, los errores llegan a 0 en unas pocas rondas y la frontera deja de moverse. Pero con XOR, la línea va y viene sin parar. Esto ocurre porque, dondequiera que se trace, siempre queda algún punto en el lado equivocado. Así se ve, desde el aprendizaje, lo que significa “no se puede separar linealmente”.

w ← w＋η（t − y）x

w, η: pesos y tasa de aprendizaje (eta)
t, y: respuesta correcta y salida del perceptrón
x: entrada. w se actualiza solo cuando hay un error (t ≠ y)

Antes de 1969, en 1967, Shun'ichi Amari, de la Universidad de Kyushu, ya había publicado una teoría del aprendizaje que ajustaba poco a poco los pesos según el error para acercarse a los pesos óptimos.

Número de errores en cada ronda

051973 · Explosión combinatoria

Decenas de veces más ramas por jugada

¿Dónde se atasca el método de “examinar todas las jugadas futuras”?

La base de la IA que resuelve juegos y rompecabezas consiste en enumerar todas las jugadas posibles, enumerar también todas las que vienen después y buscar el mejor camino (búsqueda). En el tres en raya hay un total de 255,168 secuencias de jugadas hasta el final de la partida. Una computadora puede contarlas rápidamente.

Sin embargo, al aumentar el número de jugadas en cada turno (el número de ramas) y la profundidad examinada, el número de secuencias crece como el número de ramas “elevado a la profundidad”. La figura de la derecha permite aumentar las ramas y la profundidad. Si hay 30 posibilidades en cada jugada, examinar solo 10 jugadas hacia adelante ya da 30 elevado a 10, unos 590 billones de secuencias.

El informe Lighthill de 1973 señaló como una de las principales razones de los problemas de la IA que no se había advertido esta explosión combinatoria.

número de secuencias ≈ b^d

b: número de ramas en cada jugada
d: profundidad examinada (número de jugadas)

Las cifras son “números hipotéticos”. En los juegos reales, el número de ramas cambia con cada jugada y distintos órdenes de jugadas pueden llevar a la misma posición.

Profundidad y número de secuencias (cada paso del eje vertical multiplica por 10)

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u05_explosion.py

# u05 組み合わせ爆発：全部を探索するやり方は、ゲームが大きくなると続かない
#
# どの出来事か：1973年のライトヒル報告（記録 lighthill_report_1973）は、AIがうまくいかない大きな理由として、
#   調べる組み合わせの数が爆発的に増えること（組み合わせ爆発）を挙げた。
# 仕組み：三目並べの「最後まで打ったゲーム」をすべて数える。次に、1手ごとの選択肢と手数から、
#   大規模なゲームの総数を掛け算で見積もる（仮定の数値による計算）。
# 試してみよう：
#   - 下の表の、1手あたりの選択肢の数（branch）とゲームの長さ（depth）を変えて、数がどう増えるか

import math

LINES = [(0, 1, 2), (3, 4, 5), (6, 7, 8), (0, 3, 6), (1, 4, 7), (2, 5, 8), (0, 4, 8), (2, 4, 6)]

def won(b):
    return any(b[i] != "." and b[i] == b[j] == b[k] for i, j, k in LINES)

def count_games(b, turn):
    if won(b) or "." not in b:
        return 1
    total = 0
    for i, c in enumerate(b):
        if c == ".":
            total += count_games(b[:i] + turn + b[i + 1:], "×" if turn == "〇" else "〇")
    return total

games = count_games(".........", "〇")
print(f"三目並べの、最後まで打ったゲームの数：{games:,}（1秒に1ゲーム探索すると約 {games / 86400:.1f} 日）")

print("\n1手あたり BRANCH 通りの選択肢があり、DEPTH 手続くゲームの数は BRANCH の DEPTH 乗（仮定の数値による計算）")
for branch, depth, note in ((9, 9, "三目並べを大きめに見積もった数"), (30, 20, "20手で打ち切る"), (30, 80, "チェスほどの規模（仮）"), (250, 150, "囲碁ほどの規模（仮）")):
    digits = depth * math.log10(branch)
    print(f"  BRANCH={branch:3d} DEPTH={depth:3d} → 約 10 の {digits:.0f} 乗  （{note}）")
print("\n1秒に10億ゲーム探索できるコンピュータでも、10の18乗ゲームで約32年かかる。全部を探索するやり方は、どこかで行き詰まる")

061972–1973 · Informe Lighthill

Un informe que dividió la IA en A, B y C

¿El informe británico dijo que toda la IA era inútil?

Por encargo de un organismo británico que financiaba la investigación, James Lighthill, una autoridad en mecánica de fluidos, examinó por sí solo la investigación en IA. El informe dividió la IA en 3 partes. A era la automatización de fábricas y similares; C, el estudio del cerebro y los nervios mediante computadoras; y B, un puente entre A y C centrado en la construcción de robots.

El informe consideró que A y C habían conseguido ciertos resultados. Lo que evaluó con dureza fue B y el objetivo de una IA capaz de hacerlo todo. El informe escribió: “En ninguna parte del campo… el gran impacto que se había prometido entonces” (traducción).

La parte superior de la figura de la derecha muestra la división del informe en A, B y C. La inferior es un reloj de las predicciones que aparecen en el informe. Sitúa en una escala de años las predicciones de los científicos que citaba el informe (la década de 1980 y el año 2000) y las previsiones del propio Lighthill (los siguientes 25 años). Al mover “Año actual” con el control deslizante, cambian de color las predicciones cuyo plazo ya ha pasado.

Lo que se cree saberLo que suele decirse:El informe Lighthill rechazó toda la IA
Según la fuente original:El informe reconocía resultados en A (automatización) y C (investigación del cerebro), y citaba el plan del Gobierno japonés para automatizar el montaje en fábricas como un ejemplo prometedor en la dirección de A.

071973 · Fuentes que discrepan

¿Cuándo se celebró el debate?

¿Qué se hace cuando las fuentes dan fechas distintas para el mismo acontecimiento?

Se celebró un debate público sobre el informe en la Royal Institution de Londres, y la BBC lo emitió como el programa de televisión . John McCarthy, Donald Michie y Richard Gregory respondieron a Lighthill.

Sin embargo, las fuentes discrepan sobre la fecha del debate. Un artículo de una revista de tecnología de 2025 indica el 9 de mayo, mientras que la página de la grabación de la Universidad de Edimburgo dice junio de 1973. Una nota de un artículo de un historiador de 1982 sitúa el debate el 4 de julio y la emisión el 30 de agosto. La revista de la BBC de aquella época incluía el anuncio de un acto en la Royal Institution el 4 de julio y una crítica televisiva que parece corresponder a un número de principios de septiembre.

La figura de la derecha ordena las fuentes según cuándo se escribieron: en aquella época o muchos años después. Este sitio adopta el 4 de julio para el debate (y el 30 de agosto para la emisión), porque coinciden las fuentes más cercanas a la época. Sin embargo, como no se ha podido consultar la programación de la BBC, el nivel de certeza sigue siendo “confirmado en un resumen”.

Para decidir una fecha, no se elige una de las dos sin fundamento. Se reúnen todas las fuentes y se distingue cuáles son de la época y cuáles son posteriores.

081971–1976 · Lenguaje hablado

Un programa cancelado pese a cumplir su objetivo

¿Cómo logró una computadora reconocer el habla continua?

Desde 1971, durante 5 años, el Departamento de Defensa de Estados Unidos (DARPA) aportó unos 3 millones de dólares anuales para apoyar la investigación de máquinas que comprendieran el habla continua. Los objetivos incluían 1,000 palabras, muchos hablantes y una tasa de error semántico inferior al 10%. En 1976, Harpy, de la Universidad Carnegie Mellon, manejaba 1,011 palabras con una tasa de error semántico del 5%, cumpliendo el objetivo.

Una de las técnicas de Harpy era la búsqueda en haz. En lugar de examinar todas las secuencias de palabras que podían encajar con los sonidos escuchados, conservaba solo unas pocas con las mejores puntuaciones y seguía avanzando. La figura de la derecha permite cambiar cuántas se conservan (la anchura del haz). Una anchura pequeña permite procesar más rápido, pero puede descartar la secuencia correcta por el camino.

Pese a ello, DARPA no financió un programa de continuación, y no retomó de forma plena la investigación sobre lenguaje hablado hasta 1984.

secuencias conservadas＝las W con mayor puntuación

W: anchura del haz (número de secuencias conservadas)
puntuación: valor que suma el grado de coincidencia entre sonidos y palabras (aquí son cifras creadas por este sitio)

Lo que se cree saberLo que suele decirse:La investigación en reconocimiento del habla de la década de 1970 fracasó y se canceló
Según la fuente original:Harpy había cumplido los objetivos iniciales (1,000 palabras y una tasa de error semántico inferior al 10%). Aun así, no hubo un programa de continuación.

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u05_beam_search.py

# u05 ビームサーチ：評価の高い候補をいくつか残して先へ進む
#
# どの出来事か：1971〜76 年のアメリカの、話し言葉を理解する研究計画と、CMU の Harpy（記録 darpa_speech_understanding_1971）。
#   Harpy の工夫の 1 つがビームサーチだった（CMU の 1977 年の報告）。
# 仕組み：各時刻で単語の候補と「音との合い方」の点数がある。2 語のつながりの良さも足す。
#   すべての組み合わせを調べる代わりに、点数の高い W 本だけを残して進む。点数はこのサイトが作った数。
# 試してみよう：
#   - W を 1・2・3 と変えて、正しい並び（あした の かいぎ は ごご から）にたどり着くか確かめる
#   - すべての並びの数と、実際に調べた並びの数を比べる

LATTICE = [
    [("あした", 5), ("あたし", 7), ("はした", 6)],
    [("の", 6), ("も", 5), ("に", 2)],
    [("かいぎ", 5), ("かいき", 6), ("かぎ", 4)],
    [("は", 7), ("わ", 6), ("が", 2)],
    [("ごご", 6), ("ここ", 5), ("ごみ", 2)],
    [("から", 7), ("まで", 3), ("だから", 4)],
]
BIGRAM = {("あした", "の"): 5, ("あたし", "の"): 1, ("はした", "の"): 1, ("あたし", "も"): 2, ("の", "かいぎ"): 5, ("も", "かいぎ"): 1, ("の", "かぎ"): 3,
          ("かいぎ", "は"): 4, ("かいき", "は"): 1, ("かぎ", "は"): 3, ("かぎ", "が"): 3, ("は", "ごご"): 4, ("は", "ここ"): 2,
          ("わ", "ここ"): 1, ("ごご", "から"): 4, ("ここ", "から"): 3, ("ここ", "まで"): 3}
RIGHT = ["あした", "の", "かいぎ", "は", "ごご", "から"]

for W in (1, 2, 3, 5):
    beams = [([], 0)]
    looked = 0
    for step in LATTICE:
        nxt = []
        for words, score in beams:
            for w, ac in step:
                bonus = BIGRAM.get((words[-1], w), 0) if words else 0
                nxt.append((words + [w], score + ac + bonus))
                looked += 1
        nxt.sort(key=lambda b: -b[1])
        beams = nxt[:W]
    best = beams[0][0]
    total = 1
    for step in LATTICE:
        total *= len(step)
    mark = "○ 正しい" if best == RIGHT else "× 違う"
    print(f"W={W}：{' '.join(best):<22} {mark}（調べた並び {looked} ／ 全体 {total}）")

091971 · Japón

Ajustar la velocidad del habla para comparar

La misma palabra “uno” (ichi en japonés) puede decirse rápido o despacio. ¿Cómo se comparan ambas formas?

Las personas pronuncian la misma palabra a distintas velocidades según el momento. Si se compara una voz guardada con la que se acaba de escuchar alineándolas directamente en el tiempo, una pequeña diferencia de velocidad hace que dejen de coincidir.

En 1971, Hiroaki Sakoe y Seibi Chiba, de NEC, presentaron un método para comparar voces tras alinear sus estiramientos y contracciones en el tiempo mediante programación dinámica: un cálculo que busca eficientemente el mejor de muchos caminos reutilizando los resultados intermedios. En la tabla de la figura de la derecha se busca el camino que indica qué instantes de las dos voces se corresponden. El camino va de la esquina inferior izquierda a la superior derecha, y solo puede avanzar hacia la derecha, hacia arriba o en diagonal.

En el artículo de 1971 se probaron 2,400 pronunciaciones de números de una cifra por 5 personas, y se reconoció correctamente un promedio del 99.8%.

D(i, j)＝d(i, j)＋min{ D(i−1, j), D(i, j−1), D(i−1, j−1) }

d(i, j): diferencia entre el punto i de la voz A y el punto j de la voz B
D(i, j): menor suma de diferencias a lo largo de un camino hasta ese punto

Actualmente también se llama DTW (alineación temporal dinámica). La misma idea se usa en la investigación actual sobre el habla y en la comparación entre datos.

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u05_dp_matching.py

# u05 DP マッチング：話す速さの違いを、動的計画法でそろえてから比べる
#
# どの出来事か：1971 年、NEC の迫江博昭・千葉成美の方法（記録 sakoe_chiba_dp_matching_1971）。
# 仕組み：D(i, j) = d(i, j) + min(D(i−1, j), D(i, j−1), D(i−1, j−1))。
#   d は 2 つの声の i 番目と j 番目の違い。表を左下から埋めていくと、右上の値が「そろえた時の違い」になる。
#   声はこのサイトが作った数の並び（「いち」の強さの形をまねたもの）。
# 試してみよう：
#   - SLOW（ゆっくり言った声）の並びを、もっと引き伸ばしてみる
#   - 先頭から順に比べた違いと、DP でそろえた違いを比べる

TEMPLATE = [0, 1, 3, 6, 8, 6, 3, 2, 4, 5, 4, 2, 0]          # 登録した音声
SLOW = [0, 1, 2, 3, 5, 6, 8, 8, 6, 5, 3, 2, 2, 3, 4, 5, 5, 4, 3, 2, 1, 0]   # ゆっくり発声した音声
OTHER = [0, 2, 5, 2, 0, 1, 6, 7, 6, 1, 0, 0, 0]              # 違う言葉の音声

def dp(a, b):
    INF = float("inf")
    D = [[INF] * len(b) for _ in a]
    for i in range(len(a)):
        for j in range(len(b)):
            d = abs(a[i] - b[j])
            if i == 0 and j == 0:
                D[i][j] = d
            else:
                D[i][j] = d + min(D[i - 1][j] if i else INF, D[i][j - 1] if j else INF, D[i - 1][j - 1] if i and j else INF)
    return D[-1][-1]

def naive(a, b):
    return sum(abs(x - y) for x, y in zip(a, b))

for name, voice in [("ゆっくり言った同じ言葉", SLOW), ("ちがう言葉", OTHER)]:
    print(f"{name}：先頭から順に比べた違い {naive(TEMPLATE, voice):3}　DP でそろえた違い {dp(TEMPLATE, voice):3}")
print("DP でそろえると、同じ言葉は違いが小さくなり、違う言葉は大きいまま残る")

101971–1980 · Plan nacional de Japón

Un gran plan de reconocimiento de patrones en invierno

¿Qué comenzó en Japón cuando se recortaban los presupuestos en Estados Unidos y el Reino Unido?

En 1971, el Ministerio de Comercio Internacional e Industria de Japón añadió el “sistema de procesamiento de información de patrones” (traducción) a sus grandes proyectos financiados con el presupuesto nacional. El plan consistía en desarrollar, con el Laboratorio Electrotécnico como centro y en colaboración con empresas privadas, computadoras que reconocieran caracteres, figuras y otros elementos (reconocimiento de patrones). En el Parlamento japonés también se describió como una “computadora de cuarta generación” (traducción).

La base del reconocimiento es comparar con una plantilla guardada de antemano. La figura de la derecha permite añadir ruido a un carácter o desplazarlo. Si se compara directamente con la plantilla, basta un pequeño desplazamiento para que baje la puntuación. Comparar mientras se desplaza la plantilla hace el reconocimiento más resistente. El tratamiento de ese “desplazamiento” conecta con el posterior neocognitrón (apartado 12 de este capítulo).

En la explicación dada al Parlamento al comienzo del plan se afirmó que “el Estado sufragará la totalidad, unos 35 mil millones de yenes durante ocho años” (traducción). Según una respuesta parlamentaria de 1985, los gastos de investigación por encargo en los ejercicios de 1971–1980 fueron de unos 22 mil millones de yenes.

Este sitio todavía no ha podido comprobar los informes sobre el contenido del plan: qué dispositivos se construyeron y qué se logró con ellos.

Cantidad de ruido y tasa de reconocimiento

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u05_template_ocr.py

# u05 パターン照合による文字認識：そのまま照合・ずらして照合
#
# どの出来事か：1971〜80 年度の日本の国家プロジェクト「パターン情報処理システム」（記録 pips_pattern_information_processing_1971）。
# 仕組み：7×7 マスの文字パターンを用意し、認識したい文字と 1 マスずつ照合する。一致率が最も高いパターンを答えにする。
#   位置をずらして照合すると、ずれに強くなる。文字パターンとノイズはこのサイトが作った例で、実際の手書き文字ではない。
# 試してみよう：
#   - NOISE を 0.2 にすると、それぞれの認識率はどうなるか
#   - SHIFT を 2 にしてみる

import random

random.seed(1971)
FONT = {
    "ア": ["#######", "......#", "...#.#.", "...#...", "...#...", "..#....", ".#....."],
    "イ": ["......#", ".....#.", "...##..", ".##.#..", "....#..", "....#..", "....#.."],
    "ウ": ["...#...", "#######", "#.....#", "......#", ".....#.", "...##..", ".##...."],
    "エ": [".......", "#######", "...#...", "...#...", "...#...", "#######", "......."],
    "オ": ["....#..", "#######", "...##..", "..#.#..", ".#..#..", "#...#..", "...##.."],
}
NOISE = 0.08
SHIFT = 1
TRIALS = 60

def grid(k):
    return [[1 if ch == "#" else 0 for ch in row] for row in FONT[k]]

def make(k):
    g = grid(k)
    img = [[0] * 9 for _ in range(9)]
    for y in range(7):
        for x in range(7):
            xx = x + 1 + SHIFT
            if 0 <= xx < 9:
                img[y + 1][xx] = g[y][x]
    return [[1 - v if random.random() < NOISE else v for v in row] for row in img]

def score(img, k, dx=0, dy=0):
    t = grid(k)
    s = 0
    for y in range(9):
        for x in range(9):
            ty, tx = y - 1 - dy, x - 1 - dx
            tv = t[ty][tx] if 0 <= ty < 7 and 0 <= tx < 7 else 0
            s += img[y][x] == tv
    return s

def read(img, shifted):
    if not shifted:
        return max(FONT, key=lambda k: score(img, k))
    return max(FONT, key=lambda k: max(score(img, k, dx, dy) for dx in range(-2, 3) for dy in range(-1, 2)))

ok_plain = ok_shift = 0
for _ in range(TRIALS):
    k = random.choice(list(FONT))
    img = make(k)
    ok_plain += read(img, False) == k
    ok_shift += read(img, True) == k
print(f"ノイズ {NOISE:.0%}・右へ {SHIFT} マスずれた文字を {TRIALS} 回認識すると")
print(f"  そのまま照合：{ok_plain / TRIALS:.0%}")
print(f"  ずらして照合：{ok_shift / TRIALS:.0%}")

111972 · Japón

Mostrar una parte para recordar el conjunto

¿Se puede construir una red neuronal que recuerde el conjunto a partir de una parte del recuerdo?

En 1972, Kaoru Nakano, de la Universidad de Tokio, presentó (traducción), un mecanismo que almacena la información como patrones de 0 y 1 distribuidos por toda la red y recuerda el conjunto cuando se le muestra una parte. Ese mismo año, Shun'ichi Amari también publicó una teoría que almacenaba los patrones como estados estables de una red.

La figura de la derecha es una red que ha memorizado 3 patrones. Se pueden pulsar las casillas para borrar partes del patrón o reducir la proporción que se muestra y, después, pulsar “Recordar (5 veces)”. Cuanto mayor es la parte mostrada, más preciso es el recuerdo; cuanto menor, más ambiguo. Si se aumenta el número de patrones almacenados, la red empieza a mezclarlos con otros y a cometer errores.

La regla para memorizar es: “si dos casillas son negras a la vez o blancas a la vez, se refuerza la conexión entre ellas”. Si son opuestas al mismo tiempo, se debilita. Tiene la misma forma que la idea de Hebb (1949) de que las conexiones entre las neuronas del cerebro se refuerzan cuanto más se activan a la vez.

w_ij ＝Σ_p x_i^p x_j^p　　x_i ← signo（Σ_j w_ij x_j）

x_i: casilla i (negra +1, blanca −1)
p: número del patrón almacenado
w_ij: fuerza de la conexión entre las casillas i y j

Lo que se cree saberLo que suele decirse:El primer modelo de memoria asociativa fue el de Hopfield de 1982
Según la fuente original:Kaoru Nakano y Shun'ichi Amari ya habían publicado sus modelos 10 años antes, en 1972. El Premio Kioto (2025) considera el modelo de Amari matemáticamente igual al de Hopfield, y la explicación del comité Nobel de 2024 también lo incluye en sus referencias (sin mencionar su nombre en el texto principal).

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u05_associatron.py

# u05 一部を見せると全体を思い出すネットワーク（中野さんのアソシアトロン・甘利さんの 1972 年の考え方）
#
# どの出来事か：1972 年、東京大学の中野馨「アソシアトロン」（記録 nakano_associatron_1972）と、
#   同じ年の甘利俊一の理論（記録 amari_associative_memory_1972）。パターンをネットワーク全体に分散して記憶し、一部を見せると
#   全体を思い出す。1982 年のホップフィールド・ネットワークと同じ形の考え方で、日本の方が 10 年早かった。
# このサンプルの仕組み：パターンを +1（黒）と -1（白）の並びにし、「同時に黒・同時に白なら結びつきを強く」と
#   足し合わせた行列（相関行列）に記憶する。思い出す時は、見えない部分を 0 にして行列を掛け、符号を取る。
#   ※ 1972 年の論文そのままの実装ではなく、同じ考え方の小さなモデル。
# 試してみよう：
#   - SHOW（見せる割合）を下げると、どこから思い出せなくなるか
#   - 記憶するパターンの数を増やすと、誤りが増える（最後の表）

import random

random.seed(1972)
SIZE = 7
PATTERNS = {
    "十": ["...#...", "...#...", "...#...", "#######", "...#...", "...#...", "...#..."],
    "口": ["#######", "#.....#", "#.....#", "#.....#", "#.....#", "#.....#", "#######"],
    "Ｘ": ["#.....#", ".#...#.", "..#.#..", "...#...", "..#.#..", ".#...#.", "#.....#"],
}
N = SIZE * SIZE

def vec(rows):
    return [1 if ch == "#" else -1 for row in rows for ch in row]

def learn(pats):
    M = [[0] * N for _ in range(N)]
    for p in pats:
        for i in range(N):
            for j in range(N):
                if i != j:
                    M[i][j] += p[i] * p[j]
    return M

def recall(M, x, steps=3):
    for _ in range(steps):
        x = [1 if sum(M[i][j] * x[j] for j in range(N)) >= 0 else -1 for i in range(N)]
    return x

def draw(x):
    return ["".join("■" if x[r * SIZE + c] > 0 else ("・" if x[r * SIZE + c] < 0 else "？") for c in range(SIZE)) for r in range(SIZE)]

pats = {k: vec(v) for k, v in PATTERNS.items()}
M = learn(pats.values())

SHOW = 0.4   # 見せる割合（残りは「？」＝分からない部分）
target = pats["口"]
known = set(random.sample(range(N), int(N * SHOW)))
partial = [target[i] if i in known else 0 for i in range(N)]
out = recall(M, partial)
print(f"「口」の {SHOW:.0%} だけ見せる → 思い出したパターン（{sum(o == t for o, t in zip(out, target))}/{N} マス 正解）")
for a, b in zip(draw(partial), draw(out)):
    print(f"   {a}   →   {b}")

print("\n見せる割合と、正しく思い出せたマスの割合（3 つのパターン × 20 回の平均）")
for show in (0.1, 0.2, 0.3, 0.5, 0.7):
    ok = 0
    for _ in range(20):
        for p in pats.values():
            kn = set(random.sample(range(N), int(N * show)))
            o = recall(M, [p[i] if i in kn else 0 for i in range(N)])
            ok += sum(a == b for a, b in zip(o, p))
    print(f"  {show:.0%} 見せる → {ok / (20 * 3 * N):.0%}")

print("\nランダムなパターンをたくさん記憶させると（半分見せて思い出す、各 10 回の平均）")
for k in (2, 4, 6, 8, 12):
    ok = 0
    for _ in range(10):
        rnd = [[random.choice((1, -1)) for _ in range(N)] for _ in range(k)]
        Mk = learn(rnd)
        p = rnd[0]
        kn = set(random.sample(range(N), N // 2))
        o = recall(Mk, [p[i] if i in kn else 0 for i in range(N)])
        ok += sum(a == b for a, b in zip(o, p))
    print(f"  {k:2d} 個記憶したネットワーク → {ok / (10 * N):.0%} 正解")

121975 · Japón

Una red que se organiza sin maestro

¿Puede desarrollarse una red sin indicar a cada célula “responder de esta manera”?

En 1975, Kunihiko Fukushima, de los laboratorios de investigación de NHK, mostró un mecanismo por el que una red neuronal de muchas capas se organizaba por sí sola, sin un maestro que indicara en detalle cómo debía responder cada célula. Lo llamó .

La clave es la competencia entre las células. Según el resumen del artículo, las conexiones hacia una célula se refuerzan solo cuando no hay cerca otra célula que responda con más fuerza. La figura de la derecha muestra esta idea en su forma más sencilla. Aparecen puntos uno tras otro, y solo la célula más cercana (el círculo de color) se acerca un poco al punto. Al repetirlo, las células se distribuyen y se instalan en los centros de los grupos de puntos. Sin recibir las respuestas, pasan a encargarse de elementos parecidos entre sí.

solo para la célula más cercana k: m_k ← m_k ＋η（x − m_k）

x: punto que llega
m_k: lugar del que se encarga la célula k
η: velocidad de acercamiento

En las pruebas por computadora, las capas más profundas se encargaban de áreas más amplias, y las células de la última capa solo respondían a patrones específicos. La idea de que “solo aprende el ganador” también se relaciona con el posterior k-means (capítulo 9).

131979 · Japón

Reconocer la forma pese al desplazamiento

¿Deja una máquina de leer un carácter solo porque se ha desplazado un poco hacia la derecha?

En 1979, Kunihiko Fukushima desarrolló el cognitrón y presentó el “neocognitrón” (traducción), una red neuronal que reconocía caracteres aunque cambiaran de posición o su forma se deformara un poco. Inspirándose en la investigación sobre la visión del cerebro, apiló muchas capas de células S, que detectan características de las formas, y de células C, que absorben los desplazamientos de posición.

Una célula S busca características como una “esquina” o una “línea” a través de una pequeña ventana. Las células de un mismo plano tienen la misma ventana, desplazada de posición (lo que hoy se llama convolución). Una célula C responde si responde alguna de las células S cercanas (lo que hoy se llama agrupación o pooling). En la figura de la derecha, aunque el carácter se desplace 1 casilla desde el centro hacia la izquierda o la derecha, la respuesta de la célula C del recuadro seleccionado no cambia. Si se cruza el límite del recuadro, la respuesta cambia incluso con un desplazamiento de 1 casilla.

La explicación del Premio Nobel de Física de 2024 cita esta investigación como el origen de la IA actual de reconocimiento de imágenes (CNN).

célula S: s(x, y)＝Σ ventana × entrada (alrededor de la posición x, y)　célula C: c＝max (s cercanas)

ventana: plantilla de una característica de la forma (3×3)
max: valor más grande

Lo que se cree saberLo que suele decirse:La IA de reconocimiento de imágenes (CNN) comenzó hacia 1989 en Estados Unidos
Según la fuente original:Fukushima ya había publicado en 1979 una red que reutilizaba las mismas conexiones en distintas posiciones. Sin embargo, el neocognitrón usaba aprendizaje no supervisado; fueron LeCun y sus colaboradores quienes lo combinaron con la retropropagación del error.

Este código Python reproduce el mismo mecanismo que “Explorar”. Al pulsar ▶ Ejecutar, el resultado aparece debajo. Se pueden cambiar los números y volver a ejecutarlo.

u05_s_and_c_cells.py

# u05 S 細胞と C 細胞：位置がずれても形で認識する
#
# どの出来事か：1979 年、福島邦彦の「ネオコグニトロン」（記録 fukushima_neocognitron_1979）。
# 仕組み：S 細胞は小さな窓（3×3）で「横線」を探す（同じ窓を位置だけずらして適用する＝畳み込み）。
#   C 細胞は、3×3 の範囲の S 細胞のどれかが反応していれば反応する（プーリング）。
#   文字を 1 マスずらすと、S 細胞の反応位置は動くが、C 細胞の反応はあまり変わらない。
# 試してみよう：
#   - 窓を縦線用にかえる（KERNEL を縦向きに）
#   - SHIFT を 2 や 3 にすると、C 細胞の反応はどれくらい変わるか

N = 12
SHAPE = ["#######", "...#...", "...#...", "...#..."]   # T の形
KERNEL = [[-1, -1, -1], [2, 2, 2], [-1, -1, -1]]      # 横線の窓（フィルター）
SHIFT = 1

def image(dx):
    g = [[0] * N for _ in range(N)]
    for y, row in enumerate(SHAPE):
        for x, ch in enumerate(row):
            if ch == "#":
                g[y + 3][x + 2 + dx] = 1
    return g

def s_cells(g):
    out = [[0] * N for _ in range(N)]
    for y in range(1, N - 1):
        for x in range(1, N - 1):
            s = sum(KERNEL[a][b] * g[y + a - 1][x + b - 1] for a in range(3) for b in range(3))
            out[y][x] = max(0, s)
    return out

def c_cells(s):
    return [[max(s[y * 3 + a][x * 3 + b] for a in range(3) for b in range(3)) for x in range(N // 3)] for y in range(N // 3)]

def show(m):
    return "\n".join("   " + "".join("■" if v > 0 else "・" for v in row) for row in m)

for dx in (0, SHIFT):
    c = c_cells(s_cells(image(dx)))
    print(f"文字を右へ {dx} マス：C 細胞（横線）の反応\n{show(c)}\n")
a = [v > 0 for row in c_cells(s_cells(image(0))) for v in row]
b = [v > 0 for row in c_cells(s_cells(image(SHIFT))) for v in row]
print(f"C 細胞の反応が一致した割合：{sum(x == y for x, y in zip(a, b)) / len(a):.0%}")

141970–1973 · Japón

Una computadora encuentra ojos, nariz y boca

¿Dónde están los ojos y la boca en una foto? ¿Cómo los encuentra una computadora?

En la Expo de Osaka de 1970, el espectáculo de NEC (traducción) fotografiaba las caras de los visitantes con una cámara de televisión. La computadora encontraba automáticamente cada parte de la cara y respondía con uno de los 21 “tipos básicos de personalidad” (traducción) (no se puede afirmar que la idea de deducir la personalidad a partir de la cara tenga respaldo científico).

En 1973, Takeo Kanade, de la Universidad de Kioto, creó un programa que encontraba automáticamente ojos, nariz y boca en fotografías de caras, y lo probó con unas 800 fotos (688 de ellas recogidas en la Expo). Una de las pistas que su artículo utilizaba repetidamente era la suma de la oscuridad de una franja estrecha de la foto (proyección integral). Como los ojos y la boca son oscuros, al sumar en sentido horizontal, aparece un pico en la gráfica a esa altura.

Al mover las partes de la cara en la figura de la derecha, se desplazan los picos de las gráficas de las sumas horizontales y verticales, y las líneas que marcan las posiciones encontradas los siguen. Otra característica del artículo de Kanade era la posibilidad de volver a una etapa anterior e intentarlo de nuevo cuando algo no funcionaba.

suma horizontal H(y)＝Σ_x oscuridad(x, y)

oscuridad(x, y): oscuridad de la foto en la posición (x, y)
altura donde H(y) es grande: altura donde están los ojos o la boca

Lo que se cree saberLo que suele decirse:El artículo de Takeo Kanade de 1973 fue el primer trabajo de reconocimiento facial del mundo
Según la fuente original:A principios de la década de 1960 ya había investigaciones en Estados Unidos sobre identificación de caras por computadora. Lo que caracteriza al artículo de Kanade es que comprobó el análisis automático, incluidos los reintentos, con unas 800 fotografías de caras.

Oscuridad sumada en sentido horizontal (a cada altura)

151973 · Japón

Caminar sobre 2 piernas sin caer

¿Por qué no se cae un robot de 2 piernas?

En 1973, un grupo de la Universidad de Waseda encabezado por Ichiro Kato construyó el robot humanoide WABOT-1. Caminaba sobre 2 piernas hidráulicas, sujetaba objetos con ambas manos, localizaba objetos con ojos artificiales y reconocía órdenes en japonés pronunciadas por segmentos, a las que respondía con voz. Según el informe, podía llevar una carga de 20 kg, caminar en línea recta y girar siguiendo órdenes de voz.

La condición básica para que un robot que camina despacio no caiga es que el punto situado justo debajo del centro de gravedad quede dentro del área donde los pies tocan el suelo (área de apoyo). La figura de la derecha permite mover el centro de gravedad. Si el punto que queda debajo sale del área, el robot cae. Al levantar un pie, el área de apoyo se reduce; por eso, primero se desplaza el centro de gravedad sobre la pierna de apoyo y después se levanta el otro pie.

no cae ⇔ el punto bajo el centro de gravedad está dentro del área de apoyo

área de apoyo: área delimitada por las plantas de los pies que tocan el suelo

La figura animada muestra una “marcha lenta” en la que solo se considera el centro de gravedad. Para caminar rápido también hay que tener en cuenta el impulso.

Lo que se cree saberLo que suele decirse:WABOT-1 fue el primer humanoide del mundo
Según la fuente original:Esa es la valoración de la propia Universidad de Waseda. El informe de 1973 no se proclama “primero en el mundo” (traducción): define un robot como una máquina con manos, piernas y cabeza que se mueven por sí mismas, y afirma haber construido una que cumple esas condiciones.

161970 · Japón

¿Inquieta parecerse demasiado a una persona?

¿Un robot resulta más cercano cuanto más se parece a una persona?

En 1970, Masahiro Mori, del Instituto de Tecnología de Tokio, escribió el ensayo (traducción) para un número especial de una revista publicada por una empresa petrolera. Cuanto más se parecen el aspecto y los movimientos de un robot a los de una persona, mayor es la afinidad que despierta. Pero justo antes de llegar a ser casi idéntico a una persona, hay un valle donde de pronto resulta inquietante. Mori representó esta idea en una gráfica.

La figura de la derecha dibuja la forma de esa idea: este sitio la trazó a partir de la forma de la figura original de Mori. Las cifras representan la intuición de Mori; no son valores medidos. Al mover “Parecido humano” con el control deslizante, se ve dónde se entra en el valle. Mori escribió que, al añadir “Movimiento”, el valle se vuelve todavía más profundo.

Además, Mori recomendó a quienes diseñaban robots apuntar a , un parecido humano moderado, en lugar de intentar cruzar el valle para lograr una copia exacta de una persona.

Lo que se cree saberLo que suele decirse:El valle inquietante es una ley científica comprobada mediante experimentos
Según la fuente original:Su origen fue un ensayo de 3 páginas publicado en 1970 en la revista de una empresa petrolera, y la gráfica se basaba en la intuición de Mori. En 2012, él mismo dijo que era más un consejo para quienes diseñaban robots que una afirmación científica.

171969 · IA simbólica

¿Hay que escribir también lo que no cambia?

Si se escribe “se movió la caja”, ¿qué se supone que ocurrió con los demás objetos?

En la IA que representa el mundo con fórmulas lógicas y planifica acciones, hay que escribir uno por uno tanto lo que cambia con una acción como lo que no cambia. En 1969, John McCarthy y Patrick Hayes llamaron a esta dificultad . Si hay n acciones y m cantidades que describen el estado, podría ser necesario escribir m × n condiciones de que algo no cambia.

La figura de la derecha permite aumentar los objetos de la habitación y las acciones. Cuando “el robot empuja la caja”, cambia la posición de la caja. Sin embargo, no cambian el color de la luz, el estado abierto o cerrado de la puerta ni la posición de la mesa. Si se escribe todo eso, el número de afirmaciones aumenta al multiplicar las acciones por los objetos.

número de afirmaciones “no cambia” que hay que escribir ≈ m × n

m: cantidades que describen el estado (número de objetos, etc.)
n: tipos de acciones

Lo que se cree saberLo que suele decirse:El problema del marco es la dificultad de que la IA no puede distinguir lo relevante de lo irrelevante
Según la fuente original:En el artículo original de 1969 aparecía como un problema técnico: tener que escribir uno por uno los hechos que no cambian. El sentido más amplio es una interpretación que los filósofos añadieron después.

181973–1978 · Criterio de medida

En invierno, los miembros se triplicaron

Cuando disminuyeron los fondos, ¿disminuyó también el número de investigadores?

El historiador Thomas Haigh (2023) sostuvo que , basándose, entre otros datos, en que los miembros de SIGART, el grupo de interés en IA de la asociación de informática ACM, casi se triplicaron: pasaron de 1,241 en 1973 a 3,500 en 1978.

La figura de la derecha superpone las franjas del de cada fuente a la línea del número de miembros. Al cambiar de franja, se ve que los años en que aumentaban los miembros coinciden con los años llamados invierno. Es cierto que, en la década de 1970, se redujeron los fondos de algunos laboratorios británicos y de las investigaciones sobre habla y robots en Estados Unidos. Sin embargo, no se puede afirmar que se contrajera todo el mundo de la investigación.

Al cambiar el criterio de medida, cambia la respuesta. ¿Se considera el dinero de los grandes laboratorios, el número de personas que investigan o el uso de las palabras?

El número de miembros solo se ha confirmado para 2 puntos: 1973 y 1978. Este sitio no ha comprobado las cifras de los años intermedios, por lo que la línea solo une esos 2 puntos.

191980 · Significado

¿Seguir reglas para responder es comprender?

¿Una máquina que devuelve respuestas correctas comprende su significado?

En 1980, el filósofo John Searle presentó un experimento mental. Se imaginó encerrado en una habitación sin saber chino, respondiendo en chino a preguntas en ese idioma que le pasaban desde fuera, con la única ayuda de un libro de reglas escrito en inglés. Aunque desde fuera no se pudiera distinguir de una persona que comprendiera chino, él, dentro de la habitación, no entendía nada. Por eso sostuvo que tampoco se puede afirmar que una computadora que solo manipula símbolos siguiendo un programa comprenda el significado.

La figura de la derecha es esa habitación. Al elegir una pregunta, la persona que está dentro observa solo la forma de los símbolos, consulta el libro de reglas y devuelve los símbolos de la respuesta. También se puede ver el contenido del libro, pero en ninguna parte aparece el “significado”.

Este artículo se publicó en una revista académica junto con objeciones y comentarios de 27 personas. La misma pregunta se dirige también a la IA actual que genera textos y todavía no está resuelta.

Por la misma época, Joseph Weizenbaum, creador de ELIZA, escribió en su libro (1976) que, aparte de si una tarea se puede realizar, hay trabajos que no deberíamos dejar en manos de las máquinas.

Para terminar

Lo que aún no se sabe en este capítulo

Todavía no se han encontrado cifras que permitan comparar los fondos de investigación en IA de la década de 1970 por país y por año. La respuesta a si hubo un cambia según el criterio de medida: el dinero de los grandes laboratorios, los miembros de las asociaciones científicas o el número de palabras.

Las fuentes también discrepan sobre si detuvo la investigación en redes neuronales, y no se puede dar una respuesta definitiva. Desde 1980 hasta hoy sigue el debate sobre si una máquina que solo ordena símbolos según reglas puede decirse que “comprende el significado”.

Y las semillas que crecieron en Japón durante ese invierno (Associatron, el neocognitrón y la comparación mediante programación dinámica) apenas aparecen por su nombre en los principales libros en inglés sobre la historia de la IA. En el siguiente capítulo comienza el segundo auge, con una IA en la que se incorporan los conocimientos de los expertos.

Otros acontecimientos de este capítulo (1; todos con fuentes originales y grados de certeza)

1977Confirmado en resúmenesLas fuentes discrepanJapón

El robot de soldadura por arco totalmente eléctrico “Motoman-L10” de Yaskawa Electric — ¿A qué corresponden 1975, 1976 y 1977 en las fuentes?

Yaskawa Electric (entonces Yaskawa Electric Manufacturing) empezó a desarrollar robots eléctricos hacia 1972 y presentó el primer Motoman en la exposición de robots de 1974. La empresa lo considera el primer robot industrial totalmente eléctrico de Japón (movido solo por motores eléctricos, en lugar de sistemas hidráulicos o neumáticos), pero su alto precio y otros factores impidieron su comercialización. Después creó el Motoman-L10, de 5 ejes con articulaciones verticales, dispuestas como las de un brazo humano, capaz de transportar hasta 10 kg (el 10 de L10 indica ese peso). Lo especializó en soldadura por arco (un método que funde y une metales con las chispas de una descarga eléctrica entre electrodos). Para controlarlo utilizó un microprocesador (una pequeña computadora). En 1977, la planta de Nakatsu de Yorozu Automotive (actual Yorozu), en Nakatsu, prefectura de Oita, decidió comprarlo: se cerró el primer pedido y se entregó como producto. Sobre la fecha del L10, el resumen del Instituto de Invención e Innovación indica 1975, mientras que el Patrimonio de la Ingeniería Mecánica de la Sociedad Japonesa de Ingenieros Mecánicos (n.º 76, reconocido en 2015) indica 1977. Al consultar y ordenar las fuentes, 1975 y 1976 aparecen como años de desarrollo y 1977 como el año del primer pedido y de la primera entrega.

Lo que suele decirse:Se escribe a menudo que el Motoman-L10 fue el primer robot industrial totalmente eléctrico de Japón (Patrimonio de la Ingeniería Mecánica, base de datos del Museo Nacional de Naturaleza y Ciencia y Yaskawa Electric 2021)
Según la fuente original:El relato técnico de Yaskawa Electric y el artículo de 2017 en la revista de la Sociedad Japonesa de Ingenieros Mecánicos, escrito por personal de Yaskawa, atribuyen ese lugar al primer Motoman presentado en la exposición de robots de 1974 (distinto del L10). Describen el L10 como la máquina rediseñada tras aquel primer modelo que no llegó a comercializarse, y vendida (entregada) por primera vez en 1977. La primera máquina presentada y la primera vendida son distintas. También describen 1975 y 1976 como años de desarrollo y 1977 como el de los pedidos y las entregas.

Lo que aún no se sabe:No se sabe a qué corresponde 1975 (inicio del diseño, finalización del prototipo o presentación externa). Este sitio no ha podido consultar la fuente de Kusuda (2004), un artículo de la revista “robot” (ロボット), vol.19 de 1978, ni el informe técnico de Yaskawa Electric de 1978, (産業用ロボットMotoman-L). Las fuentes también difieren en las ventas: 2,000 unidades en 2 años o unas 1,700 posteriormente.

8 fuentes originales y cómo se verificaron

Discrepancias entre las fuentes:Fechas: 1975 (Kusuda 2004 indica “(1975)”; las “100 innovaciones del Japón de posguerra” del Instituto de Invención e Innovación lo citan como “(año 1975)”) / desarrollado en 1976 (Kodaira 2025, edición del ejercicio 2024 del Museo Nacional de Naturaleza y Ciencia) / 1977 (relato técnico de Yaskawa Electric: cierre del primer pedido; Yaskawa Electric 2021: entrega; revista de la Sociedad Japonesa de Ingenieros Mecánicos 2017: comercialización y entrega como producto; Patrimonio de la Ingeniería Mecánica n.º 76: desarrollo y venta; base de datos del Museo Nacional de Naturaleza y Ciencia: año de fabricación). Ventas: 2,000 unidades en 2 años (Kusuda 2004) / unas 1,700 posteriormente (revista de la Sociedad Japonesa de Ingenieros Mecánicos 2017). Presentación del robot eléctrico articulado de otra empresa que sirvió de modelo: 1973 (el relato técnico de Yaskawa no nombra a la otra empresa; Kodaira 2025 indica fabricante europeo, IRB 6) / 1974 (Kusuda 2004, IRB-6 de ASEA). Primer robot totalmente eléctrico de Japón: el primer Motoman de 1974 (relato técnico de Yaskawa y revista de la Sociedad Japonesa de Ingenieros Mecánicos 2017) / L10 de 1977 (Patrimonio de la Ingeniería Mecánica; la frase “el primer robot industrial totalmente eléctrico de Japón” de Yaskawa Electric 2021 se refiere a la entrega del L10).

Robots | Relatos técnicos | Tecnología | Yaskawa Electric (Nacimiento de MOTOMAN) (ロボット｜技術物語｜テクノロジー｜安川電機（MOTOMANの誕生）) (Yaskawa Electric Corporation · Nacimiento de MOTOMAN / primera unidad de MOTOMAN presentad… · Recuerdo posterior de la propia persona)
Patrimonio de la Ingeniería Mecánica n.º 76: Robot industrial totalmente eléctrico “Motoman-L10” (機械遺産第76号全電気式産業用ロボット「モートマン-L10」), revista de la Sociedad Japonesa de Ingenieros Mecánicos, vol. 120, n.º 1183, junio de 2017, pp.42-43 (Kenichi Yasuda (Departamento de Tecnología Robótica, Laboratorio de Desarrollo e Investigación, Yaskawa Electric Corporation) · 2017 · p.42 1. Motoman-L10 / 2. Contexto del desarrollo · Recuerdo posterior de la propia persona)
Las entregas acumuladas de robots industriales MOTOMAN alcanzan 500,000 unidades (産業用ロボットＭＯＴＯＭＡＮ（モートマン）累積出荷台数50万台達成), anuncio de Yaskawa Electric, 2021-03-30 (Yaskawa Electric Corporation · 2021 · Primer párrafo del texto / 1. Historia de los robots indust… · Recuerdo posterior de la propia persona)
Patrimonio de la Ingeniería Mecánica n.º 76 (reconocido en 2015): Robot industrial totalmente eléctrico “Motoman-L10” (機械遺産第76号（2015年認定）全電気式産業用ロボット「モートマン-L10」), Sociedad Japonesa de Ingenieros Mecánicos (Sociedad Japonesa de Ingenieros Mecánicos (asociación incorporada) · 2015 · Texto principal · Resumen secundario)
MOTOMAN-L10 (base de datos de materiales de historia de la tecnología industrial, número de material 101890081011) (Centro de Información de Materiales de Historia de la Tecnología Industrial, Museo Nacional de Naturaleza y Ciencia (organización que realizó el estudio: Asociación Japonesa de Robots) · Año de producción (fabricación) / características · Resumen secundario)
Estudio sistemático del desarrollo de la tecnología de robots industriales (産業用ロボット技術発展の系統化調査), Museo Nacional de Naturaleza y Ciencia, informes de estudios de sistematización de la tecnología, vol. 4, marzo de 2004 (Yoshihiro Kusuda · 2004 · p.21-22 4.3 Período de estancamiento (finales de la década de 1970)… · Resumen secundario)
Estudio sistemático de la tecnología de robots industriales (edición del ejercicio 2024) (産業用ロボット技術の系統化調査（2024年度版）), Museo Nacional de Naturaleza y Ciencia, informes de estudios de sistematización de la tecnología, Vol.34, marzo de 2025 (Norio Kodaira · 2025 · p.134 4.1.3 Competencia entre los principales fabricantes japones… · Resumen secundario)
100 innovaciones del Japón de posguerra, período de alto crecimiento: Robot industrial, antecedentes de la innovación y referencias (戦後日本のイノベーション100選高度経済成長期「産業用ロボット」イノベーションに至る経緯・参考文献等), Instituto Japonés de Invención e Innovación (Instituto Japonés de Invención e Innovación (asociación de interés público) · Antecedentes de la innovación (notas 17–19) / referencias · Resumen secundario)