¿Quién inventó la prueba y error?
La prueba y error no la inventó el ser humano. La evolución la practica desde hace miles de millones de años. Y la inteligencia artificial de hoy, aunque parezca magia, sigue siendo una forma sofisticada de ensayo, error y ajuste.
Empecemos por lo básico: el concepto de prueba y error no se inventó, se descubrió. Es un patrón que aparece en cuanto hay un sistema que interactúa con su entorno, recibe una señal de si algo salió bien o mal, y modifica su conducta. La evolución natural lo practica desde el origen de la vida: mutaciones al azar, selección del entorno, y las variantes que funcionan se quedan. Nadie diseñó ese proceso; simplemente ocurre.
Lo que sí es un invento humano —y bastante reciente— es estructurar la prueba y error como un método formal de optimización. Eso requirió trabajo matemático serio, tesis doctorales y décadas de investigación. Y aquí entra un personaje clave.
En 1975 publicó Adaptation in Natural and Artificial Systems, el libro donde aparece por primera vez el algoritmo genético tal como lo conocemos: una población de soluciones, selección de las mejores, cruce entre ellas, mutación ocasional y una medida de aptitud (fitness).
Pero Holland no lo inventó de la nada. Lo hizo para responder una pregunta:
«¿Cómo aprenden los sistemas a adaptarse si no tienen a alguien que les enseñe?»
Si la naturaleza puede «computar» un ojo humano o un sistema inmune sin un ingeniero, los ingenieros podemos usar ese mismo proceso para computar soluciones.
Lo que Holland realmente aportó
No fue solo el algoritmo. Fueron tres ideas:
- El Teorema de Esquemas (1975): demostró matemáticamente por qué el algoritmo funciona. Los «bloques de construcción» buenos (esquemas cortos y de alto fitness) se multiplican exponencialmente de generación en generación. Es la prueba de que el cruce no es azar puro, sino acumulación de buenos ladrillos.
- Los Sistemas Clasificadores: su intento de crear una IA que aprende reglas del tipo «SI… ENTONCES…» y las evoluciona. Fue el abuelo de lo que hoy llamamos reinforcement learning (aprendizaje por refuerzo).
- Los Sistemas Adaptativos Complejos: en los 80 y 90 se fue al Santa Fe Institute con Murray Gell-Mann (el de los quarks) y fundó la ciencia de la complejidad. Su tesis: la economía, el cerebro, el sistema inmune o una ciudad son el mismo tipo de sistema —muchos agentes simples siguiendo reglas locales que crean orden global— y el algoritmo genético es el motor que lo explica.
Fue su estudiante David Goldberg quien lo hizo famoso en ingeniería con su libro de 1989 Genetic Algorithms in Search, Optimization, and Machine Learning. Goldberg lo llevó a la industria. Holland quería entender la adaptación. Para él, el algoritmo genético era una herramienta para estudiar cómo surge la complejidad, no para hacer horarios de aviones más baratos. Murió en 2015 diciendo que todavía no entendíamos bien la adaptación.
El recocido simulado
La evolución no es la única metáfora que inspiró métodos de optimización. Hay otra igual de potente, y viene de la metalurgia.
Los herreros lo saben desde hace unos 3.000 años: si enfrías el metal muy rápido, queda frágil y con defectos. Si lo calientas a lo bestia y lo dejas enfriar lentamente, los átomos se acomodan y queda un acero perfecto. En 1983, Kirkpatrick, Gelatt y Vecchi, de IBM, dijeron: «¿y si hacemos lo mismo con un problema de optimización?». Así nació el recocido simulado (simulated annealing).
Cómo funciona, con el ejemplo del café
Imagina que buscas la mejor taza de café. Tienes una solución: molienda media, 90 °C, 18 g.
- Temperatura alta (al inicio): estás «caliente», exploras a lo bruto. Pruebas una solución vecina al azar: molienda gruesa, 95 °C. Si es mejor, te la quedas. Y —esta es la clave— si es peor, a veces también te la quedas. Con temperatura alta, aceptas empeorar con alta probabilidad.
- ¿Por qué aceptar algo peor? Porque si solo aceptas mejorar, te quedas atorado en el primer cerro que encuentres. Aceptar empeorar te permite bajar del cerro y subir a una montaña más alta.
- Temperatura baja (al final): te vas enfriando. Ya casi no aceptas empeorar. Te vuelves conservador y te quedas con la mejor solución encontrada.
La fórmula que decide si aceptas lo peor viene de la física de Boltzmann:
P(aceptar) = exp( − (costo nuevo − costo viejo) / Temperatura )Si la diferencia es pequeña y la temperatura es alta, la probabilidad es casi 1. Si la temperatura es baja, la probabilidad es casi 0.
Genético vs. recocido: ¿cuándo usar cada uno?
| Algoritmo genético | Recocido simulado | |
|---|---|---|
| Inspiración | Evolución | Metalurgia |
| Trabaja con | Población (20–100 soluciones) | Una sola solución a la vez |
| Escapa de óptimos locales | Mutación + cruce | Aceptando empeorar |
| Memoria | Mucha (toda la población) | Poca (solo la actual) |
| Velocidad | Lento, pero paralelizable | Rápido y simple |
- Genético: cuando el problema es muy grande, tiene muchas variables y puedes correr muchas pruebas en paralelo.
- Recocido: cuando tienes una sola solución que quieres pulir, como el famoso problema del viajero (TSP): la ruta más corta para visitar 100 ciudades. Ahí el recocido es rey.
El secreto es el programa de enfriamiento. Si enfrías muy rápido (como un herrero apurado), te quedas con un metal frágil, es decir, una solución mediocre. Si enfrías muy lento, tardas una eternidad. Los mejores usan enfriamiento geométrico: T = T0 · 0.95^n, bajando un 5 % cada iteración. Y hay un truco moderno: el reheating o recalentamiento. Si te atoras, vuelves a calentar un poco para seguir explorando. Como recalentar el metal.
¿En qué se basa la IA?
La IA de 2026 se basa en descenso de gradiente, retropropagación y redes neuronales, pero conviene ver cómo encaja todo con lo anterior. Las redes neuronales modernas —desde los grandes modelos de lenguaje hasta los sistemas de visión— se entrenan con tres piezas que trabajan juntas:
1. Descenso de gradiente (gradient descent)
Es un método de optimización iterativo. Imagina que estás en una montaña con niebla y quieres llegar al valle. No ves el fondo, pero sí sientes la pendiente bajo tus pies. Das un paso en la dirección que baja. Repites. Eso es el descenso de gradiente: ajustar los parámetros del modelo poco a poco en la dirección que reduce el error. Es, en el fondo, prueba y error sistematizado: pruebas un ajuste, mides cuánto mejora o empeora, y corriges.
2. Retropropagación (backpropagation)
El descenso de gradiente necesita saber «hacia dónde es abajo» en un espacio con millones o miles de millones de dimensiones. La retropropagación es el algoritmo que calcula esa dirección de forma eficiente: propaga el error desde la salida hacia atrás por todas las capas de la red, aplicando la regla de la cadena del cálculo. Sin ella, entrenar redes profundas sería computacionalmente inviable.
3. Redes neuronales
Son arquitecturas: capas de unidades simples conectadas entre sí, inspiradas vagamente en las neuronas biológicas. Cada conexión tiene un peso, y entrenar significa encontrar los pesos que hacen que la red acierte. La red es el «metal»; el descenso de gradiente y la retropropagación son el «calor y el enfriamiento» que lo moldean.
La conexión con Holland es directa aunque no siempre se explicita. El descenso de gradiente es un pariente cercano de la prueba y error: das un paso, mides, corriges. La diferencia es que en lugar de probar soluciones al azar como en el algoritmo genético o el recocido, usa la información del gradiente para saber en qué dirección equivocarse menos. Es una forma mucho más dirigida de ensayo y error, posible gracias al cálculo diferencial y a la potencia de cómputo actual.
Y la evolución sigue presente en la IA de 2026 de formas menos obvias: en la selección de arquitecturas, en los algoritmos genéticos que optimizan hiperparámetros, en las técnicas evolutivas para entrenar políticas de refuerzo, y en la propia idea de que un sistema puede mejorar sin que nadie le dicte cada paso.
La IA de 2026, con sus redes neuronales entrenadas por descenso de gradiente y retropropagación, no es una excepción a esa historia: es su capítulo más reciente. Sigue siendo, en el fondo, un sistema que prueba, se equivoca, mide y corrige. La diferencia es la escala: hoy probamos y corregimos en espacios de miles de millones de dimensiones, con la misma lógica que un herrero que enfría el acero despacio para que los átomos encuentren su mejor acomodo.
Probar y equivocarse es humano, evolutivo, metalúrgico y computacional.
