SHRDLU: cuando una máquina parecía comprender el lenguaje porque vivía en un mundo pequeño

A finales de los sesenta, una de las promesas centrales de la inteligencia artificial era que las computadoras podrían manipular símbolos de forma parecida al razonamiento humano. El lenguaje natural ocupaba un lugar central en esa promesa: si una máquina podía entender instrucciones en lenguaje corriente y actuar en consecuencia, parecía plausible pensar que nos acercábamos a una forma importante de inteligencia.

Terry Winograd desarrolló SHRDLU en el MIT como parte de su investigación doctoral, luego publicada en el libro Understanding Natural Language. Lo notable de SHRDLU no era solo que “hablara”, sino que podía vincular las palabras con un entorno manipulable. Cuando el usuario escribía “pon el bloque rojo sobre el cubo verde”, el sistema no respondía solo con una frase convincente: modificaba el estado del mundo de bloques y podía seguir dialogando a partir de ese cambio.

Esa conexión entre lenguaje y mundo fue decisiva. En comparación con programas anteriores basados en patrones, SHRDLU ofrecía algo más cercano a una semántica operativa: términos como “bloque”, “encima de”, “dentro de”, “el más grande” o “el objeto que sostuviste antes” podían remitir a entidades y relaciones concretas dentro de un universo formal acotado.

Una de las razones por las que SHRDLU resultó tan impresionante fue que no se limitaba a repetir frases. Podía ejecutar acciones sobre los objetos del mundo, actualizar el estado interno y seguir una conversación coherente a partir de esos cambios. Esa combinación de lenguaje y acción le daba un grado de credibilidad muy superior al de otros sistemas contemporáneos.

También podía resolver referencias relativamente complejas. Si el usuario hablaba de “el bloque más grande que está a la izquierda de la caja” o “el objeto que tocaste antes”, SHRDLU intentaba encontrar una entidad concreta dentro de su representación del mundo. Además, contaba con una forma de memoria de corto alcance sobre el estado de la conversación y el historial de acciones.

Más importante aún, podía explicar ciertas decisiones: si no movía un objeto porque otro lo bloqueaba, era capaz de decirlo. Ese paso desde el “hacer” hacia el “explicar por qué” convirtió a SHRDLU en un antecedente muy interesante de los sistemas que hoy llamamos interpretables o justificables, aunque desde una lógica muy distinta a la actual.

SHRDLU operaba mediante una arquitectura simbólica fuertemente integrada. Cuando recibía una oración, analizaba su estructura gramatical, identificaba entidades y relaciones relevantes, y trataba de traducir la expresión a una forma interna manipulable. Esa representación no era simplemente un árbol sintáctico: debía conectarse con un inventario de objetos, atributos, acciones posibles y restricciones del mundo.

Si la entrada era una orden, el sistema generaba un plan de acción. Por ejemplo, para colocar un bloque sobre otro quizá necesitaba antes retirar un objeto intermedio o verificar que el destino quedara libre. Si la entrada era una pregunta, consultaba el estado del mundo y el historial reciente. Si la entrada era un pedido de explicación, podía inspeccionar su propia secuencia de decisiones.

En otras palabras, SHRDLU no era solo un parser de lenguaje natural ni solo un sistema de planificación. Era una composición muy lograda de varios subsistemas simbólicos que funcionaban bien porque el dominio estaba bajo control.

SHRDLU impresionó porque lograba varias cosas a la vez: entender instrucciones relativamente complejas, mantener un contexto conversacional, actuar en un mundo visible y responder preguntas sobre sus propias acciones. El conjunto producía una sensación de comprensión mucho más fuerte que cualquier rasgo aislado.

Además, encarnaba el ideal de una IA “limpia”: reglas explícitas, representaciones transparentes y razonamiento trazable. Frente a enfoques que parecían más heurísticos o menos interpretables, SHRDLU ofrecía una especie de elegancia intelectual muy apreciada en la IA clásica. Todo parecía ordenado: objetos, predicados, acciones, relaciones y gramática.

Su fama también se debe a que mostró una intuición duradera: para que el lenguaje funcione, conviene anclarlo a un entorno donde las referencias puedan verificarse. Esa idea sigue viva hoy en robótica, agentes interactivos, simulación, grounding multimodal y entornos instrumentados.

La misma condición que hacía brillante a SHRDLU también marcaba su límite principal. Funcionaba porque vivía en un universo artificialmente pequeño, con objetos discretos, propiedades estables y relaciones bien definidas. El mundo real no se parece a eso. Está lleno de ambigüedad, ruido perceptivo, sentidos implícitos, excepciones, contextos culturales y conocimiento de sentido común difícil de formalizar.

A medida que la IA intentó extender el enfoque simbólico a dominios más abiertos, aparecieron los costos de modelado. Cada nuevo objeto, cada nueva relación y cada nueva excepción requerían trabajo explícito. El método no escalaba bien a la complejidad del lenguaje ordinario. Allí es donde SHRDLU pasó de ser promesa de futuro a prueba de concepto extraordinaria, pero restringida.

Esa tensión explica buena parte de la evolución posterior de la IA. El entusiasmo por sistemas simbólicos puros convivió con la dificultad de llevarlos más allá de mundos de juguete. Décadas después, los enfoques estadísticos y luego el deep learning atacarían precisamente ese cuello de botella desde otra filosofía.

SHRDLU representa uno de los momentos más elegantes de la IA simbólica. Su logro fue real: mostró que el lenguaje natural podía conectarse con representaciones internas, acciones y explicaciones de manera coherente dentro de un dominio formal. No fue un truco superficial. Fue una solución muy seria a un problema cuidadosamente acotado.

Pero precisamente allí reside su lección histórica más profunda. La inteligencia que parecía tan convincente en un mundo de bloques se volvía mucho más difícil de sostener cuando el dominio se expandía. SHRDLU fue, a la vez, demostración de potencia y recordatorio de límite. Por eso sigue siendo una pieza clave para entender cómo la IA pasó del entusiasmo simbólico a la búsqueda de enfoques más escalables.