Definición: Propuesta por Alan Turing en 1950, es un criterio para determinar si una máquina puede exhibir un comportamiento inteligente indistinguible del de un ser humano. Un evaluador humano interactúa con una máquina y un humano a través de un terminal de texto; si no puede distinguirlos, la máquina pasa la prueba.

Contexto/Importancia: Estableció un objetivo práctico y conversacional para la IA, desplazando la pregunta "¿Pueden pensar las máquinas?" por "¿Pueden imitar la inteligencia humana?". Es el punto de partida filosófico para la IA moderna.

Definición: Experimento mental propuesto por John Searle (1980) para refutar la idea de que un programa de ordenador pueda poseer una "mente" o "comprensión" real. Imagina a una persona que manipula símbolos chinos siguiendo un manual de reglas (simulando una IA), sin entender el idioma, pero produciendo respuestas coherentes para un hablante externo.

Contexto/Importancia: Cuestiona la IA Fuerte (máquinas con conciencia) y defiende que la sintaxis (manipular símbolos) no es suficiente para la semántica (comprensión). Sostiene que la simulación no es duplicación, un debate central en la filosofía de la IA.

Definición: En el contexto de la IA, se refiere a la distinción entre IA Fuerte (la creencia de que es posible crear una máquina con una mente consciente y estados mentales genuinos) e IA Débil (la visión de la IA como una herramienta poderosa para simular la inteligencia y resolver problemas, sin atribuirle conciencia).

Contexto/Importancia: Este marco divide los objetivos y las creencias de los investigadores. La mayoría del trabajo práctico actual se enmarca en la IA Débil, mientras que la IA Fuerte sigue siendo un objetivo a largo plazo y un tema de debate filosófico.

Definición: Taller de verano organizado por John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon, considerado el evento fundacional de la Inteligencia Artificial como campo de estudio. Allí se acuñó el término "Inteligencia Artificial".

Contexto/Importancia: Marcó el inicio formal de la IA, estableciendo el optimismo de que "cada aspecto del aprendizaje o cualquier otra característica de la inteligencia puede, en principio, ser descrito con tanta precisión que se puede hacer una máquina para simularlo".

Definición: Períodos de reducción drástica en el financiamiento, interés y actividad investigadora en IA, causados por expectativas infladas no cumplidas y limitaciones técnicas. Los principales ocurrieron a mediados de los 70 y a finales de los 80.

Contexto/Importancia: Son una lección cíclica sobre el ciclo de hype y desilusión en tecnología. Estos períodos de "enfriamiento" forzaron un enfoque más pragmático y prepararon el terreno para avances posteriores, como el aprendizaje automático basado en datos.

Definición: Uno de los primeros éxitos comerciales de la IA (años 70-80). Son programas de computadora que emulan la capacidad de toma de decisiones de un experto humano en un dominio específico y reducido (ej: diagnóstico médico, configuración de equipos). Utilizan una base de conocimiento de reglas "si-entonces" y un motor de inferencia.

Contexto/Importancia: Demostraron el valor práctico de la IA Simbólica (GOFAI) y dominaron la industria antes del segundo invierno. Sus limitaciones (fragilidad, incapacidad para aprender) ayudaron a impulsar la transición hacia paradigmas basados en el aprendizaje.

Definición: También conocida como "Good Old-Fashioned AI". Paradigma dominante en las primeras décadas de la IA, basado en la manipulación lógica de símbolos abstractos (como palabras o conceptos) para representar el conocimiento y resolver problemas mediante reglas y lógica formal.

Contexto/Importancia: Es el enfoque "de arriba hacia abajo". Asume que la inteligencia puede capturarse en un conjunto de reglas explícitas. Es poderosa para el razonamiento lógico, pero rígida y difícil de escalar para tareas perceptuales o del mundo real. Sistemas Expertos y LISP son sus hijos.

Definición: Paradigma que modela la inteligencia a partir de redes interconectadas de unidades simples (neuronas artificiales), inspirado en el cerebro biológico. El conocimiento emerge de la fuerza de las conexiones (pesos) entre estas unidades, aprendida a partir de datos.

Contexto/Importancia: Es el enfoque "de abajo hacia arriba" o subsimbólico. Permite el aprendizaje, la generalización y el manejo de información ambigua. Las Redes Neuronales son su implementación práctica. Este paradigma sustenta la revolución actual del Aprendizaje Profundo.

Definición: Subcampo de la IA que se centra en el desarrollo de algoritmos que permiten a las computadoras aprender patrones a partir de datos, sin estar explícitamente programados para una tarea específica. Mejoran su desempeño con la experiencia (datos).

Contexto/Importancia: Representa un cambio fundamental: en lugar de programar la inteligencia, programamos la capacidad de aprenderla. Es el motor de la IA moderna, permitiendo aplicaciones como reconocimiento de voz, recomendaciones y vehículos autónomos. El Conexionismo es una de sus principales ramas.

Definición: En IA y computación, es un conjunto finito, preciso y no ambiguo de instrucciones o reglas paso a paso diseñadas para realizar una tarea específica, resolver un problema o lograr un resultado computacional.

Contexto/Importancia: Es la "receta" fundamental de todo software. En ML, los algoritmos (como los de regresión, árboles de decisión o redes neuronales) son los procedimientos que buscan patrones en los datos. Sin algoritmos, no hay IA.