70 Años de Evolución de la IA: De la Teoría a la Materialización en Robots
Rastreando el viaje de la IA desde las ideas de Turing y la primera conferencia de Dartmouth hasta los modernos modelos de lenguaje grandes y la robótica. Observando que hoy la IA está pasando del procesamiento de texto a la multimodalidad y capacidades de razonamiento.
70 Años Después: Por Qué la IA Finalmente 'Superó' el Texto pero Sigue Sin Ser Humana
Los artículos de aniversario siempre estiran un poco la verdad. Parece como si la evolución de la IA desde la Conferencia de Dartmouth de 1956 hasta los modelos multimodales actuales hubiera sido una marcha suave y progresiva donde cada etapa sigue lógicamente a la anterior. En realidad, la historia de la IA está llena de decepciones catastróficas, 'inviernos' y avances aleatorios que ocurrieron cuando menos se esperaban. Y el cambio actual del procesamiento de texto a la multimodalidad y el 'razonamiento' no es solo otro paso: es un cambio tectónico que la industria no sabe cómo evaluar adecuadamente.
La clave no obvia que se pierde en medio del pomposo 'evolución' es esta: Durante 70 años intentamos hacer que la IA fuera similar a los humanos, pero ahora hemos descubierto que el verdadero valor reside en que la IA sea no humana, sino una herramienta de ingeniería perfecta. Los sueños de Dartmouth de un pensamiento humanoide nos llevaron a los LLM que alucinan, engañan y generan demandas. Mientras tanto, una vía paralela —IA física, sistemas agentivos, IA para la ciencia— de repente ha demostrado ser mucho más práctica y rentable. Simplemente no nos dimos cuenta al principio.
El Núcleo: Lo Que Realmente Está Sucediendo
La IA actual no es una 'superinteligencia' sino un enorme compromiso de ingeniería. Sí, los modelos modernos han pasado del texto a imágenes, video e incluso planificar acciones en el mundo físico. Reka y Moonvalley se están uniendo para desarrollar un World Language Action Model entrenado con datos egocéntricos y que simula física para que los robots puedan 'comprender las consecuencias antes de actuar'. ABB Robotics anunció Physical AI Toolchain, un stack de software desde la simulación hasta la ejecución industrial que permite a los robots aprender de datos sintéticos y transferir ese aprendizaje al mundo real con 'precisión industrial'. Esto suena como un avance.
Pero detrás de esta fachada hay una dura realidad. La IA física hoy es una herramienta costosa, compleja y altamente especializada. ABB ha estado en robótica durante años, y su Physical AI Toolchain es una evolución de su propia plataforma, no una revolución que se pueda comprar 'lista para usar'. Reka reclutó un equipo de DeepMind, pero su modelo solo promete 'razonar y actuar', sin implementaciones industriales aún. Y según una encuesta de Mayfield, el 58% de las empresas citan la 'preparación de datos' como el principal cuello de botella para adoptar IA agentiva. Los datos, no los algoritmos, son donde está la verdadera batalla ahora.
La segunda tendencia importante: la IA ya no es un juego solo para gigantes. La startup china DeepSeek demostró que se puede construir un modelo competitivo con significativamente menos dinero. Mientras tanto, la empresa de diseño de proteínas moleculares Molecule-Mind (China) recaudó más de $100 millones en inversión y demuestra que la IA para la Ciencia (IA4C) se está convirtiendo en una industria independiente, separada de la carrera de los LLM. Su modelo MMFold, según la empresa, supera a AlphaFold 3 de Google en la predicción de estructuras de anticuerpos. Esto significa que China está apuntando seriamente a un nicho donde EE. UU. lidera actualmente (Google DeepMind), pero donde China tiene programas estatales y un enorme mercado biotecnológico.
Cronología y Contexto
¿Cómo llegamos aquí? Veamos hitos clave de los últimos dos años que cambiaron el juego:
2024: Europa aprueba la Ley de IA, el primer regulador estricto del mundo. Todos se ríen de que es demasiado lenta para una tecnología tan dinámica. Resulta que fue demasiado rápida: para 2026, las empresas están en pánico y desactivando funciones para los europeos.
2025: El regreso de Trump y la derogación de las órdenes ejecutivas de seguridad de IA de Biden. EE. UU. apuesta por la desregulación y la inversión privada: $500 mil millones para infraestructura. Mientras tanto, China lanza el programa 'Datos del Este, Computación del Oeste': una red nacional de centros de datos que operan como una sola supercomputadora. Dos enfoques completamente diferentes para el mismo problema.
Principios de 2026: OpenAI presenta un S-1 confidencial ante la SEC para una OPI valorada quizás en $1 billón. Anthropic hace lo mismo una semana antes. El mercado de IA alcanza el pico de hype. Pero al mismo tiempo, TrendForce advierte: los envíos del chip Rubin de NVIDIA pueden retrasarse debido a problemas con la memoria HBM4, refrigeración e interconexiones de red, y la participación de Rubin en los envíos cae del 29% al 22%. Esto significa que incluso NVIDIA no puede superar la física: la refrigeración, la energía y las interconexiones se convierten en factores limitantes.
Marzo de 2026: El caso Nippon Life vs. OpenAI. Un juez considera una demanda de $10 millones que alega que ChatGPT 'ejerció la abogacía': ayudó a un ex cliente a redactar 44 documentos judiciales después de que el caso se cerrara. Un documento contenía un precedente legal inventado, 'Carr v. Gateway'. Esta es la primera vez que se acusa a un desarrollador de IA de ejercicio no autorizado de la abogacía a través de un producto de consumo. Si la demanda sobrevive a una moción de desestimación, cambiará las reglas del juego para todas las empresas de IA.
Junio de 2026: ABB Robotics presenta Physical AI Toolchain en Automate 2026. Reka y Moonvalley anuncian una fusión para IA física. Japón lanza el programa ARiSE (AI to Redesign Scientific Exploration) con un presupuesto aún no revelado, pero es una iniciativa emblemática. Estos son los mismos 70 años de evolución que nos han llevado a un punto donde la IA comienza a interactuar verdaderamente con el mundo.
Quién Gana y Quién Pierde
Ganadores: empresas con integración vertical y datos:
- Google DeepMind aún lidera en investigación fundamental, especialmente AlphaFold y multimodalidad. Su integración con Android y Chrome les da el 27.7% del mercado de LLM: una ventaja estructural que no se puede simplemente 'alcanzar' tecnológicamente.
- ABB Robotics: un ejemplo único de un gigante industrial que convierte la IA física en un producto real. Su Physical AI Toolchain y su asociación con NVIDIA (marzo de 2026) cierran la brecha entre simulación y realidad. Tienen 7,000 empleados y fábricas reales, no una startup.
- Actores chinos en IA4C: Molecule-Mind recaudó más de $100 millones de un consorcio de inversores, incluidos fondos estatales. Su modelo MMFold supera a AlphaFold 3 en tareas específicas. Esto muestra que China ha apostado por la biología aplicada y podría ganar a largo plazo porque tienen datos (ensayos clínicos, bases de datos genómicas) y apoyo estatal.
Perdedores: startups sin datos ni canales de distribución:
- El 75% de las empresas afirma estar adoptando IA agentiva, pero solo el 42% la tiene en producción, y solo unas pocas han escalado sistemas multiagente. Esto significa que la mayoría de las 'plataformas de IA' se quedarán en pilotos y morirán cuando los inversores exijan retorno de inversión.
- Las startups de LLM de texto puro (además de OpenAI, Anthropic y Google) están perdiendo el mercado. Los modelos se están convirtiendo en productos básicos, y la brecha de calidad entre ellos se está reduciendo. Los usuarios eligen según precio, integración y confianza, no por 'inteligencia'.
Categoría especial: 'perdedores regulatorios':
- Cualquier empresa de IA que no pueda demostrar la seguridad e imparcialidad de sus modelos sufrirá demandas. El caso Nippon Life vs. OpenAI es solo el comienzo. Si el tribunal decide que los desarrolladores son responsables de las acciones del chatbot, las primas de seguro para las empresas de IA se dispararán, matando los márgenes.
Lo Que los Medios No Están Diciendo
Tres cosas que no encontrará en artículos de aniversario sobre 'evolución':
Primero: la IA física no es 'IA en robots', es 'robots que pueden romperse y matar'. Cuando un LLM alucina, es solo una respuesta incorrecta. Cuando la IA física comete un error en una fábrica, son millones en desperdicio o una lesión humana. ABB enfatiza que su sistema garantiza 'precisión industrial', pero eso significa que limitan la IA, no la mejoran. No le dan al robot total libertad; le dan un conjunto estrictamente controlado de acciones. Esto no es 'razonamiento', es 'reflejo condicionado con corrección'. Y mientras sea así, estamos lejos de la IA que podríamos llamar 'inteligencia'.
Segundo: el consumo de energía no es un 'problema', es una 'sentencia de muerte'. El pronóstico para 2026 es de 1,050 TWh para centros de datos, comparable al consumo de todo Japón o Rusia. Para 2028, tareas individuales de IA podrían consumir hasta 326 TWh, más que todos los centros de datos de EE. UU. hoy. Esto significa que los países sin energía barata (Europa) o sin capacidad para construir generación rápidamente (Reino Unido) perderán la carrera. China construye centros de datos en provincias con energía hidroeléctrica y de carbón baratas. EE. UU. construye en Texas, donde la red ya está sobrecargada. Y esto no es un 'desafío' que 'modelos más eficientes' resolverán; es una restricción fundamental que determinará dónde se ubicarán los próximos 10,000 centros de datos.
Tercero: la 'evolución' es en realidad la 'muerte' de viejos paradigmas. Nos enorgullecemos de que la IA haya pasado de la inferencia lógica a las redes neuronales. Pero en realidad, las redes neuronales mataron a la IA simbólica, el deep learning mató al machine learning clásico, y los transformers mataron a las RNN. Ahora la IA agentiva está matando a los 'chatbots tontos', y la IA física puede matar a los servicios de IA en la nube como modelo dominante. Esto no es evolución; es una serie de extinciones masivas. Y aquellos que no se adapten en los próximos 12 meses se convertirán en otra capa en el registro geológico de la tecnología.
Pronóstico: Próximos 30 Días y 90 Días
Próximos 30 días (mediados de junio a mediados de julio de 2026):
La primera ola de demandas sobre IA agentiva. Tras el caso Nippon Life vs. OpenAI, los bufetes de abogados de todo el mundo comenzarán a cazar empresas de IA cuyos chatbots dieron 'consejos' en campos regulados (derecho, medicina, finanzas). Esto provocará una caída del 5-10% en las acciones de OpenAI (si ya han salido a bolsa) y otras empresas públicas de IA en cuestión de días tras las primeras decisiones judiciales. Al mismo tiempo, ABB Robotics comenzará a recoger los primeros contratos para Physical AI Toolchain de fabricantes de automóviles y aeroespacial; esto podría ser un catalizador para las acciones de robótica industrial en las bolsas de EE. UU. y Alemania.
Próximos 90 días (julio a septiembre de 2026):
Comenzará un cambio estructural en la financiación. Los inversores de riesgo, al ver los datos de Mayfield de que el 60% de las empresas carecen de un sistema formal de gobernanza de IA y que los datos siguen siendo el principal cuello de botella, comenzarán a invertir no en 'otra startup de IA' sino en empresas que resuelven el problema de los datos: limpieza, etiquetado, síntesis, gestión de acceso. Esto matará a docenas de 'plataformas de IA' construidas sobre modelos y datos de otros.
Simultáneamente, el programa ARiSE de Japón anunciará sus primeros beneficiarios de subvenciones en septiembre, señalando al mercado global que Japón está haciendo una apuesta seria por la IA para la ciencia. Esto podría atraer talento de EE. UU. y Europa, donde los salarios en IA ya están sobrecalentados, mientras que Japón ofrece datos únicos en ciencia de materiales, robótica e imágenes médicas.
Y crucialmente, para finales de septiembre, veremos las primeras implementaciones industriales de IA física que fracasan. Habrá un incidente en una fábrica donde un robot que utiliza Physical AI Toolchain de ABB cometa un error de simulación, provocando desperdicio o tiempo de inactividad. Los medios lo inflarán como un 'fracaso de la IA'. Pero los internos entenderán: esto es normal. Este es el 'valle de la desilusión' que los informes de tendencias para 2026 predijeron. Aquellos que sobrevivan a este shock e implementen sistemas de monitoreo y reversión sobrevivirán. El resto se irá. Siempre ha sido así, y volverá a serlo. Porque 70 años de evolución son realmente 70 años de aprender de los errores. Y todavía estamos aprendiendo.
— Editorial Team
Aún no hay comentarios.