Saltar al contenido
Nóesis
Nóesis · Mapa

Mapa y
cronología

35
familias
99
parentescos
205
hitos citados

Cada círculo es una familia, situada en el año de su acta fundacional y en la tradición intelectual de la que viene. Las líneas marcan parentescos: ideas que una tomó de otra o problemas que comparten. Pasa el cursor para seguir las conexiones; haz clic para abrir su laboratorio.

Mapa de las familias y sus parentescos

OPTIMISMO SIMBÓLICOPRIMER INVIERNOSISTEMAS EXPERTOSSEGUNDO INVIERNOAPRENDIZAJE ESTADÍSTICOAPRENDIZAJE PROFUNDOSímbolos y reglas01Incertidumbre y datos02Redes que aprenden03Modelos que imaginan04Actuar en el mundo05Inspiración natural06Frontera07180019401950196019701980199020002010202001Simbólica02Probabilística03ML clásico04Redes neuronales05Convolucionales06RNN / LSTM07Transformers08Generativos09Refuerzo10Evolutiva11Enjambre12JEPA13Modelos de mundo14SSM / MoE15Grafos16Energía17Neuromórfica18Reservorio / KAN19Neurosimbólica20Agentes21Interpretabilidad22Planificación23Lógica difusa24Arquitecturas cognitivas25IA causal26Meta-aprendizaje27Aprendizaje continuo28Federado29AutoML30Multimodal31Voz32Robótica33Síntesis de programas34RAG35Equidad

Desliza horizontalmente · toca un nodo para abrir su laboratorio

Símbolos y reglas

Pensar es manipular representaciones explícitas.

  1. 01
    desde 1956
    IA simbólica
    NeurosimbólicaProbabilísticaAgentesRefuerzoPlanificaciónArquitecturas cognitivasSíntesis de programas
  2. 23
    desde 1965
    Lógica difusa
    SimbólicaNeurosimbólicaRobótica
  3. 22
    desde 1971
    Planificación clásica
    SimbólicaAgentesRobóticaArquitecturas cognitivas
  4. 24
    desde 1983
    Arquitecturas cognitivas
    SimbólicaAgentesNeurosimbólicaPlanificación
  5. 33
    desde 2013
    Síntesis de programas
    SimbólicaTransformersArquitecturas cognitivasPlanificación

Incertidumbre y datos

Pensar es estimar, con probabilidades y ejemplos.

  1. 03
    desde 1805
    Aprendizaje automático clásico
    ProbabilísticaRedes neuronalesNeurosimbólicaAutoMLEquidad
  2. 02
    desde 1985
    Modelos probabilísticos
    SimbólicaML clásicoGenerativosModelos de mundoIA causal
  3. 25
    desde 2000
    IA causal
    ProbabilísticaML clásicoEquidadAgentes

Redes que aprenden

Pensar es ajustar millones de conexiones.

  1. 04
    desde 1943
    Redes neuronales
    ML clásicoConvolucionalesRNN / LSTMTransformersEnergíaMeta-aprendizajeAprendizaje continuoMultimodal
  2. 05
    desde 1980
    Visión: redes convolucionales
    Redes neuronalesTransformersGenerativosJEPAMultimodal
  3. 06
    desde 1986
    Secuencias: RNN y LSTM
    Redes neuronalesTransformersSSM / MoEReservorio / KANVoz
  4. 15
    desde 2005
    Redes neuronales de grafos
    Redes neuronalesTransformersNeurosimbólica
  5. 31
    desde 2006
    Voz y habla
    RNN / LSTMTransformersMultimodalProbabilística
  6. 07
    desde 2017
    Transformers y LLM
    RNN / LSTMRedes neuronalesSSM / MoEAgentesInterpretabilidadJEPARAGMultimodal
  7. 30
    desde 2021
    IA multimodal
    ConvolucionalesTransformersGenerativosRAG

Modelos que imaginan

Aprender una distribución para poder muestrearla.

  1. 16
    desde 1982
    Modelos basados en energía
    Redes neuronalesGenerativosNeuromórficaTransformers
  2. 08
    desde 2013
    Modelos generativos
    Redes neuronalesEnergíaJEPAModelos de mundoProbabilísticaMultimodal

Actuar en el mundo

Inteligencia como política: percibir, decidir, corregir.

  1. 09
    desde 1957
    Aprendizaje por refuerzo
    AgentesModelos de mundoEvolutivaInterpretabilidadRobóticaMeta-aprendizaje
  2. 32
    desde 1961
    Robótica y control
    RefuerzoAgentesModelos de mundoPlanificación
  3. 20
    desde 1966
    Agentes
    SimbólicaRefuerzoTransformersEnjambreNeurosimbólicaPlanificaciónRobóticaRAG

Inspiración natural

Evolución, colonias y neuronas que disparan.

  1. 17
    desde 1907
    Computación neuromórfica
    EnergíaReservorio / KANEnjambreRedes neuronales
  2. 10
    desde 1966
    Computación evolutiva
    EnjambreRefuerzoRedes neuronalesAutoML
  3. 11
    desde 1987
    Inteligencia de enjambre
    EvolutivaAgentesNeuromórfica

Frontera

Lo que se investiga hoy: representación, memoria, control.

  1. 13
    desde 1990
    Modelos de mundo
    RefuerzoJEPAGenerativosSSM / MoEAgentes
  2. 19
    desde 1994
    IA neurosimbólica
    SimbólicaRedes neuronalesAgentesGrafosLógica difusaArquitecturas cognitivas
  3. 18
    desde 2001
    Computación de reservorio y KAN
    RNN / LSTMSSM / MoENeuromórficaInterpretabilidad
  4. 12
    desde 2006
    Autosupervisado y JEPA
    GenerativosModelos de mundoTransformersConvolucionales
  5. 21
    desde 2013
    Interpretabilidad y alineamiento
    TransformersRedes neuronalesRefuerzoAgentesEquidad
  6. 35
    desde 2016
    Equidad y sesgo
    ML clásicoInterpretabilidadIA causalFederado
  7. 26
    desde 2017
    Meta-aprendizaje
    Redes neuronalesRefuerzoAprendizaje continuoAutoML
  8. 27
    desde 2017
    Aprendizaje continuo
    Redes neuronalesMeta-aprendizajeFederadoInterpretabilidad
  9. 28
    desde 2017
    Aprendizaje federado
    Redes neuronalesAprendizaje continuoEquidadML clásico
  10. 29
    desde 2017
    AutoML y NAS
    Redes neuronalesEvolutivaMeta-aprendizajeML clásico
  11. 14
    desde 2020
    Espacios de estados y mezcla de expertos
    RNN / LSTMTransformersModelos de mundoReservorio / KAN
  12. 34
    desde 2020
    RAG
    TransformersAgentesMultimodalProbabilística

Cronología

Cargando cronología…