Skip to content

README.md

Latest commit

 

History

History
501 lines (401 loc) · 48 KB

README.md

File metadata and controls

501 lines (401 loc) · 48 KB
Raw

📜 Eje de papers fundacionales

148 hitos · 156 notebooks ejecutables · 5 anexos matemáticos · de Pearson (1901) a 2025

La historia de la IA contada por los papers que la movieron — no como una colección de PDFs, sino como una cadena de problemas resueltos que cada estudiante puede ejecutar, romper e interpretar.

📇 Índice de papers · 🔁 Matriz clase ↔ paper · 🗺️ Ruta y niveles · 🧮 Anexos matemáticos · 🌐 Fuentes y venues · 🧾 Registro general de fuentes · 📖 Cómo leer un paper · 🔁 5 pasadas · 📚 Glosario

📄 Papers 📓 Notebooks 🧪 Motores 🧮 Anexos 🎓 Niveles 🔗 Clases enlazadas
148 156 148 5 L0–L5 171

💡 La idea

Un paper leído es una anécdota. Un paper ejecutado, roto e interpretado es conocimiento.

Este eje convierte cada hito en una experiencia con la misma secuencia siempre:

problema histórico → propuesta → intuición → matemática mínima →
implementación → experimento → interpretación → limitaciones → siguiente hito

La última flecha es la importante. Cada paper existe porque el anterior dejó algo sin resolver. El perceptrón no separa XOR → backpropagation entrena capas ocultas → el gradiente se desvanece en secuencias largas → la LSTM lo controla → un vector fijo no sostiene frases largas → la atención lo elimina → si la atención basta, sobra la recurrencia → Transformer → …y la atención cuesta O(n²), que es de donde arranca Mamba doce años después.

Important

Este eje no redistribuye papers. Enlaza a la fuente primaria de cada uno, con autoría, año, venue, URL y fecha de consulta. Los notebooks implementan miniaturas del mecanismo en Python estándar: no reproducen los experimentos originales y lo declaran en cada salida.

🧭 17 rutas · 148 papers

El eje tiene 17 bloques con propósitos distintos. No se estudian igual. Dentro de cada uno, los papers van en orden cronológico; entre bloques no hay orden, porque responden a preguntas diferentes.

flowchart TD
    R1["🔗 cadena<br/>P01–P16 · 16 papers<br/>1958–2023"]
    R2["📚 ampliada<br/>P17–P22 · 6 papers<br/>2020–2025"]
    R3["🔤 representación<br/>P23–P25 · 3 papers<br/>2014–2019"]
    R4["🤖 agentes<br/>P26–P33 · 8 papers<br/>2015–2023"]
    R5["🧠 memoria<br/>P34–P37 · 4 papers<br/>2021–2023"]
    R6["🏗️ arquitectura<br/>P38–P49 · 12 papers<br/>2013–2023"]
    R7["🛡️ evaluación<br/>P50–P52 · 3 papers<br/>2022–2023"]
    R8["🧭 fundamentos<br/>P53–P63 · 11 papers<br/>1901–2021"]
    R9["♟️ simbólica<br/>P64–P72 · 9 papers<br/>1959–2020"]
    R10["📈 clásica<br/>P73–P86 · 14 papers<br/>1982–2018"]
    R11["ruta_probabilistica<br/>P87–P95 · 9 papers<br/>1763–2019"]
    R12["ruta_encarnada<br/>P96–P106 · 11 papers<br/>1960–2024"]
    R13["ruta_operacion<br/>P107–P117 · 11 papers<br/>2010–2023"]
    R14["ruta_percepcion<br/>P118–P126 · 9 papers<br/>2016–2022"]
    R15["ruta_medios<br/>P127–P133 · 7 papers<br/>2020–2024"]
    R16["ruta_agentes_operativos<br/>P134–P140 · 7 papers<br/>1975–2004"]
    R17["ruta_gobernanza<br/>P141–P148 · 8 papers<br/>1984–2020"]
    R1 -.->|"se estudia primero,<br/>en orden"| R2
Loading

🔗 Ruta mínima — la cadena canónica

P01–P16: la cadena canónica donde cada paper resuelve lo que el anterior dejó abierto. Se estudia en orden.

# Paper Año Nivel Lo que aportó
P01 El perceptrón 1958 L1 Primera máquina que aprende sus propios pesos a partir de ejemplos en lugar de ejecutar reglas escritas por una persona.
P02 Backpropagation 1986 L2 Un procedimiento práctico para entrenar capas ocultas: la red descubre representaciones intermedias que nadie diseñó.
P03 LSTM 1997 L2 Primera arquitectura recurrente capaz de mantener información a través de cientos de pasos sin que el gradiente se desvanezca.
P04 AlexNet 2012 L3 El resultado que convirtió el deep learning en la corriente principal: margen amplio sobre los métodos de visión hechos a mano.
P05 Word2Vec 2013 L2 El significado distribucional se vuelve barato: vectores densos entrenables sobre miles de millones de palabras.
P06 Seq2Seq 2014 L3 Una única red aprende a mapear secuencias de longitud variable a secuencias de longitud variable, de extremo a extremo.
P07 Atención (Bahdanau) 2014 L3 Nace la atención: el decodificador deja de depender de un único vector y consulta toda la entrada en cada paso.
P08 Transformer · Attention Is All You Need 2017 L4 Elimina la recurrencia y la convolución del modelado de secuencias: todo el cómputo de una capa se paraleliza.
P09 BERT 2018 L3 Consolida el patrón preentrenar-y-ajustar: un mismo modelo base sirve para muchas tareas con un ajuste pequeño.
P10 GPT-3 y el aprendizaje en contexto 2020 L3 El aprendizaje en contexto: la tarea se especifica en el prompt y el modelo se adapta sin actualizar ningún peso.
P11 RAG 2020 L3 Separa el conocimiento (índice consultable y actualizable) del razonamiento (parámetros del modelo).
P12 InstructGPT y RLHF 2022 L3 El salto de «modelo que completa texto» a «asistente que sigue instrucciones»: alineación con preferencias humanas.
P13 ReAct 2022 L2 El modelo deja de ser solo un generador de texto y pasa a ser el controlador de un bucle que observa y actúa.
P14 Toolformer 2023 L3 El uso de herramientas se aprende de forma autosupervisada: el criterio de utilidad es la propia pérdida del modelo.
P15 DPO 2023 L4 Alinear un modelo con preferencias humanas sin modelo de recompensa explícito ni bucle de aprendizaje por refuerzo.
P16 Sistemas agentic contemporáneos 2023 L5 El agente deja de ser un bucle y pasa a ser un sistema: memoria, reflexión, planificación, presupuesto, múltiples agentes y protocolos de interoperabilidad.

📚 Ruta ampliada — lo que la cadena mínima no cubre

P17–P22: cobertura que la cadena mínima no da (generativa, multimodal, escalado) y continuación hasta 2025. Ordenada por año.

# Paper Año Nivel Lo que aportó
P17 Difusión (DDPM) 2020 L3 La generación deja de ser un salto en la oscuridad: se aprende a deshacer, paso a paso, un proceso de ruido conocido.
P18 CLIP 2021 L3 El texto se convierte en la etiqueta: un solo modelo clasifica categorías que nadie anotó, describiéndolas con palabras.
P19 Leyes de escalado con cómputo óptimo (Chinchilla) 2022 L4 Corrige la carrera por el tamaño: a cómputo fijo, los modelos de la época estaban infraentrenados en datos.
P20 Mamba 2023 L4 El primer competidor serio del Transformer en lenguaje: tiempo lineal y estado de tamaño fijo, sin atención.
P21 Mixtral (mezcla dispersa de expertos) 2024 L3 Desacopla capacidad de cómputo: 47 000 millones de parámetros totales, 13 000 millones activos por token.
P22 DeepSeek-R1 2025 L5 El razonamiento se incentiva con refuerzo puro, sin trazas humanas anotadas; y es el primer LLM de pesos abiertos publicado tras revisión por pares.

🔤 Ruta de representación — cómo el lenguaje llegó a un formato único

P23–P25: cómo el lenguaje pasó de vectores estáticos a representaciones contextuales y de ahí a un formato único texto → texto. Ordenada por año.

# Paper Año Nivel Lo que aportó
P23 GloVe 2014 L2 Unifica las dos familias de embeddings: factorizar estadísticas globales de co-ocurrencia con la ventaja de los métodos predictivos.
P24 ELMo 2018 L3 Un vector por APARICIÓN y no por palabra: la polisemia deja de colapsar en un único punto del espacio.
P25 T5 2019 L3 Todo problema de texto se reescribe como texto → texto: un solo modelo, una sola pérdida, cero cabezas específicas.

🤖 Ruta de agentes — decisión secuencial, razonamiento y multiagente

P26–P33: decisión secuencial y agentes. Empieza en el refuerzo profundo y la búsqueda guiada —de donde viene la idea de agente— y llega al razonamiento deliberado, la memoria, las habilidades reutilizables y el multiagente. Ordenada por año.

# Paper Año Nivel Lo que aportó
P26 DQN 2015 L3 El primer agente que aprende a actuar directamente desde píxeles, con la misma arquitectura y los mismos hiperparámetros en decenas de juegos.
P27 AlphaGo 2016 L4 Une las dos tradiciones de la IA: la búsqueda simbólica de la parte 01 y el aprendizaje profundo de la parte 04, en un solo sistema.
P28 Chain-of-Thought 2022 L2 Descomponer en pasos intermedios desbloquea tareas que el mismo modelo fallaba respondiendo de una vez.
P29 Tree of Thoughts 2023 L3 Devuelve la búsqueda clásica al razonamiento: explorar varias ramas, evaluarlas y poder retroceder.
P30 Reflexion 2023 L2 El agente aprende entre intentos sin tocar un solo peso: el refuerzo ocurre en el contexto, en lenguaje natural.
P31 Generative Agents 2023 L3 Resuelve la memoria de un agente que vive mucho tiempo: qué recordar, cuándo y por qué, cuando el contexto no da para todo.
P32 Voyager 2023 L3 El agente acumula habilidades reutilizables en vez de contexto: memoria procedimental que no se borra al terminar la tarea.
P33 AutoGen 2023 L4 El multiagente deja de ser una metáfora y pasa a ser un patrón de programación: agentes con rol que conversan hasta converger.

🧠 Ruta de memoria y contexto — qué recuerda el modelo y cómo

P34–P37: cómo se codifica la posición, por qué el contexto largo es viable, por qué tenerlo no basta y cómo se gestiona como memoria jerárquica.

# Paper Año Nivel Lo que aportó
P34 RoPE 2021 L3 La posición se codifica rotando, y la atención pasa a depender solo de la distancia relativa.
P35 FlashAttention 2022 L4 El cuello de botella de la atención no eran los FLOPs sino las lecturas y escrituras a memoria.
P36 Lost in the Middle 2023 L3 Tener contexto largo no es usarlo: el rendimiento cae en forma de U cuando el dato relevante está en el medio.
P37 MemGPT 2023 L3 Aplica al contexto la idea de memoria virtual: una jerarquía que da la ilusión de memoria grande sobre una pequeña y rápida.

🏗️ Ruta de arquitectura y entrenamiento — el andamiaje de todo lo demás

P38–P49: el andamiaje que hace entrenable todo lo demás — generativa clásica, regularización, optimización, robustez, normalización, profundidad, compresión, visión con Transformer, ciencia aplicada y adaptación eficiente.

# Paper Año Nivel Lo que aportó
P38 VAE 2013 L3 Hace entrenable un modelo generativo latente: el truco de reparametrización deja pasar el gradiente a través del muestreo.
P39 GAN 2014 L3 Convierte la generación en un juego: dos redes compiten y ninguna necesita una verosimilitud explícita.
P40 Dropout 2014 L2 Apagar unidades al azar durante el entrenamiento equivale a entrenar un ensamblado exponencial de subredes que comparten pesos.
P41 Adam 2014 L2 Un paso de aprendizaje por dimensión, adaptado a la escala de su propio gradiente.
P42 Ejemplos adversarios 2014 L3 Una perturbación imperceptible cambia la predicción.
P43 Batch Normalization 2015 L2 Normalizar las activaciones dentro de la red permite tasas de aprendizaje mucho mayores y hace el entrenamiento profundo mucho menos frágil.
P44 ResNet 2015 L3 El atajo identidad hace apilables cientos de capas.
P45 Destilación de conocimiento 2015 L2 Las probabilidades del maestro contienen más información que la etiqueta correcta: el modelo pequeño aprende de esa estructura.
P46 Vision Transformer 2020 L3 Trata la imagen como una secuencia de parches y aplica un Transformer puro: la convolución deja de ser imprescindible en visión.
P47 AlphaFold 2 2021 L4 Resuelve en la práctica un problema abierto de cincuenta años en biología, y demuestra que la IA puede producir conocimiento científico, no solo productos.
P48 LoRA 2021 L3 Ajustar un modelo enorme entrenando una fracción diminuta de parámetros, sin coste añadido en inferencia.
P49 QLoRA y cuantización 2023 L3 Pone el ajuste fino de un modelo muy grande al alcance de una sola GPU de consumo.

🛡️ Ruta de evaluación y seguridad — cómo se decide que un modelo sirve

P50–P52: cómo se decide que un modelo es aceptable — principios explícitos, criterios de evaluación verificables e interpretabilidad de lo que hay dentro.

# Paper Año Nivel Lo que aportó
P50 IA constitucional 2022 L4 Sustituye parte del juicio humano por un conjunto de principios explícitos y auditables, y por la autocrítica del modelo.
P51 SWE-bench 2023 L3 Cambia el criterio de evaluación: no si el código parece bien, sino si los tests del repositorio real pasan.
P52 Superposición y autoencoders dispersos 2023 L5 Explica por qué una neurona no significa una cosa, y propone una forma de descomponer las activaciones en características interpretables.

🧭 Ruta de fundamentos — de dónde sale el campo y con qué método se juzga

P53–P63: de dónde sale el campo y con qué método se juzga. No es la cadena técnica: es el suelo —geometría, información, computabilidad, agencia— y el criterio con el que se lee todo lo demás (valor predictivo, validez de benchmark, reproducibilidad). Ordenada por año.

# Paper Año Nivel Lo que aportó
P53 PCA 1901 L2 La primera respuesta al problema de resumir una nube de puntos con menos dimensiones sin privilegiar ninguna variable.
P54 Neurona lógica 1943 L1 Establece que una red de neuronas de umbral puede calcular cualquier función lógica: el puente entre biología y computación.
P55 Teoría de la información 1948 L2 Define la información como reducción de incertidumbre y le pone unidad, cota y límite: el bit, la entropía y la capacidad del canal.
P56 Juego de imitación 1950 L1 Cambia una pregunta metafísica —¿pueden pensar las máquinas?— por un procedimiento que se puede ejecutar y discutir.
P57 Propuesta de Dartmouth 1955 L1 Bautiza el campo y fija su agenda: siete temas que aún organizan buena parte de la investigación.
P58 Símbolos y búsqueda 1976 L2 Enuncia las dos hipótesis que resumen veinte años de IA simbólica: el sistema de símbolos físicos y la búsqueda heurística.
P59 Agentes inteligentes 1995 L2 Fija qué es un agente y qué propiedades lo definen, y separa la teoría de las arquitecturas y de los lenguajes que la implementan.
P60 Valor predictivo 2005 L3 Muestra con un modelo explícito que la probabilidad de que un hallazgo publicado sea cierto depende del diseño y de los incentivos, no del valor p.
P61 Loros estocásticos 2021 L1 Pone por escrito el coste de la carrera por el tamaño: quién paga, quién queda representado y qué se afirma de más sobre la comprensión.
P62 Validez de benchmarks 2021 L3 Traslada al campo el concepto de validez de constructo: un número alto no prueba la capacidad que el benchmark dice medir.
P63 Reproducibilidad 2021 L3 Convierte la reproducibilidad en un requisito operativo del proceso de publicación, con checklist, código y revisión.

♟️ Ruta simbólica — buscar, deducir, planificar y acordar

P64–P72: la tradición que dominó el campo durante treinta años. Del análisis medios-fines a la planificación, pasando por la búsqueda con garantía, las dos lógicas, las restricciones y las ontologías; cierra con el intento de reconciliarla con el aprendizaje. Ordenada por año.

# Paper Año Nivel Lo que aportó
P64 General Problem Solver 1959 L2 Separa por primera vez el método de resolución del dominio concreto: el análisis medios-fines elige el operador por la diferencia que reduce.
P65 DPLL 1962 L2 El algoritmo que sigue siendo el esqueleto de todo solucionador SAT moderno: propagar primero, ramificar solo cuando no queda deducción por hacer.
P66 Resolución 1965 L3 Reduce toda la inferencia de primer orden a una sola regla, y hace la unificación computable con el unificador más general.
P67 A* 1968 L3 Convierte la heurística de recurso práctico en garantía demostrable: si nunca sobrestima, el camino encontrado es óptimo.
P68 STRIPS 1971 L2 Da a la planificación su representación duradera —precondición, añadir, borrar— y con ella una respuesta práctica al problema del marco.
P69 Factores de certeza 1975 L2 El motor de MYCIN: razonar con grados de creencia y explicar cada conclusión por las reglas que la sostienen.
P70 Consistencia de arco 1977 L3 Convierte la propagación de restricciones en un preproceso con nombre y algoritmo: podar dominios antes de buscar, no mientras se busca.
P71 Ontologías 1993 L1 Da la definición que se sigue citando —una ontología es una especificación explícita de una conceptualización— y cinco criterios para juzgarla.
P72 Neuro-simbólico 2020 L5 Ordena la agenda de integrar aprendizaje y razonamiento en vez de elegir uno de los dos.

📈 Ruta clásica — aprender la regla de los datos, y medirla bien

P73–P86: aprender la regla de los datos en vez de escribirla. Agrupar, dividir, separar con margen, regularizar, combinar modelos débiles y —tan importante como todo lo anterior— medir bien: estimadores, calibración, selección de variables y evaluación fuera de muestra. Ordenada por año.

# Paper Año Nivel Lo que aportó
P73 k-medias 1982 L2 El algoritmo de agrupamiento más usado del mundo, con la demostración de que converge —y de que converge a un óptimo local, no al global.
P74 Árboles de decisión 1986 L2 Aprende un modelo que una persona puede leer, eligiendo cada pregunta por cuánta incertidumbre elimina.
P75 Vectores soporte 1995 L3 Convierte la elección entre clasificadores que aciertan igual en un criterio con justificación teórica: el margen.
P76 Validación cruzada 1995 L3 Fija la práctica estándar de evaluación —diez pliegues estratificados— con evidencia empírica en lugar de costumbre.
P77 Lasso 1996 L3 Una penalización que estima y selecciona a la vez: pone coeficientes exactamente en cero.
P78 AdaBoost 1997 L3 Demuestra que muchos clasificadores apenas mejores que el azar se combinan en uno arbitrariamente bueno, y da el algoritmo que lo hace.
P79 Bosques aleatorios 2001 L3 Demuestra que el error de un conjunto depende de la fuerza de sus miembros Y de su correlación, y que empeorarlos a propósito puede mejorarlo.
P80 Las dos culturas 2001 L1 Nombra la división que organiza el campo: suponer un mecanismo generador frente a medir la capacidad de predecir.
P81 Selección de variables 2003 L3 Ordena el problema de elegir variables y demuestra por qué el ranking de una en una falla en las dos direcciones.
P82 Calibración 2005 L3 Separa dos cosas que se confundían: ordenar bien los ejemplos y estimar bien la probabilidad de cada uno.
P83 t-SNE 2008 L3 Hace visibles las estructuras locales de datos de alta dimensión, y con ello se convierte en la figura por defecto de media década de artículos.
P84 Bosque de aislamiento 2008 L2 Invierte el planteamiento de la detección de anomalías: en vez de modelar lo normal, mide lo fácil que es aislar cada punto.
P85 Factorización matricial 2009 L3 El método que ganó el Netflix Prize, explicado con lo que de verdad importa: los sesgos antes que los gustos.
P86 Competición M4 2018 L3 Cien mil series y sesenta y un métodos para responder empíricamente qué funciona al predecir series temporales — y la respuesta incomoda a todo el mundo.

ruta_probabilistica

P87–P95: decidir sin certeza. Por qué la probabilidad es la única extensión coherente de la lógica, cómo se actualiza una creencia, qué hace tratable la conjunta, y las dos familias que buscan sin gradiente. Cierra con la distinción que el aprendizaje automático no resuelve: asociar no es intervenir. Ordenada por año.

# Paper Año Nivel Lo que aportó
P87 Teorema de Bayes 1763 L2 La regla que invierte el condicional: pasar de «qué esperaría ver si la hipótesis fuese cierta» a «cuán probable es la hipótesis dado lo que he visto».
P88 Teorema de Cox 1946 L3 Demuestra que la probabilidad no es una convención entre varias: es la única forma consistente de extender la lógica a grados de creencia.
P89 Conjuntos difusos 1965 L2 Permite que un elemento pertenezca parcialmente a un conjunto, y con eso da tratamiento formal a la vaguedad de los predicados del lenguaje.
P90 Algoritmos genéticos 1973 L2 Conecta la evolución artificial con un problema de decisión clásico: cómo repartir ensayos entre alternativas cuando explorar cuesta.
P91 Redes bayesianas 1986 L3 Hace tratable la probabilidad en IA: la estructura del grafo dice qué hay que almacenar y qué se puede propagar localmente.
P92 Enjambre de partículas 1995 L2 Optimiza sin gradiente con dos únicas memorias: lo mejor que ha encontrado cada individuo y lo mejor que ha encontrado el grupo.
P93 Colonia de hormigas 1996 L2 La solución no está en ningún agente: está en el rastro que dejan en el entorno y que se refuerza y se evapora.
P94 Programación probabilística 2017 L3 Separa declarar el modelo de calcular la inferencia: se escribe qué se supone del mundo y el motor devuelve la posterior.
P95 Herramientas causales 2019 L3 Ordena en tres peldaños lo que un sistema puede responder —asociación, intervención y contrafáctico— y muestra que subir de peldaño exige supuestos que los datos no contienen.

ruta_encarnada

P96–P106: cuando el sistema sale de la pantalla y equivocarse tiene consecuencias que no se deshacen. Estimar dónde se está, moverse sin chocar, aprender a controlar, cruzar el hueco entre simulación y realidad, y no hacer daño. Cierra con la vuelta a la pantalla ajena: agentes que operan navegadores y escritorios. Ordenada por año.

# Paper Año Nivel Lo que aportó
P96 Filtro de Kalman 1960 L3 Fusiona un modelo del movimiento con un sensor ruidoso ponderando cada fuente por su propia incertidumbre, y lo hace de forma recursiva.
P97 Subsunción 1986 L2 Demuestra que un robot puede comportarse de forma competente sin modelo del mundo, sin planificador y sin representación central.
P98 RRT 2000 L3 Planifica en espacios continuos de muchas dimensiones sin discretizarlos, creciendo un árbol hacia muestras aleatorias.
P99 SLAM 2006 L3 Formaliza el problema circular de la robótica móvil: no se puede localizar sin mapa ni mapear sin localización, y hay que resolver ambos a la vez.
P100 Seguridad física 2009 L2 Sustituye la intuición sobre seguridad robótica por mediciones de impacto con maniquíes y criterios de lesión validados.
P101 DAgger 2011 L3 Explica por qué la clonación de comportamiento se degrada con el horizonte, y da un algoritmo que reduce el error de orden T² a orden T.
P102 PPO 2017 L3 Consigue la estabilidad de TRPO con una función objetivo que se implementa en unas líneas y se optimiza con descenso de gradiente corriente.
P103 Aleatorización de dominio 2017 L2 Invierte el objetivo del simulador: en vez de buscar fidelidad, busca que la realidad sea una variación más dentro del rango de entrenamiento.
P104 WebArena 2023 L3 Evalúa agentes de navegador comprobando el ESTADO del sitio al terminar, no lo que el agente dice haber hecho.
P105 SeeClick 2024 L2 Aísla el anclaje —de una instrucción a unas coordenadas— como la capacidad que separa describir una pantalla de poder operarla.
P106 OSWorld 2024 L3 Lleva la evaluación de agentes al escritorio completo, con tareas que cruzan aplicaciones y un verificador por tarea que inspecciona el sistema real.

ruta_operacion

P107–P117: lo que sostiene un sistema en producción y no aparece en ningún artículo de modelos. Ver qué pasa dentro, decidir qué se sacrifica cuando la red se parte, sobrevivir a la cola de latencia, detectar que el mundo cambió, y documentar datos y modelos para que alguien más pueda auditarlos. Cierra con la evaluación de agentes por trayectoria. Ordenada por año.

# Paper Año Nivel Lo que aportó
P107 Dapper 2010 L2 Hace observable una petición que atraviesa decenas de servicios, con un identificador que viaja con ella y un muestreo que la hace asequible.
P108 CAP doce años después 2012 L2 Corrige la lectura simplista de su propio teorema: no se eligen dos de tres, se elige por operación y solo mientras dura la partición.
P109 La cola a escala 2013 L2 Muestra que con abanico grande la latencia de cola de cada componente se convierte en la latencia típica del sistema completo.
P110 Deriva de concepto 2014 L3 Ordena el problema de que el mundo cambie después de entrenar, y separa detectar de adaptarse.
P111 Deuda técnica en ML 2015 L1 Nombra el hecho incómodo del área: el código del modelo es una fracción diminuta del sistema, y el resto acumula una deuda que ninguna herramienta detecta.
P112 ML Test Score 2017 L2 Convierte «¿está listo para producción?» en una rúbrica de 28 pruebas concretas, puntuada por su categoría más débil.
P113 Aprendizaje por refuerzo que importa 2018 L3 Demuestra empíricamente que con pocas semillas el ranking entre algoritmos es una moneda al aire, y que muchas mejoras publicadas no sobreviven a la comprobación.
P114 Tarjetas de modelo 2019 L1 Propone un documento corto y estandarizado que acompaña a cada modelo, con evaluación desagregada por subgrupo y usos fuera de alcance declarados.
P115 Hojas de datos 2021 L1 Traslada a los conjuntos de datos la hoja de características que acompaña a cualquier componente electrónico: qué es, cómo se hizo y para qué no sirve.
P116 Por qué Johnny no sabe hacer prompts 2023 L2 Documenta con usuarios reales que iterar prompts sin conjunto de evaluación produce mejoras imaginarias, y por qué la intuición falla sistemáticamente.
P117 AgentBench 2023 L3 Evalúa agentes en ocho entornos distintos y hace visible que la tasa agregada esconde dónde y cómo fallan.

ruta_percepcion

P118–P126: cómo entra el mundo en el modelo cuando no es texto limpio. Partir la palabra en unidades que siempre existen, modelar la forma de onda, aprender sobre grafos, caber en un dispositivo pequeño y leer un documento donde la posición es parte del significado. Ordenada por año.

# Paper Año Nivel Lo que aportó
P118 Unidades de subpalabra 2016 L2 Elimina el problema de la palabra desconocida haciendo que la unidad de vocabulario sea más pequeña que la palabra, con un algoritmo que la frecuencia decide sola.
P119 WaveNet 2016 L3 Genera la forma de onda muestra a muestra con convoluciones causales dilatadas, y cierra la brecha de naturalidad que arrastraba la síntesis de voz.
P120 Redes convolucionales de grafo 2017 L2 Reduce la convolución sobre grafos a una regla de propagación de una línea, y con ella clasifica con una fracción mínima de nodos etiquetados.
P121 MobileNets 2017 L2 Descompone la convolución en dos pasos y convierte el compromiso entre precisión y coste en dos perillas explícitas que el ingeniero elige.
P122 Tacotron 2 2018 L2 Parte la síntesis en dos etapas con el espectrograma mel como interfaz, y alcanza naturalidad indistinguible de una grabación en la escala de opinión media.
P123 SentencePiece 2018 L2 Elimina la pretokenización por espacios y hace la detokenización exacta, lo que convierte al tokenizador en una pieza reproducible e independiente del idioma.
P124 Redes de atención sobre grafos 2018 L3 Sustituye el promedio uniforme sobre los vecinos por pesos aprendidos por pareja, sin necesitar conocer la estructura global del grafo.
P125 LayoutLM 2020 L2 Añade la posición en la página como una incrustación más, y con eso convierte un modelo de lenguaje en un lector de formularios y facturas.
P126 Donut 2022 L3 Va de la imagen del documento a la salida estructurada sin pasar por OCR, y con ello elimina una fuente de error que la etapa siguiente no podía corregir.

ruta_medios

P127–P133: generar medios y el problema que eso crea. Música con estructura, escenas 3D que no se modelan a mano, voces que se copian con tres segundos. Cierra con las dos consecuencias inevitables: cómo saber qué se generó y qué le pasa a un corpus que se alimenta de sí mismo. Ordenada por año.

# Paper Año Nivel Lo que aportó
P127 Jukebox 2020 L3 Genera canciones con voz cantada reconocible modelando códigos discretos en tres escalas temporales, en vez de la forma de onda directamente.
P128 NeRF 2020 L3 Sustituye la escena explícita por una función continua que un perceptrón representa, y sintetiza vistas nuevas con una fidelidad que no se había visto.
P129 MusicLM 2023 L3 Genera música coherente de varios minutos desde una descripción en lenguaje natural, y publica MusicCaps para que la tarea se pueda evaluar.
P130 VALL-E 2023 L3 Convierte la síntesis de voz en modelado de lenguaje sobre códigos de audio, y clona una voz con tres segundos de muestra sin entrenar nada.
P131 Una marca de agua 2023 L2 Deja una firma estadística verificable en el texto generado sesgando qué tokens se eligen, sin degradar apreciablemente la calidad ni necesitar el modelo para detectarla.
P132 Splatting de gaussianas 2023 L3 Alcanza calidad de campo de radiancia a velocidad de tiempo real cambiando la función continua por millones de primitivas explícitas que se rasterizan.
P133 Colapso de modelo 2024 L2 Demuestra que entrenar generación tras generación con datos sintéticos estrecha la distribución de forma irreversible, sin que ningún modelo cometa error alguno.

ruta_agentes_operativos

P134–P140: lo que hace falta para que un agente opere de verdad, y que se resolvió décadas antes de que hubiera agentes. Qué permisos darle, cómo coordinar varios sin un jefe que lo sepa todo, cuánto dejarle pensar, en qué idioma hablan entre ellos, cuánto dejar decidir a la máquina y cómo repartir el trabajo. Ordenada por año.

# Paper Año Nivel Lo que aportó
P134 La protección de la información 1975 L1 Enuncia los ocho principios de diseño de protección que siguen siendo la base de cualquier discusión sobre permisos, cincuenta años después.
P135 Hearsay-II 1980 L2 Introduce la arquitectura de pizarra: fuentes de conocimiento independientes que publican hipótesis en una estructura compartida, sin llamarse entre sí.
P136 El protocolo de red de contratos 1980 L2 Reparte tareas por anuncio, oferta y adjudicación, sin que nadie mantenga una lista de quién sabe hacer qué.
P137 Principios del metarrazonamiento 1991 L3 Convierte «cuánto pensar» en una decisión que se toma con el mismo criterio que cualquier otra: comparando el valor esperado de deliberar con lo que deliberar cuesta.
P138 KQML 1994 L2 Separa qué se dice de qué se pretende al decirlo, y con esa capa común convierte N×M integraciones punto a punto en N+M.
P139 Niveles de automatización 2000 L2 Descompone la automatización en cuatro etapas con diez niveles cada una, y documenta que subir de nivel deja al humano fuera del bucle justo cuando más falta hace.
P140 MapReduce 2004 L1 Reduce el procesamiento distribuido a dos funciones puras y esconde el reparto, la tolerancia a fallos y la recogida de resultados detrás de ellas.

ruta_gobernanza

P141–P148: lo que hay que poder responder cuando alguien pregunta por qué el sistema hizo lo que hizo, y qué límites tiene aprender de datos que son de personas. Enseñar, olvidar y recordar, proteger, defender, aprender sin centralizar, imaginar el mundo y rendir cuentas. Cierra el eje con la pregunta de quién responde. Ordenada por año.

# Paper Año Nivel Lo que aportó
P141 El problema de las dos sigmas 1984 L1 Cuantifica en desviaciones típicas cuánto mejora la tutoría individual sobre la clase convencional, y convierte esa cifra en un problema de ingeniería educativa.
P142 Interferencia catastrófica 1989 L2 Documenta que aprender una tarea nueva borra la anterior de golpe, y que no es una degradación gradual sino un colapso.
P143 Calibrar el ruido a la sensibilidad 2006 L3 Da una definición formal de privacidad que no depende de qué sepa el atacante, y un mecanismo concreto para cumplirla.
P144 Fuera del mundo cerrado 2010 L2 Explica por qué el aprendizaje automático funciona peor en seguridad que en cualquier otro dominio, y por qué la culpa no es del modelo.
P145 Superar el olvido catastrófico 2017 L3 Frena selectivamente los pesos que importaban para las tareas anteriores y deja libres los demás, con una penalización derivada de la información de Fisher.
P146 Aprendizaje federado 2017 L2 Entrena un modelo compartido sin que los datos salgan del dispositivo, promediando modelos en vez de recoger registros.
P147 Modelos del mundo 2018 L3 Entrena la política dentro de un modelo del entorno aprendido, y demuestra que la política resultante funciona en el entorno real.
P148 Cerrar la brecha de responsabilidad 2020 L1 Convierte la auditoría de un examen final en un proceso con cinco etapas y artefactos obligatorios que se producen mientras el sistema se construye.

⏳ ¿Por qué el eje no llega a 2026?

Porque el propio eje se lo prohíbe. El criterio de ascenso exige, entre otras cosas, 12 meses desde la publicación y evidencia de que otros trabajos han construido encima. Con fecha de revisión 2026-08-16, eso admite hasta mediados de 2025 — y ahí termina P22.

Lo posterior no se omite: vive en frontier/current-topics.yaml con fecha y fuente, y asciende a foundational/ cuando cumple los criterios. Un paper de hace tres meses puede ser excelente y aun así no tener todavía lo que hace falta para enseñarlo como hito: réplicas, consecuencias y errores comunes documentados.

🔬 Tratamiento especial: Attention Is All You Need

El paper que sostiene casi todo lo que vino después se desmonta pieza por pieza en ocho miniaturas independientes, además de su ficha completa:

Miniatura Qué aísla
T01 Por qué había que quitar la recurrencia
T02 Q, K, V y el producto escalar escalado
T03 Softmax, escala √d_k y saturación
T04 Self-attention y máscara causal
T05 Multi-head attention
T06 Codificación posicional
T07 Residual, layer norm y feed-forward
T08 Encoder–decoder, complejidad y qué no dice el título

Y la ecuación 1 está desarrollada con números, paso a paso, en el anexo A04.

🧮 Anexos matemáticos

La sección 5 de cada ficha es deliberadamente corta: solo la matemática de ese paper. Las herramientas que reaparecen en todos se explican una vez, en un sitio, con ejemplo resuelto a mano y su error común:

Anexo Cubre
A01 · Álgebra y geometría Producto escalar, norma, coseno, hiperplanos, matrices
A02 · Probabilidad y verosimilitud Softmax, entropía, KL, Bradley-Terry, gaussianas
A03 · Cálculo y gradientes Regla de la cadena, retropropagación, gradiente de política
A04 · La atención, paso a paso La ecuación 1 con números, máscara, multi-cabeza
A05 · Complejidad, coste y escalado O(), memoria, FLOPs, 6ND, coste de inferencia

🔁 Ida y vuelta con las clases

El circuito está cerrado en los dos sentidos:

flowchart LR
    F["📜 ficha del paper<br/>sección 'clases del programa'"] -->|"ida"| C["🏫 clase del programa"]
    C -->|"vuelta: bloque generado<br/>'Papers que fundamentan esta clase'"| F
    F --> N["📓 miniatura ejecutable"]
    F --> A["🧮 anexo matemático"]
    C --> L["🧪 laboratorio de la clase"]
Loading

Las 171 clases enlazadas llevan un bloque generado por scripts/link_papers_to_classes.py que lista sus papers, el año, qué desbloqueó cada uno y su notebook. Se regenera desde papers.json, así que no puede desincronizarse: --check lo verifica en CI.

🚀 Cómo se usa

pip install -e .

ai-evolution papers                 # catálogo del eje
ai-evolution paper P08              # ficha resumida de un paper
ai-evolution paper-lab P08 --seed 7 # ejecuta la miniatura
python scripts/generate_papers.py   # regenera índice, notebooks y manifiesto

Con los notebooks:

jupyter lab notebooks/papers/

Sin código: el eje también se lee en el sitio del programa o en el PDF imprimible (python scripts/generate_pdfs.py --papers).

Empieza por P01_perceptron.ipynb y sigue el orden de la ruta mínima. Antes de ejecutar cada celda, escribe tu predicción en la sección 7 — ese paso no es decorativo: es lo que se evalúa.

📦 Estructura del eje

papers/
├── README.md                    ← este archivo
├── ROADMAP.md                   ← niveles L0–L5 y plan de estudio
├── manifest.json                ← inventario con hash por artefacto (generado)
├── guides/                      ← cómo leer, 5 pasadas, plantilla, glosario, fuentes
├── annexes/                     ← 5 anexos matemáticos con ejemplos resueltos
├── catalog/
│   ├── papers.json              ← fuente de verdad estructurada
│   ├── sources.yaml             ← venues y repositorios primarios
│   └── PAPERS_INDEX.md          ← índice legible (generado)
└── foundational/PXX_slug/       ← una ficha de 18 secciones por paper

notebooks/papers/                ← 38 + 8 notebooks (generados)
instructor/papers/               ← plan de sesión por paper (generado)
student/papers/                  ← ficha de estudio y bitácora (generado)
assessments/papers/              ← evaluación con rúbrica por paper (generado)
prompts/                         ← prompts reutilizables del eje

⚖️ Reglas del eje (verificadas automáticamente)

  1. Contexto antes que tecnicismo. Nadie ve una ecuación antes de saber qué problema resuelve.
  2. Progresión antes que saturación. Un hito por vez, en orden.
  3. Interpretación antes que ejecución mecánica. Predecir, ejecutar, explicar.
  4. Implementación pequeña y explicable antes que frameworks.
  5. Nunca atribuir al paper ideas posteriores. Sección 11 de cada ficha.
  6. Nunca inventar autores, fechas, datasets, métricas ni citas.
  7. Siempre distinguir hecho documentado, simplificación didáctica, inferencia y práctica moderna.
  8. Siempre registrar URL, autoría, año, venue y fecha de consulta.
  9. Sin APIs pagadas como requisito de aprendizaje.
  10. Sin redistribuir material con copyright.

✅ Verificación

python scripts/generate_papers.py --check
python scripts/link_papers_to_classes.py --check
python -m unittest tests.test_papers -v
python scripts/validate_repository.py --strict

Se comprueba: JSON y YAML válidos, las 18 secciones de cada ficha en orden, los 17 momentos de cada notebook, nbformat correcto, que cada motor exista y sea determinista, que las clases enlazadas existan y enlacen de vuelta, ausencia de rutas absolutas y coherencia de los hashes del manifiesto en cualquier sistema operativo.