Capital de Tokens
En 2026 es fácil confundir aprender inteligencia artificial con aprender a usar ChatGPT, escribir prompts o conectar un modelo a una aplicación.
Pero la IA es bastante más amplia.
Un curso histórico creado por Sebastian Thrun y Peter Norvig ofrece una buena forma de comprobarlo. Intro to Artificial Intelligence (CS271) sigue disponible gratis en Udacity y recorre problemas que van desde búsqueda y razonamiento probabilístico hasta planificación, aprendizaje por refuerzo, visión por computadora, robótica y procesamiento de lenguaje natural.
El curso volvió a llamar la atención por un artículo difundido por MSN que lo presenta como una forma de ir “más allá de ChatGPT”. La idea es acertada, aunque conviene hacer una precisión desde el principio: se trata del material derivado del famoso curso abierto de Stanford de 2011, hoy alojado en Udacity. No es un curso actual con créditos universitarios de Stanford.
Aun así, su valor didáctico sigue siendo considerable.
El experimento que ayudó a cambiar la educación online
En 2011, Stanford abrió al público una versión online de su curso de introducción a la inteligencia artificial.
Los profesores eran Sebastian Thrun, entonces profesor de investigación en Stanford y Google Fellow, y Peter Norvig, entonces director de investigación de Google.
La respuesta fue enorme.
Stanford informó que el curso atrajo aproximadamente 160.000 estudiantes de más de 190 países. Aquella experiencia fue uno de los antecedentes directos de Udacity, la plataforma educativa que Thrun fundaría posteriormente.
Udacity todavía conserva el curso y explica que el contenido original fue diseñado para enseñar los fundamentos de la IA sin exigir programación como prerrequisito.
La página actual del curso lo clasifica como Intermediate, lo marca como Free Course, indica 0 prerrequisitos y muestra un programa de 33 lecciones.
Qué enseña realmente
El temario resulta interesante precisamente porque no gira alrededor de los modelos generativos modernos.
Entre sus bloques aparecen:
- resolución de problemas y búsqueda;
- probabilidad aplicada a IA;
- inferencia probabilística;
- machine learning;
- aprendizaje no supervisado;
- representación mediante lógica;
- planificación;
- planificación bajo incertidumbre;
- reinforcement learning;
- Hidden Markov Models y filtros;
- Markov Decision Processes;
- juegos y teoría de juegos;
- planificación avanzada;
- visión por computadora;
- robótica;
- procesamiento de lenguaje natural.
Esa lista deja claro algo importante: la inteligencia artificial no empezó con los transformers.
Muchos problemas fundamentales de IA existían décadas antes de los LLMs: cómo representar un estado, cómo buscar una solución, cómo elegir una acción, cómo razonar con información incompleta y cómo modificar una estrategia después de observar el resultado.
Por qué estos fundamentos importan en la era de los agentes
El auge de los agentes basados en LLMs hace que varias partes del curso sean incluso más interesantes hoy.
Un agente moderno puede utilizar un modelo de lenguaje para interpretar una tarea, decidir qué herramienta usar o producir código. Pero el sistema completo todavía tiene que resolver problemas clásicos:
estado actual
↓
objetivo
↓
opciones de acción
↓
planificación
↓
ejecución
↓
observación del resultado
↓
corrección o nuevo planEl LLM cambia la forma de implementar algunas de esas etapas, pero no elimina el problema de arquitectura.
Por ejemplo, un agente de programación que modifica un repositorio necesita decidir qué archivo inspeccionar, qué acción ejecutar primero, cuándo volver a intentar una operación y cómo reaccionar ante un fallo. Un robot debe actuar con información imperfecta. Un sistema autónomo necesita balancear recompensa, riesgo y costo.
Ahí reaparecen ideas de search, planning, probability y decision making que la IA clásica estudia desde hace mucho tiempo.
Search: encontrar una solución entre muchas posibilidades
Uno de los primeros bloques del curso aborda resolución de problemas mediante búsqueda.
La idea básica consiste en modelar:
estado inicial
+ acciones permitidas
+ estados resultantes
+ objetivo
+ costoY entonces encontrar una secuencia de acciones que lleve al objetivo.
En los sistemas modernos, un LLM puede proponer directamente una secuencia de pasos. Pero cuando queremos construir agentes confiables, seguimos necesitando mecanismos para verificar estados, limitar acciones, evaluar resultados y evitar que el sistema avance indefinidamente por un camino incorrecto.
El lenguaje cambió. El problema conceptual no desapareció.
Probabilidad: actuar cuando no sabemos todo
Los sistemas reales casi nunca tienen información perfecta.
Un sensor puede equivocarse. Una predicción puede tener varias interpretaciones. Una API puede devolver información incompleta. Un usuario puede formular una solicitud ambigua.
Por eso el curso dedica varias secciones a probabilidad, inferencia probabilística, HMMs y filtros.
Este bloque ayuda a entender una distinción que a veces se pierde cuando trabajamos exclusivamente con LLMs:
generar una respuesta plausible no es lo mismo que representar explícitamente la incertidumbre.
Para ciertos sistemas, saber cuánto confiamos en una hipótesis puede ser tan importante como producir la hipótesis misma.
Planning: decidir qué hacer después
La planificación es otro puente directo entre la IA clásica y los agentes modernos.
Un sistema puede conocer el objetivo y aun así necesitar decidir:
- qué acción ejecutar primero;
- qué dependencias existen;
- qué recursos necesita;
- qué hacer si falla una etapa;
- cuándo abandonar un plan y construir otro.
Esa estructura aparece hoy en sistemas de coding agents, automatización empresarial, robots y asistentes capaces de usar herramientas.
El curso también entra en planning under uncertainty, donde las consecuencias de una acción no siempre son deterministas.
Eso se acerca mucho más a los sistemas del mundo real que un simple flujo lineal de pasos.
Reinforcement learning y MDPs
El curso también introduce reinforcement learning y Markov Decision Processes.
En términos muy simplificados, un agente observa un estado, elige una acción, recibe una consecuencia y utiliza esa información para mejorar decisiones futuras.
estado → acción → resultado → recompensa → nueva decisiónNo significa que los agentes LLM actuales sean simplemente sistemas de reinforcement learning ejecutándose en tiempo real. Son arquitecturas diferentes.
Pero estudiar estos conceptos ayuda a construir un vocabulario más preciso para hablar de políticas, estados, recompensas, exploración y decisiones secuenciales.
Visión, robótica y NLP: la IA siempre fue multimodal
Otra ventaja del temario es que evita reducir IA a texto.
El curso incluye varias unidades de visión por computadora, robótica y procesamiento de lenguaje natural.
Eso recuerda que una inteligencia útil puede necesitar percibir el mundo, estimar dónde está, reconocer objetos, interpretar señales, planificar movimientos y comunicarse.
Los modelos multimodales modernos vuelven a juntar muchas de esas capacidades dentro de una misma interfaz, pero los problemas fundamentales siguen existiendo debajo.
Qué le falta al curso en 2026
También hay que situarlo en su contexto histórico.
El material original proviene de 2011. Por eso no fue diseñado para enseñar:
- transformers;
- GPT y otros LLMs modernos;
- diffusion models;
- RAG;
- embeddings modernos;
- tool calling;
- MCP;
- coding agents;
- sistemas multiagente actuales;
- evaluación y observabilidad de aplicaciones generativas.
Por tanto, no debería utilizarse como único curso para aprender IA en 2026.
Su función es diferente: construir la base conceptual sobre la que luego podemos entender mejor las técnicas modernas.
Una ruta de estudio más útil
Una secuencia razonable podría ser:
fundamentos clásicos de IA
↓
machine learning y deep learning
↓
transformers y LLMs
↓
RAG y uso de herramientas
↓
agentes
↓
evaluación, observabilidad y producciónEl curso de Thrun y Norvig encaja principalmente en el primer bloque.
Y para alguien centrado específicamente en agentes, probablemente no sea necesario estudiar cada sección con la misma profundidad.
Los módulos que más retorno pueden ofrecer son:
- Problem Solving;
- Probability in AI;
- Probabilistic Inference;
- Planning;
- Planning under Uncertainty;
- Reinforcement Learning;
- HMMs and Filters;
- MDP Review;
- Games y Game Theory;
- Advanced Planning.
No necesitas abandonar ChatGPT para aprender IA
La conclusión no es que ChatGPT, Claude, Gemini o los coding agents sean una distracción.
Todo lo contrario: son una de las maneras más accesibles de experimentar hoy con inteligencia artificial.
El problema aparece cuando confundimos usar una interfaz de IA con entender el campo de la IA.
El curso de Stanford/Udacity sirve precisamente para abrir esa perspectiva.
Detrás de un chatbot hay una historia mucho más amplia de búsqueda, probabilidad, aprendizaje, percepción, planificación, decisiones y control.
Y ahora que los sistemas están evolucionando de chatbots hacia agentes capaces de actuar, varias de esas ideas clásicas están regresando al centro de la conversación.
Dónde tomarlo
El curso puede consultarse gratuitamente en Udacity:
Para entender su origen histórico, Stanford y Udacity mantienen documentación del lanzamiento original:
- Stanford Engineering — professors reinventing online education
- Stanford Engineering — el curso supera los 160.000 estudiantes
- Udacity — The Original, Free Online AI Class, now on Udacity
- Artículo difundido por MSN que volvió a poner el curso en circulación
Conclusión
Intro to Artificial Intelligence no es el curso más moderno de IA que puedes estudiar en 2026.
Y justamente por eso puede ser valioso.
En lugar de comenzar por una herramienta concreta, obliga a pensar en los problemas que la inteligencia artificial intenta resolver: buscar, inferir, planificar, aprender, percibir y decidir.
Los LLMs cambiaron radicalmente cómo construimos sistemas inteligentes. Pero no borraron esos problemas.
Para entender la transición de chatbot a agente, conocer esa capa de fundamentos puede resultar mucho más útil que memorizar el siguiente framework de moda.