Dossier AGI · Principiante · 11 min
Historia de la idea de AGI: de Turing a los laboratorios actuales
De Turing a los laboratorios actuales, la historia de la AGI permite entender sus definiciones, sus principales enfoques y los debates sobre cómo medirla.
La idea de AGI prolonga una aspiración antigua: construir máquinas capaces de aprender y resolver problemas variados, más allá de una especialidad definida de antemano. Desde Turing hasta los laboratorios actuales, su historia reúne métodos que compiten entre sí y desacuerdos sobre qué constituiría una prueba de inteligencia general.
Una aspiración antigua y varias preguntas distintas
La inteligencia artificial general, o AGI, no designa una arquitectura concreta. Es un objetivo cuyo contenido depende de la definición adoptada: realizar una gran variedad de tareas, alcanzar un nivel humano, aprender con eficiencia ante situaciones nuevas o trabajar con autonomía.
Estos criterios no son intercambiables. Un programa puede abarcar numerosos temas y seguir dependiendo de procedimientos conocidos. Otro puede aprender rápidamente un juego desconocido sin contar con los conocimientos necesarios para redactar un informe profesional.
Para entender esta historia, conviene seguir varios hilos. El primero se refiere a los comportamientos observables: lo que la máquina consigue hacer. El segundo se centra en el aprendizaje: cómo adquiere esa capacidad. El tercero aborda las condiciones de funcionamiento: recursos, herramientas, ayuda humana y entorno.
Esta distinción evita una interpretación engañosa del pasado. Los investigadores no han trabajado todos sobre una misma escala en la que cada descubrimiento los acercara automáticamente a la cima. En ocasiones han perseguido objetivos diferentes con un vocabulario parecido.
La conciencia plantea otra cuestión. Una evaluación de capacidades no permite concluir, por sí sola, que un sistema tenga una experiencia subjetiva. Del mismo modo, un debate filosófico sobre la conciencia no sustituye una medición de la fiabilidad.
Nuestra sección sobre AGI e investigación recoge estos distintos ejes. El artículo ¿Qué es la AGI? ofrece una introducción más breve; esta página explica cómo surgieron los problemas y por qué siguen abiertos.
Turing: sustituir una pregunta abstracta por una prueba
En su artículo Computing Machinery and Intelligence, publicado en octubre de 1950, Alan Turing propone abordar la inteligencia de las máquinas mediante un juego de imitación. La persona que interroga conversa a distancia e intenta distinguir a sus interlocutores.
El cambio de enfoque es decisivo: en vez de esperar una definición del pensamiento aceptada por todos, Turing examina un procedimiento que permite comparar comportamientos. Su texto también aborda las máquinas que aprenden, por lo que no se limita a la conversación.
El test de Turing es una referencia histórica, pero exige cautela al interpretarlo. Convencer a un interlocutor aporta información sobre una interacción concreta. No mide directamente todas las capacidades posibles.
Considere una situación hipotética: un programa explica muy bien cómo reparar un mecanismo. Esa respuesta todavía no permite saber si reconocería la pieza defectuosa, descubriría una avería poco habitual o comprobaría que la reparación funciona.
La enseñanza metodológica sigue siendo útil: una prueba debe interpretarse dentro de su alcance. Si evalúa una conversación, obtiene observaciones sobre una conversación. Para concluir que existe una capacidad más amplia, hay que justificar el paso de esa observación a una afirmación general.
La historia de la AGI mantiene esta tensión. Una demostración accesible puede hacer visible una capacidad para el público, mientras que una caracterización científica requiere condiciones explícitas y resultados reproducibles. Ambos procedimientos pueden complementarse, pero no responden exactamente a la misma pregunta.
Dartmouth: formular un programa general de investigación
La propuesta de Dartmouth, fechada el 31 de agosto de 1955, prepara un encuentro para el verano de 1956. John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon presentan en ella un programa denominado inteligencia artificial.
El documento contempla, entre otras cuestiones, el lenguaje, las abstracciones, la resolución de problemas y la mejora de las máquinas. También examina las redes neuronales: el proyecto inicial no se limita a un único método de programación.
Lo que más adelante se convertiría en la aspiración de una inteligencia general ya está presente, por tanto, en las preguntas fundacionales del campo, aunque el vocabulario no sea el de los debates actuales. Leer esta propuesta como una especificación moderna de la AGI sería un anacronismo.
También hay que separar la hipótesis científica de su realización. Afirmar que un aspecto de la inteligencia podría describirse con suficiente precisión para simularlo abre un programa de trabajo. No proporciona el algoritmo, los recursos necesarios ni la prueba de que se superarán todos los obstáculos.
La misma distinción resulta útil al leer un programa contemporáneo. La misión de un laboratorio indica lo que sus investigadores intentan construir. Una publicación describe un método y unos resultados. Una evaluación independiente comprueba determinadas propiedades bajo condiciones definidas.
Confundir estos niveles puede convertir fácilmente una intención en un logro. Conviene, por ello, leer los textos fundacionales como propuestas de investigación: ambiciosas por las preguntas que plantean, pero sin valor de certificado para los sistemas que aparecerían después.
De las reglas a los sistemas expertos: la dificultad de transferir conocimientos
Una parte de la investigación buscó representar los conocimientos de forma explícita y aplicar reglas para resolver problemas. Los sistemas expertos llevaron esta lógica a ámbitos especializados. El investigador Nils J. Nilsson repasa su desarrollo en The Quest for Artificial Intelligence, incluidos los trabajos sobre asesoramiento y diagnóstico de averías.
Esta trayectoria muestra la diferencia entre una aspiración general y una solución de alcance limitado. Describir conocimientos útiles en un ámbito no proporciona automáticamente un medio para adquirirlos en todos los demás.
Un ejemplo ficticio ayuda a entender el problema. Un sistema de diagnóstico conoce las relaciones entre ciertos síntomas y determinadas averías. Ante un aparato diseñado de otra manera, sus reglas pueden dejar de ser pertinentes, aunque sigan siendo coherentes desde el punto de vista lógico.
Hay que distinguir entonces la calidad de las reglas, la exactitud de las observaciones y el ámbito en el que se aplican. Una deducción correcta a partir de una hipótesis inadecuada puede producir una mala decisión. La dificultad no depende, por tanto, únicamente de la capacidad de razonamiento.
Esta cuestión sigue siendo central para la AGI: cómo reutilizar un conocimiento sin dar por sentado que la situación nueva se parece exactamente a las anteriores. Puede ser necesario reconocer una estructura común, construir una representación diferente o aprender un procedimiento nuevo.
Para comparar los enfoques, mantenga separados estos criterios:
| Criterio | Conocimientos descritos mediante reglas | Modelo aprendido a partir de datos |
|---|---|---|
| Origen de los conocimientos | Formalización explícita | Ajuste a partir de ejemplos |
| Posible corrección | Modificar las reglas correspondientes | Modificar los datos, el entrenamiento o el sistema |
| Cuestión de transferencia | ¿Se aplican las reglas al nuevo contexto? | ¿Siguen siendo pertinentes los patrones aprendidos? |
| Prueba esperada | Resultados en el ámbito previsto | Resultados con datos y situaciones pertinentes |
Esta tabla ofrece una guía de análisis, no una clasificación: ninguna de las columnas garantiza por sí sola la generalidad.
Aprender de los datos cambia el método, pero no la pregunta final
En un enfoque basado en el aprendizaje, quien diseña el sistema no tiene que describir necesariamente cada regla de decisión. Organiza un proceso en el que el sistema ajusta su comportamiento a partir de ejemplos, objetivos o información sobre los resultados de sus acciones.
Esto desplaza el trabajo. Hay que elegir los datos, definir qué significa tener éxito y comprobar después que los resultados van más allá de los ejemplos utilizados para aprender. Sustituir reglas escritas por parámetros aprendidos no elimina los supuestos introducidos por quienes diseñan el sistema.
Suponga, a modo de ilustración, que enseña a un programa a reconocer objetos fotografiados sobre un fondo blanco. Probarlo con otras fotografías muy parecidas evalúa una capacidad útil. Probarlo en un taller lleno de objetos plantea una cuestión distinta.
La distancia entre esas situaciones explica por qué la generalización ocupa un lugar central en los debates sobre la AGI. Se busca precisar qué se mantiene cuando cambian las apariencias, las instrucciones o la estructura del problema.
Para valorar un resultado, no siempre basta con contar las tareas resueltas. Hay que examinar su diversidad real, su proximidad a los datos de entrenamiento y la ayuda que recibe el sistema. Ejercicios presentados de formas distintas pueden requerir un mismo procedimiento.
A su vez, un buen rendimiento especializado conserva su utilidad práctica. Un programa no necesita ser general para prestar un servicio. La historia de la AGI debe ayudar a evitar que se atribuyan a las herramientas propiedades que su evaluación no demuestra, sin restar valor a las soluciones de alcance definido.
El Transformer y los modelos de lenguaje amplían el debate
En junio de 2017, Ashish Vaswani y sus coautores presentan el Transformer en Attention Is All You Need. La publicación propone una arquitectura basada en mecanismos de atención y la evalúa, entre otras tareas, en traducción automática.
Conviene mantener ese contexto: el resultado publicado se refiere a una arquitectura y a unos experimentos concretos. No demuestra una inteligencia general ni prueba que cualquier capacidad pueda surgir del mismo principio.
Para situar las herramientas contemporáneas, puede consultar las fichas de ChatGPT, Claude y Gemini. Estos nombres corresponden a productos; no constituyen categorías científicas de inteligencia.
Una interfaz común puede dar una impresión de unidad: la persona pide una traducción, una explicación y después un programa dentro de la misma conversación. Sin embargo, para analizar esa versatilidad hay que volver a las tareas, las condiciones y los errores.
También resulta necesario distinguir entre modelo y sistema. Una respuesta puede depender del modelo, pero también de un buscador, un intérprete de código, documentos proporcionados o un procedimiento de verificación. Si desea medir el servicio prestado, el objeto pertinente es el conjunto.
Imagine una evaluación en la que un asistente puede consultar documentación. Su éxito aporta información sobre ese asistente con ese acceso. No demuestra automáticamente que el modelo tenga la misma capacidad sin la documentación.
Este razonamiento no resta valor al resultado. Permite saber qué ha mejorado: los conocimientos disponibles, el uso de herramientas, la elección de un método o la adaptación al problema. Una historia rigurosa de la AGI debe conservar estas distinciones en lugar de atribuirlo todo a una inteligencia única e indiferenciada.
François Chollet: distinguir entre una habilidad y su adquisición
En On the Measure of Intelligence, publicado en noviembre de 2019, François Chollet propone caracterizar la inteligencia mediante la eficiencia con la que un sistema adquiere habilidades. Destaca el papel de los conocimientos previos, la experiencia y la dificultad de generalización.
El texto también presenta ARC, un conjunto de tareas destinado a examinar una forma de razonamiento abstracto. La diferencia respecto a una simple medición de habilidades es esencial: resolver una tarea no revela por sí solo los medios necesarios para aprender a resolverla.
Esta postura se centra en la medición. Propone documentar el punto de partida y la experiencia recibida, en vez de observar únicamente el resultado final. La página de referencia sobre la generalización desarrolla este marco y sus implicaciones.
Para entender lo que está en juego, considere un ejemplo didáctico. Usted presenta a dos sistemas una regla de clasificación desconocida. Uno recibe una gran cantidad de ejercicios corregidos; el otro dispone únicamente de unas pocas demostraciones. Un resultado final idéntico no aporta la misma información sobre el aprendizaje de ambos.
Sin embargo, hay que definir con cuidado qué cuenta como experiencia previa. Un problema nuevo para quien evalúa puede parecerse a ejercicios que el sistema ya ha encontrado. La apariencia de novedad no basta.
Este enfoque no vuelve inútiles las evaluaciones profesionales. Si necesita automatizar una tarea, la calidad del resultado tiene una importancia directa. Pero si su pregunta se refiere a la inteligencia general, también debe examinar cómo se adquirió la habilidad.
El artículo On the Measure of Intelligence explicado de forma sencilla presenta este argumento de manera más directa. Complementa esta historia al detallar una propuesta de medición, sin tratarla como una definición aceptada de forma unánime.
Los laboratorios proponen umbrales diferentes
El marco Levels of AGI, publicado inicialmente en noviembre de 2023, distingue, entre otros aspectos, el nivel de rendimiento y su amplitud. Sus autores, entre ellos Meredith Ringel Morris y Shane Legg, examinan por separado las cuestiones de autonomía y despliegue.
Este planteamiento es distinto del de François Chollet. Busca ordenar las capacidades observadas según varias dimensiones, mientras que su enfoque pone el acento en la eficiencia de adquisición. Las preguntas pueden complementarse sin dar lugar a un umbral idéntico.
En octubre de 2024, Dario Amodei describe en Machines of Loving Grace una hipótesis de IA potente: amplias capacidades intelectuales, acceso a interfaces digitales y capacidad para llevar a cabo tareas prolongadas. Presenta un escenario de futuro, con sus incertidumbres, y no una certificación de capacidades ya adquiridas.
Google DeepMind propone otra descomposición en su marco cognitivo presentado el 17 de marzo de 2026. Este examina, entre otros aspectos, el aprendizaje, la memoria, el razonamiento y la metacognición, con comparaciones respecto al rendimiento humano.
Estas publicaciones muestran por qué una declaración sobre la AGI debe ir acompañada de su definición. Una medición de versatilidad, una medición de aprendizaje y un escenario de autonomía no se refieren al mismo objeto.
A fecha de esta página, el 24 de octubre de 2026, estos textos sirven como referencias documentales. Su existencia no permite afirmar que se haya superado un umbral común.
Para comparar anuncios, examine qué se evalúa, quién lo hace y con qué protocolo. Una organización puede utilizar una definición coherente para sus investigaciones sin que esta represente al conjunto de la comunidad científica.
Interpretar los avances sin convertir la historia en un calendario
La historia de la AGI ayuda a interpretar los anuncios cuando se separan tres elementos: la capacidad observada, la explicación propuesta y la proyección hacia el futuro. No tienen el mismo valor como prueba.
Un experimento puede mostrar que un sistema resuelve una familia de problemas. Los autores pueden atribuir ese resultado a un método concreto. Prever después que ese método bastará para construir una inteligencia general requiere supuestos adicionales.
La misma cautela se aplica a los fallos. Una dificultad encontrada en un protocolo no demuestra automáticamente una imposibilidad definitiva. Hay que determinar si procede de los datos, del método, de los recursos o de la propia definición de la tarea.
Para leer una nueva publicación, puede seguir esta secuencia:
- Identificar el sistema evaluado y los medios de los que dispone.
- Examinar las tareas, su selección y su proximidad a las utilizadas durante el aprendizaje.
- Comprobar las comparaciones con humanos y las condiciones de realización.
- Buscar los fallos, su frecuencia y su gravedad.
- Separar las observaciones de las extrapolaciones.
La página sobre los benchmarks de la AGI detalla estos problemas de medición. Una puntuación aporta información cuando se sabe qué resume y qué deja fuera.
Para sus propios usos, esta historia también conduce a una regla práctica: evalúe la herramienta con el trabajo que le encarga. La etiqueta de general no sustituye una prueba representativa, una medición de los errores ni una comprobación de la supervisión necesaria.
Desde Turing hasta los laboratorios actuales, el hilo que permanece es la construcción de pruebas adecuadas para las afirmaciones que se hacen. Los métodos cambian; la necesidad de precisar qué se ha demostrado sigue presente.
Páginas relacionadas
Preguntas frecuentes
¿Alan Turing inventó la AGI?
Turing planteó parte de las preguntas fundamentales sobre las máquinas inteligentes, pero atribuirle en exclusiva la AGI dejaría fuera distintas tradiciones de investigación. Su artículo sobre el juego de imitación no define un único programa técnico que conduzca a una inteligencia general.
¿Por qué se habla de AGI en lugar de hablar simplemente de IA?
El término IA también abarca programas especializados en una función. Añadir general permite precisar la aspiración de aprender y transferir capacidades entre tareas, aunque los investigadores no sitúan todos el umbral en el mismo punto.
¿La AGI necesita un cuerpo o tiene que ser un robot?
Depende de la definición que se adopte. Una definición centrada en el trabajo intelectual puede admitir un sistema compuesto únicamente por software; otra que incluya habilidades físicas exige observaciones y pruebas diferentes.
¿Un sistema que supera el test de Turing es una AGI?
Una conversación convincente no basta para demostrar todas las capacidades que puede incluir una definición de AGI. También hay que precisar el protocolo, los conocimientos necesarios y las habilidades que quedan fuera del intercambio.
¿Por qué los investigadores no coinciden en una fecha para la llegada de la AGI?
No siempre intentan predecir el mismo acontecimiento: superar evaluaciones, trabajar con autonomía o aprender de forma general. También difieren sus supuestos sobre los datos, los recursos de cómputo y los obstáculos científicos.