El primer invierno de la IA (1974–1980) siguió al optimismo temprano sobre la IA simbólica y la traducción automática. Herbert Simon predijo en 1965 que las máquinas serían capaces de cualquier trabajo que un humano pueda hacer en 20 años. Cuando las agencias de financiamiento se dieron cuenta de que esto no estaba ni remotamente cerca de la realidad, recortaron presupuestos. DARPA recortó el financiamiento de IA, y el Informe Lighthill del gobierno británico efectivamente acabó con el financiamiento de investigación en IA en el Reino Unido por una década.
El segundo invierno (1987–1993) siguió al boom de los sistemas expertos. Las empresas invirtieron miles de millones en sistemas de IA basados en reglas que eran frágiles, costosos de mantener e incapaces de manejar casos extremos. Cuando la industria de IA se contrajo, incluso la prometedora investigación en redes neuronales perdió financiamiento. La retropropagación (1986) y las redes convolucionales (1989) fueron inventadas durante este período pero no pudieron desarrollarse más debido a cómputo y datos insuficientes.
El boom actual tiene ventajas que los ciclos anteriores no tenían: la tecnología funciona demostrablemente a escala (miles de millones de personas usan LLMs diariamente), el valor económico es concreto (las empresas están ahorrando dinero real y construyendo productos reales), y el cómputo sigue mejorando. Pero los riesgos persisten: si los plazos de AGI resultan tan optimistas como las predicciones pasadas, si el paradigma actual de escalado se estanca, o si un incidente importante de IA erosiona la confianza pública, el financiamiento podría contraerse. La lección de la historia no es que los inviernos son inevitables — es que las expectativas honestas son la mejor prevención.