Un matemático que estudiaba cómo aprender
En los años sesenta, el aprendizaje automático no tenía los centros de datos ni los modelos conversacionales actuales. Investigadores de distintos países querían entender si redes de unidades sencillas podían ajustar sus conexiones a partir de ejemplos. En Japón, Shun-ichi Amari desarrolló teoría matemática sobre clasificadores adaptativos y procesos de aprendizaje. Su trabajo de 1967, publicado en IEEE Transactions on Electronic Computers, examinó cómo corregir parámetros y qué podía decirse de su convergencia incluso con distribuciones difíciles.
El detalle que suele faltar en los relatos abreviados es dónde ocurrió esa investigación. La historia más popular salta del perceptrón de Frank Rosenblatt a los trabajos occidentales de los ochenta. Pero al hacerlo deja en sombra a quienes, desde Japón y otros lugares, estudiaron con enorme anticipación cuestiones matemáticas que volverían a ser centrales.
La idea llegó antes que los grandes ordenadores
Amari explicó años después, en una entrevista de Science Japan, que ya entonces investigaba cómo ajustar redes con capas internas para aprender patrones que no podían separarse mediante una regla lineal sencilla. La potencia de cálculo disponible condicionaba los experimentos. Demostrar una formulación y convertirla en una tecnología de uso general son dos acontecimientos diferentes.
También hay que evitar una rivalidad retrospectiva inventada. No resulta riguroso afirmar que Amari hizo exactamente lo mismo que Rumelhart, Hinton y Williams en 1986. Existen conexiones entre esas líneas de trabajo, pero el algoritmo, las implementaciones, las pruebas y el contexto científico no son intercambiables. Reconocer un precursor es más interesante que convertir una historia en una pelea por una sola medalla.
Una historia con más de un mapa
Las ideas científicas pueden tardar años en encontrar el hardware, los datos o las comunidades que las necesitan. Una publicación que en su momento parece un avance especializado puede adquirir nueva relevancia cuando otras técnicas se vuelven viables. La cronología de la IA debería mostrar estas conexiones, no limitarse a los lanzamientos más conocidos de Silicon Valley.
Si Fathom tuviera que dejar una pista sobre Amari, sería esta: cuando todo el mundo habla de una revolución repentina, conviene buscar quién estaba formulando parte del problema mucho antes. A veces el futuro llega tarde a encontrarse con sus propios antecedentes.