Per què importa la història?

No cal ser historiador per entendre la IA, però saber d’on ve ajuda a entendre on som. La IA no va aparèixer de cop amb ChatGPT — porta 70 anys d’evolució, amb èxits espectaculars i fracassos estrepitosos.

1950: Alan Turing i la pregunta clau

Tot comença amb una pregunta senzilla: “Pot una màquina pensar?”

Alan Turing, matemàtic britànic considerat el pare de la informàtica, va proposar el 1950 el que avui coneixem com el Test de Turing: si una persona parla amb una màquina i no pot distingir si les respostes vénen d’un humà o d’una màquina, llavors la màquina es pot considerar “intel·ligent”.

Turing no va arribar a veure cap IA funcional — va morir el 1954. Però va plantar la llavor.

1956-1970: L’eufòria inicial

El 1956, un grup de científics es van reunir a la Universitat de Dartmouth i van encunyar el terme “Intel·ligència Artificial”. Estaven convençuts que en una generació tindrien màquines tan intel·ligents com humans.

Aquells primers anys van ser d’optimisme desbocat. Es van crear programes que podien jugar a escacs, resoldre problemes lògics i mantenir converses bàsiques. ELIZA (1966), un programa que simulava ser un psicoterapeuta, va sorprendre molta gent — tot i que simplement reformulava el que li deies com a pregunta.

1970-1980: El primer hivern

L’optimisme es va estavellar contra la realitat. Els ordinadors dels anys 70 eren massa lents i tenien massa poca memòria per fer res realment intel·ligent. Els governs van retallar la financiació perquè les promeses no es complien.

Això es coneix com el primer hivern de la IA — un període de desil·lusió on gairebé ningú volia invertir en IA.

1980-1990: Sistemes experts i el segon intent

Als anys 80, la IA va reviure amb els sistemes experts: programes amb regles escrites a mà per experts humans. Per exemple, un sistema expert mèdic tenia milers de regles del tipus “si el pacient té febre I tos I dificultat per respirar, llavors considereu pneumònia”.

Van funcionar en camps molt específics, però tenien un problema fonamental: cada regla s’havia d’escriure manualment. A mesura que el domini es feia complex, mantenir les regles era insostenible.

1990-2000: El segon hivern

Els sistemes experts van mostrar les seves limitacions. La financiació es va tornar a retallar. La IA va tornar a caure en descrèdit. Segon hivern.

Mentrestant, en silenci, uns investigadors treballaven en una idea diferent: en lloc de programar regles a mà, i si deixéssim que la màquina aprengués dels exemples? Això es deia Machine Learning — aprenentatge automàtic.

2012: La revolució del Deep Learning

El punt d’inflexió va arribar el 2012, quan un sistema de Deep Learning (aprenentatge profund) va guanyar la competició ImageNet de reconeixement d’imatges amb un marge brutal sobre tots els mètodes anteriors.

La clau va ser la combinació de tres coses que no existien juntes fins llavors:

  • Dades massives — Internet havia generat quantitats enormes de text, imatges i vídeos
  • GPUs potents — les targetes gràfiques de videojocs resultaven ser perfectes per entrenar xarxes neuronals
  • Algorismes millorats — xarxes neuronals amb moltes capes (“profundes”) que podien aprendre patrons complexos

A partir de 2012, la IA no ha parat de créixer.

2017: L’arquitectura Transformer

Un paper de Google titulat “Attention Is All You Need” va presentar l’arquitectura Transformer — la base de tots els models de llenguatge moderns. Sense aquest paper, no existirien ni GPT, ni Claude, ni Gemini, ni cap dels models que fem servir avui.

Els Transformers van resoldre un problema clau: com processar seqüències llargues de text de manera eficient i paral·lela. Abans, els models llegien el text paraula per paraula. Els Transformers poden “veure” tot el text d’un cop i decidir a quines parts prestar atenció.

2022: ChatGPT i l’explosió

El novembre de 2022, OpenAI va llançar ChatGPT — i va canviar-ho tot. No era el primer chatbot, ni el primer LLM, ni tan sols el model més potent del moment. Però va ser el primer que qualsevol persona podia provar gratis al navegador.

En 5 dies va arribar a 1 milió d’usuaris. En 2 mesos, a 100 milions. La IA va passar de ser un tema de laboratori a ser tema de conversa al bar.

2023-2026: La cursa actual

Des de ChatGPT, la cursa ha estat vertiginosa:

  • Anthropic va llançar Claude, amb èmfasi en seguretat i utilitat
  • Google va respondre amb Gemini
  • Meta va apostar per l’open source amb LLaMA
  • Mistral va emergir com l’alternativa europea
  • DeepSeek i altres models xinesos van demostrar que la innovació és global

Avui, els models no només generen text — entenen imatges, àudio i vídeo. I amb l’aparició de frameworks com OpenClaw, qualsevol persona pot tenir el seu propi agent d’IA funcionant.

El patró dels hiverns i estius

Si observes la història, veus un patró clar: eufòria → promeses exagerades → decepció → hivern → nova tecnologia → eufòria.

Estem en un estiu de la IA? Probablement. Vindrà un altre hivern? Potser, però amb una diferència: aquesta vegada la IA ja està integrada en productes que milions de persones usen cada dia. No és fàcil “desinstal·lar” una cosa que ja ha canviat com treballem.

Conceptes clau d’avui

  • Test de Turing: Si no pots distingir una màquina d’un humà en una conversa, la màquina és “intel·ligent”
  • Hivern de la IA: Període de desil·lusió on es retalla la inversió en IA (n’hi ha hagut dos)
  • Deep Learning: Aprenentatge automàtic amb xarxes neuronals profundes (moltes capes)
  • Transformer: L’arquitectura que va fer possibles els LLM moderns (2017)
  • Machine Learning: Fer que les màquines aprenguin dels exemples en lloc de programar-les regla per regla

Propera lliçó: Tipus d’IA — com classifiquem les màquines intel·ligents.