En 2025, la inteligencia artificial (IA) no solo es protagonista de titulares: es una herramienta fundamental en la medicina, la industria, la educación y hasta en conflictos diplomáticos. Su capacidad para imitar ciertos procesos de la inteligencia humana ha evolucionado enormemente en la última década. Pero ¿cómo aprenden las máquinas?
La respuesta se encuentra en el aprendizaje automático, o machine learning, una rama de la IA que permite a los sistemas mejorar su rendimiento a partir de datos. Este aprendizaje no es mágico ni universal: se construye sobre distintos enfoques, cada uno con sus ventajas, límites y aplicaciones. En un contexto marcado por la rivalidad tecnológica entre Estados Unidos, China y Europa, comprender cómo aprenden las máquinas es también entender quién liderará el futuro.
Cinco tribus, cinco estrategias para aprender
Desde los años 80, los investigadores han desarrollado cinco grandes familias de algoritmos. Cada una representa una forma distinta de entender y construir la inteligencia:
- Simbolistas: Basan su aprendizaje en reglas lógicas. Los árboles de decisión son su herramienta clave, permitiendo encadenar decisiones como ramas de un árbol. En 2025, siguen siendo fundamentales para explicar decisiones de IA en sectores regulados como el jurídico o el financiero.
- Conexionalistas: Reproducen el funcionamiento del cerebro mediante redes de neuronas artificiales. Su técnica de retropropagación permite aprender de errores. Estas redes son la base del deep learning, que impulsa modelos como GPT-4o o Gemini 2.
- Evolutivos: Emulan la selección natural para encontrar soluciones. Prueban, seleccionan y combinan respuestas, generando nuevas generaciones de algoritmos. En 2025, se utilizan para optimizar diseños de fármacos o arquitectura de modelos de IA.
- Bayesianos: Se centran en la incertidumbre. Usan la probabilidad para actualizar creencias a partir de nuevas evidencias. Los modelos bayesianos son esenciales en medicina, meteorología o sistemas autónomos.
- Analogistas: Aprenden por similitud. Si un caso nuevo se parece a uno anterior, aplican la misma solución. Esta lógica impulsa los recommender systems en plataformas como Netflix, Spotify o TikTok.
Un mundo en competencia: la geopolítica del aprendizaje
El año 2025 ha traído un giro geopolítico relevante. Mientras Estados Unidos intensifica su inversión en IA con programas como Stargate, también ha endurecido su política migratoria y recortado fondos para investigación. Esto ha provocado una fuga de cerebros hacia Europa y China, donde instituciones como la Universidad de Westlake o la Universidad Politécnica de Cataluña acogen a investigadores que desarrollan nuevos algoritmos de aprendizaje automático.
Este contexto refuerza la importancia de los enfoques explicados. Por ejemplo, China está aplicando algoritmos evolutivos y redes bayesianas en proyectos de movilidad urbana e inteligencia militar. Europa, por su parte, promueve un modelo más explicable y ético, apostando por simbología y modelos causales. La elección del enfoque de aprendizaje no es solo técnica: también refleja valores, objetivos y estrategias nacionales.
Del modelo a la aplicación: cómo se toman decisiones
Algunos de los algoritmos más utilizados en la actualidad se basan en enfoques clásicos:
- Naïve Bayes: Se usa en diagnósticos médicos, análisis de sentimientos o detección de spam. A pesar de su simplicidad, sigue siendo eficaz con grandes volúmenes de datos.
- Redes bayesianas: Permiten visualizar relaciones de causa y efecto. Por ejemplo, el sistema SRAVI para personas con discapacidad auditiva utiliza una red bayesiana para leer labios con mayor precisión.
- Árboles de decisión: Se utilizan en herramientas de crédito, selección de personal o decisiones médicas. En 2025, los modelos tipo Random Forest o XGBoost son estándar en muchos entornos productivos.
Estos modelos pueden explicar sus decisiones y calcular la probabilidad de que una hipótesis sea cierta en función de las evidencias. Esa capacidad es vital en un entorno de datos imperfectos y decisiones complejas, como los que enfrenta un coche autónomo o un sistema de ciberseguridad.
El futuro: ¿un algoritmo para dominarlos a todos?
El investigador Pedro Domingos propuso la idea de un “algoritmo maestro” que combine los cinco enfoques. Aún no existe, pero el desarrollo de modelos fundacionales como GPT, Claude o Mistral apunta en esa dirección. Estos modelos incorporan estadística, lógica, analogía y aprendizaje profundo para comprender y generar lenguaje, imágenes y decisiones complejas.
Mientras tanto, los países compiten por dominar la IA, las empresas invierten en nuevos laboratorios y los científicos buscan combinar lo mejor de cada tribu. 2025 no ha traído aún una inteligencia artificial general, pero sí una nueva generación de máquinas que aprenden de forma más compleja, eficiente y humana.
El aprendizaje automático ya no es solo un campo técnico. Es una herramienta geopolítica, económica y social. Comprender cómo aprenden las máquinas es esencial para entender el mundo que estamos construyendo.
La fotografía que ilustra esta noticia pertenece a Erik Mclean y ha sido publicada en Unsplash
