El 9 de octubre de 1986, la revista Nature publicó un artículo de apenas cuatro páginas firmado por David Rumelhart, Geoffrey Hinton y Ronald Williams. Se titulaba «Learning representations by back-propagating errors», algo así como aprender representaciones propagando los errores hacia atrás, y describía un procedimiento para que una red de unidades parecidas a neuronas ajustara ella sola sus conexiones hasta acertar. No ocupó portadas ni prometía máquinas pensantes. Cuarenta años después, casi todo lo que llamamos inteligencia artificial, del traductor del móvil a los modelos que escriben textos o generan imágenes, sigue latiendo gracias a la idea que cabía en aquellas cuatro páginas.
Conviene decirlo con honestidad: ni siquiera fueron los primeros en dar con la fórmula, que otros habían descrito años antes en contextos distintos. Lo que hicieron Rumelhart, Hinton y Williams fue demostrar que servía para algo asombroso, que una red con capas intermedias podía aprender por su cuenta a representar el mundo. Aquel matiz, que entonces pareció un detalle técnico, encierra dos ideas filosóficas que todavía no hemos terminado de digerir.
Una máquina que aprende equivocándose
La retropropagación parte de una intuición casi escolar. Se le pide a la red una respuesta, se mide cuánto se aleja de la correcta y esa diferencia se reparte hacia atrás, conexión por conexión, corrigiendo un poco cada una. Después se repite, y se vuelve a repetir, millones de veces. No hay comprensión ni intención, solo una distancia que medir y una culpa que distribuir. Toda la inteligencia artificial moderna se levanta, en el fondo, sobre el fracaso administrado con una paciencia inhumana.
Hay algo contraintuitivo, casi hermoso, en este planteamiento. Estamos acostumbrados a ver el error como un accidente, como aquello que estropea el resultado. Aquí el error es el material de construcción. La red no aprende a pesar de equivocarse, aprende precisamente porque se equivoca y porque algo le devuelve la medida exacta de su equivocación. Se parece más de lo que nos gustaría a la forma en que aprende un niño que ensaya, falla y ajusta, con la diferencia de que la máquina no se cansa, no se frustra y no siente vergüenza.
Las ideas que nadie programó
La palabra decisiva del título no era «error», sino «representations», representaciones. El hallazgo de fondo fue que, al entrenarse, las capas ocultas de la red, las que no tocan ni lo que entra ni lo que sale, desarrollaban por su cuenta una manera de representar el problema. Nadie les indicaba qué rasgos buscar. Esos rasgos emergían solos, como conceptos que la máquina se inventaba para resolver su tarea.
Lo que en 1986 se demostraba con ejemplos diminutos es hoy la semilla de uno de los grandes enigmas de la IA. Cuando un modelo actual reconoce una cara o redacta un párrafo, se apoya en millones de esas representaciones internas que nadie diseñó y que, en buena medida, nadie sabe leer. Lo llamamos la caja negra, y descifrarla, lo que los técnicos llaman interpretabilidad, sigue siendo un problema abierto. La misma propiedad que hizo poderosa a la retropropagación, que la máquina invente sus propios conceptos, es la que nos impide saber del todo qué ocurre dentro. De aquella idea nacieron, años más tarde, el deep learning, el salto de AlexNet en 2012 y, más adelante, la IA generativa que hoy llena titulares.
El escondite
Para intuir hasta dónde llega esa capacidad de inventar, vale la pena asomarse a un experimento que OpenAI publicó en 2019. Los investigadores colocaron a varios agentes a jugar al escondite en un mundo virtual, sin explicarles las reglas ni qué se esperaba de ellos. A unos se les premiaba por ver a sus rivales, a otros por esconderse. Tras cientos de millones de partidas, aquellas inteligencias no solo aprendieron a perseguir y a huir: empezaron a inventar estrategias y a usar herramientas que nadie había programado, moviendo cajas para levantar refugios, arrastrando rampas para saltar muros y bloqueando esas mismas rampas para que el rival no pudiera usarlas.
Lo más revelador fue que algunos agentes descubrieron fallos en la física del simulador y aprendieron a aprovecharlos, deslizándose sobre las cajas para colarse en zonas prohibidas. Nadie les enseñó esos trucos: emergieron de la pura competición y del ensayo y error, el mismo principio que latía en 1986, ahora a otra escala. No es exactamente retropropagación, sino aprendizaje por refuerzo, pero por dentro cada uno de esos agentes es una red neuronal que se entrena corrigiendo su error. El experimento puede verse en el vídeo que difundió el propio laboratorio y se detalla en su artículo científico.
La idea que volvió del invierno
Que hoy hablemos de todo esto tiene algo de revancha. A finales de los años sesenta, dos figuras del MIT, Marvin Minsky y Seymour Papert, mostraron las limitaciones de las redes neuronales más simples, y aquel jarro de agua fría contribuyó a uno de los inviernos de la inteligencia artificial, una larga travesía en la que el campo perdió fe y financiación. La retropropagación de 1986 fue, en buena parte, lo que sacó a las redes de aquel letargo, al demostrar que con capas ocultas podían aprender lo que antes se les negaba.
El reconocimiento tardó casi cuatro décadas en llegar del todo. En 2024, Geoffrey Hinton recibió el Nobel de Física por sentar las bases del aprendizaje automático con redes neuronales. Las ideas, al parecer, no mueren: esperan. Y sin embargo, queda una ironía incómoda. Es muy probable que el cerebro humano no aprenda por retropropagación, y el propio Hinton lleva años buscando alternativas más parecidas a la biología. Construimos algo que se comporta como una mente con un método que la naturaleza, casi con seguridad, no emplea.
Quizá esa sea la herencia más honesta de aquel 9 de octubre de 1986. No nos dejó la promesa de una inteligencia hecha a nuestra imagen, sino una máquina que aprende de sus errores y que inventa ideas que todavía no sabemos leer. Cuarenta años después seguimos conviviendo con ella, fascinados y un poco a ciegas, y empezando a sospechar que para fabricar algo inteligente tal vez no haga falta entenderlo del todo.