La investigación en inteligencia artificial y aprendizaje automático (IA/ML) ha tenido como objetivo lograr un rendimiento a nivel humano en tareas que requieren comprensión y toma de decisiones. Aunque se han logrado avances importantes, los sistemas de IA aún luchan por lograr un aprendizaje adaptativo para la generalización. Uno de los enfoques principales para la generalización en ML es el aprendizaje por transferencia, donde el conocimiento previamente adquirido se utiliza para resolver problemas en un dominio diferente, pero relacionado. Otro enfoque, perseguido por los científicos cognitivos durante varias décadas, ha investigado el papel del razonamiento analógico en comparaciones destinadas a comprender la capacidad de generalización humana. El razonamiento analógico ha producido hallazgos empíricos significativos y principios teóricos generales subyacentes a la inferencia analógica humana y la generalización en dominios distintivamente diferentes. Aunque parecen similares, existen diferencias fundamentales entre los dos enfoques. Para aclarar las diferencias y similitudes, revisamos los algoritmos, métodos y aplicaciones de aprendizaje por transferencia en comparación con el trabajo basado en la inferencia analógica. El aprendizaje por transferencia se centra en explorar espacios de características compartidas entre dominios a través de la vectorización de datos, mientras que las inferencias analógicas se centran en identificar la estructura relacional compartida entre dominios a través de comparaciones. En lugar de tratar estos dos enfoques de aprendizaje como sinónimos o como campos independientes y mutuamente irrelevantes, una mejor comprensión de cómo están interconectados puede guiar una síntesis multidisciplinaria de los dos enfoques.