Informática
De Turing a la IA
Sigue cómo el cálculo se convirtió en computación y después en máquinas, software, redes e inteligencia.
-
1936
Turing define la computación mediante una máquina abstracta
Alan Turing
Turing analizó los pasos de una persona dedicada al cálculo y definió máquinas cuyas operaciones símbolo a símbolo daban precisión matemática al procedimiento efectivo.
-
1945
El informe EDVAC difunde una arquitectura de programa almacenado
J. Presper Eckert · John Mauchly · John von Neumann · Equipo EDVAC
El First Draft of a Report on the EDVAC describió instrucciones y datos representados en una memoria común de alta velocidad, basándose en un trabajo de diseño colaborativo.
-
1948
La Manchester Baby ejecuta un programa almacenado
Frederic Williams · Tom Kilburn · Geoff Tootill
La máquina experimental de Manchester ejecutó con éxito un programa guardado en memoria electrónica.
-
1948
Shannon establece una teoría matemática de la información
Claude Shannon
Shannon cuantificó la información, la capacidad del canal y los límites de la comunicación fiable en presencia de ruido.
-
1943
McCulloch y Pitts modelan la actividad neuronal mediante lógica
Warren McCulloch · Walter Pitts
Representaron neuronas simplificadas como unidades lógicas de umbral y mostraron cómo las redes podían expresar funciones lógicas.
-
1950
Turing replantea la inteligencia de las máquinas como cuestión operativa
Alan Turing
Turing propuso el juego de imitación y examinó máquinas que aprenden, búsqueda, objeciones y las perspectivas de los equipos digitales.
-
1956
El taller de Dartmouth da nombre a la inteligencia artificial como campo
John McCarthy · Marvin Minsky · Claude Shannon · Nathaniel Rochester · Participantes del taller de Dartmouth
Un proyecto de investigación de verano reunió a investigadores en torno a la propuesta de que ciertos aspectos del aprendizaje y la inteligencia podían describirse con precisión y simularse.
-
1958
Rosenblatt demuestra un perceptrón entrenable
Frank Rosenblatt · Cornell Aeronautical Laboratory
El perceptrón ajustaba los pesos de las conexiones a partir de ejemplos etiquetados para clasificar patrones visuales simples.
-
1956
Logic Theorist demuestra teoremas de lógica simbólica
Allen Newell · Herbert Simon · Cliff Shaw
Logic Theorist buscaba demostraciones de proposiciones de Principia Mathematica mediante expresiones simbólicas y heurísticas.
-
1986
La retropropagación hace práctico el aprendizaje de redes neuronales multicapa
David Rumelhart · Geoffrey Hinton · Ronald Williams
Un artículo muy influyente mostró cómo las redes multicapa podían aprender representaciones internas útiles mediante la retropropagación del gradiente.
-
1995
Las máquinas de vectores de soporte impulsan el aprendizaje estadístico
Corinna Cortes · Vladimir Vapnik
Las máquinas de vectores de soporte equilibraban un amplio margen entre clases con penalizaciones por errores de entrenamiento. Los núcleos permitían fronteras no lineales sin construir explícitamente cada característica transformada.
-
2006
CUDA abre las GPU a la programación paralela de propósito general
Equipo NVIDIA CUDA
CUDA expuso los procesadores gráficos mediante un modelo programable para cargas de trabajo distintas de la renderización.
-
2009
ImageNet proporciona un gran referente visual etiquetado
Fei-Fei Li · Jia Deng · Equipo ImageNet
ImageNet organizó millones de imágenes etiquetadas en una gran jerarquía y combinó la escala de datos con un desafío público de reconocimiento.
-
2012
AlexNet transforma el reconocimiento de imágenes a gran escala
Alex Krizhevsky · Ilya Sutskever · Geoffrey Hinton
Una red convolucional profunda entrenada con GPU ganó el desafío ImageNet por amplio margen utilizando unidades rectificadas, regularización y aumento de datos.
-
2014
El aprendizaje secuencia a secuencia relaciona entradas y salidas de longitud variable
Ilya Sutskever · Oriol Vinyals · Quoc Le
Una red recurrente codificador-decodificador aprendió de extremo a extremo correspondencias entre secuencias para tareas como la traducción automática.
-
2014
La atención neuronal aprende dónde centrarse durante la traducción
Dzmitry Bahdanau · Kyunghyun Cho · Yoshua Bengio
El modelo aprendía una alineación flexible de las palabras fuente al generar cada palabra de destino, en vez de comprimir la entrada en un único vector fijo.
-
2017
El Transformer sustituye la recurrencia por atención
Ashish Vaswani · Noam Shazeer · Niki Parmar · Equipo de investigación Google Brain
El Transformer utilizó autoatención y capas prealimentadas para modelar en paralelo relaciones entre secuencias sin cálculo recurrente.
-
2020
Los grandes modelos de lenguaje demuestran un amplio aprendizaje con pocos ejemplos
Equipo de investigación OpenAI GPT-3
Un Transformer autorregresivo de 175 mil millones de parámetros realizó numerosas tareas lingüísticas a partir de instrucciones y ejemplos, sin actualizaciones de gradiente específicas para cada tarea.
Desplázate, desliza o arrastra para recorrer el tiempo