Antes de que la inteligencia artificial se convirtiera en una industria, Claude Shannon ya jugaba con una pregunta inquietante: ¿puede una máquina aprender de sus errores?
A principios de la década de 1950, el matemático e ingeniero estadounidense, considerado uno de los padres de la teoría de la información, construyó un pequeño experimento llamado Theseus. No era un ratón vivo, sino una figura mecánica capaz de moverse dentro de un laberinto. Su objetivo era encontrar una recompensa, una especie de “queso” artificial colocado al final del recorrido.
La primera vez que entraba al laberinto, Theseus avanzaba por ensayo y error. Chocaba con las paredes, cambiaba de dirección, probaba caminos equivocados y seguía buscando hasta encontrar la salida. Pero el truco estaba debajo del tablero: una red de sensores, relés telefónicos y mecanismos electromagnéticos registraba el recorrido. El aprendizaje no ocurría realmente dentro del ratón, sino en la estructura que lo guiaba.
Cuando Shannon volvía a colocar a Theseus en el laberinto, el pequeño ratón ya no tenía que perderse. El sistema recordaba el camino y lo conducía directamente hacia la meta. Si el laberinto cambiaba, la máquina podía volver a explorar hasta encontrar una ruta conocida y actualizar su memoria.
El experimento parecía un juguete, pero anticipaba una de las ideas más importantes de la computación moderna: una máquina puede mejorar su comportamiento a partir de la experiencia. No porque “entienda” el mundo como lo haría una persona, sino porque puede registrar errores, guardar patrones y usar esa información para tomar mejores decisiones.
La imagen resulta todavía más poderosa hoy, cuando los sistemas de inteligencia artificial vuelven a plantear preguntas parecidas. ¿Qué significa aprender? ¿Dónde ocurre ese aprendizaje? ¿En la máquina, en los datos, en la infraestructura que la sostiene o en la relación con quienes la usan?
Theseus también recuerda que aprender un camino no es lo mismo que comprender todo el laberinto. Una máquina puede hallar una ruta eficiente, pero eso no significa que sepa por qué existe el laberinto, quién lo construyó o qué hay fuera de sus paredes.
Por eso, el experimento de Shannon sigue funcionando como metáfora. En tiempos de incertidumbre tecnológica, social y política, no basta con buscar salidas automáticas. También hay que aprender a leer el terreno, equivocarse sin rendirse y construir memoria colectiva.
Si una máquina podía aprender un laberinto, también nosotros podemos aprender a cruzar este tiempo raro.
