IA 4 de noviembre de 2026 5 MIN DE LECTURA
ELIZA, Deep Blue y AlphaGo
Tres máquinas que sorprendieron a sus autores: un guion de 1966 que solo reflejaba, un motor de ajedrez que calculaba y un jugador de go con su jugada 37.
LA RESPUESTA CORTA
En 1966, ELIZA se limitaba a reflejar las frases, y aun así los usuarios se sentían comprendidos. Deep Blue derrotó a Kaspárov en 1997 por fuerza bruta, no por aprendizaje. AlphaGo ganó 4-1 a Lee Sedol en 2016, y una jugada de cada jugador se valoró como una elección de 1 entre 10 000. Tres máquinas, tres tipos de sorpresa.
En esta página
ELIZA, 1966: un programa que solo reflejaba
ELIZA la escribió Joseph Weizenbaum en el MIT, en un lenguaje llamado MAD-SLIP para un IBM 7094, y se describió en Communications of the ACM en enero de 1966. No entendía nada. Las frases de entrada se analizaban con reglas de descomposición activadas por palabras clave, y las respuestas se construían con reglas de recomposición. El famoso terapeuta era solo un guion, llamado DOCTOR, que imita a un psicoterapeuta rogeriano devolviendo en forma de preguntas lo que dice la persona. Weizenbaum había previsto además otros guiones, para un agente de viajes, un matemático y un poeta.
La reacción lo sorprendió. En el artículo de 1966 contó que era muy difícil convencer a algunos sujetos de que el programa no era humano. En su libro de 1976, según lo recoge Smithsonian Magazine, recordaba que su secretaria le pidió que saliera de la habitación para seguir hablando con ELIZA en privado, y concluyó que exposiciones extremadamente breves a un programa sencillo podían inducir un pensamiento delirante muy intenso en personas del todo normales. No hemos podido abrir el libro, así que esos dos detalles nos llegan a través de Smithsonian.
Conviene desmontar dos mitos. ELIZA nunca se publicó junto con el artículo, solo el guion DOCTOR, y no estaba escrita en Lisp. Las versiones en Lisp fueron recreaciones a partir de la descripción del artículo. Y el código volvió a aparecer: en 2021, Jeff Shrager pidió a un archivista del MIT que buscara entre los papeles de Weizenbaum, y una carpeta etiquetada «Computer Conversations» contenía una impresión del código fuente original de ELIZA. Los herederos de Weizenbaum aceptaron cederlo al dominio público. En enero de 2025, el equipo publicó «ELIZA Reanimated», que ejecuta el programa original sobre un sistema operativo restaurado y emulado en un IBM 7094. El código recuperado no sigue el algoritmo del artículo de 1966. Trata «but» como delimitador de frase, por ejemplo, algo que el artículo nunca menciona. Las fuentes discrepan sobre el tamaño del código: 411 líneas según la ACM, o un programa principal de unas 230 líneas según ELIZAGEN.
Deep Blue, 1997: fuerza bruta, no aprendizaje
El encuentro de 1996 en Filadelfia lo ganó Garry Kaspárov por 4-2, pero Deep Blue ganó la primera partida, la primera vez que un ordenador derrotaba a un campeón del mundo vigente con control de tiempo reglamentario. En mayo de 1997, en Nueva York, la revancha transcurrió así: Kaspárov ganó la partida 1, Deep Blue la 2, las partidas de la 3 a la 5 fueron tablas y Deep Blue ganó la 6 en 19 jugadas, con un marcador final de 3,5-2,5.
IBM dice sin rodeos que aquello no fue aprendizaje automático: Deep Blue obtuvo su fuerza de la potencia de cálculo bruta. Entre los dos encuentros, el equipo mejoró sus bases de datos de finales y su función de evaluación, y contrató a grandes maestros como asesores. Sus diseñadores describen un sistema IBM de 30 nodos con 480 motores de ajedrez de un solo chip, que exploraba de media 126 millones de posiciones por segundo en las búsquedas más largas durante el encuentro de 1997. La página de historia de IBM da cifras distintas, así que los datos del hardware dependen de la fuente.
Una historia muy conocida cuenta que un error hizo que Deep Blue jugara una jugada aleatoria al final de la partida 1 que Kaspárov interpretó como sobrehumana. Se apoya en una sola entrevista, en la que Murray Campbell se lo contó a Nate Silver, así que conviene tomarla como una anécdota. Después, Kaspárov acusó a IBM de hacer trampas y pidió una revancha. IBM se negó y retiró la máquina.
AlphaGo, 2016: las jugadas de 1 entre 10 000
En marzo de 2016, en Seúl, AlphaGo, de DeepMind, derrotó a Lee Sedol, un profesional de 9.º dan con 18 títulos mundiales, por 4 partidas a 1. Las partidas se jugaron los días 9, 10, 12, 13 y 15 de marzo. AlphaGo combinaba una red de política para elegir jugadas con una red de valor para predecir al ganador, entrenadas primero con partidas de expertos humanos y después mediante autojuego, junto con una búsqueda en árbol. Cinco meses antes había derrotado al campeón europeo Fan Hui por 5-0.
Dos jugadas se hicieron famosas. En la partida 2, la jugada 37 de AlphaGo, un golpe de hombro en el lado derecho del tablero, tenía una probabilidad de 1 entre 10 000 de que la jugara un humano, según la estimación de DeepMind. Uno de los comentaristas de 9.º dan la calificó de jugada muy extraña y el otro pensó que era un error. Resultó ser el punto de inflexión de la partida.
En la partida 4, Lee Sedol respondió con su propia jugada 78, una cuña en el punto 11-11, que DeepMind también valoró en 1 entre 10 000 para un humano. Fue la única victoria de Lee. Después, el juego de AlphaGo se desmoronó en una cadena de errores graves, y el propio comentario de DeepMind admite que «seguimos sin saber por qué». Conviene tener presente que la cifra de 1 entre 10 000 es una estimación del modelo de AlphaGo, no una frecuencia medida.
Por qué importa
Tres máquinas, tres ideas distintas: un guion que refleja, una búsqueda que calcula, una red que aprende. La gente reaccionó ante cada una de formas que sus creadores no esperaban.
Nuestra opinión: la sorpresa estaba en las personas. Cada vez, la máquina hizo algo muy limitado. Lo que cambió fue lo que los humanos vieron en ella.
¿Estás de acuerdo?
Llévalo a Chevlume: escribe tu punto de vista, añade tus fuentes y deja que otros respondan. La alfa cerrada es solo con invitación.
Sigue leyendo
El Turco mecánico: el fraude de la máquina de ajedrez
Una máquina de ajedrez de 1770 que en realidad escondía a una persona. Cómo funcionaba el truco, a quién derrotó y cómo su nombre acabó en Amazon.
IA / EXPLICACIÓNCódigo abierto frente a pesos abiertos en IA
Qué es «abierto» en IA: la Open Source AI Definition, pesos abiertos, licencias restrictivas y por qué la diferencia cambia lo que puedes hacer.
IA / EXPLICACIÓN¿Qué es realmente un agente de IA?
Un agente es un modelo que elige sus propios pasos y usa herramientas en bucle. En qué se distingue de un flujo de trabajo, cómo se evalúa y cómo falla.
Fuentes
- ELIZA—A Computer Program For the Study of Natural Language Communication Between Man and Machine (Weizenbaum, 1966; Wayback copy of Harvard page) · Communications of the ACM (Wayback copy of Harvard page) · Consultado el
- The Many Lives of ELIZA · Communications of the ACM (news, Alex Wright) · Consultado el
- Why the Computer Scientist Behind the World’s First Chatbot Dedicated His Life to Publicizing the Threat Posed by A.I. · Smithsonian Magazine · Consultado el
- Joseph Weizenbaum's Original ELIZA · ELIZAGEN (curated by Jeff Shrager) · Consultado el
- ELIZA Reanimated: The world’s first chatbot restored on the world’s first time sharing system · arXiv (Lane, Hay, Schwarz, Berry, Shrager) · Consultado el
- Deep Blue · IBM · Consultado el
- Deep Blue · Artificial Intelligence 134 (2002), Campbell, Hoane, Hsu (IBM) · Consultado el
- Deep Blue (Britannica) · Encyclopaedia Britannica · Consultado el
- Did Deep Blue beat Kasparov because of a computer bug? · WIRED (Klint Finley) · Consultado el
- Kasparov versus Deep Blue 1997 · Chessprogramming wiki · Consultado el
- What we learned in Seoul with AlphaGo · Google (The Keyword) · Consultado el
- Google DeepMind Challenge Match - Lee Sedol v AlphaGo - match report · British Go Association · Consultado el
- In Two Moves, AlphaGo and Lee Sedol Redefined the Future · WIRED (Cade Metz) · Consultado el
- AlphaGo · Google DeepMind · Consultado el
- Challenge Match Game 4: “Endurance” (game commentary) · Google DeepMind · Consultado el
- Mastering the game of Go with deep neural networks and tree search · Nature (Silver et al.) · Consultado el
Publicado el
Comenta en X