Yann LeCun enfría la promesa de una IA con un país de genios dentro de un centro de datos
La inteligencia artificial no está a punto de convertirse en una sociedad de expertos capaces de resolver cualquier problema, según Yann LeCun, uno de los investigadores más influyentes del sector. El científico considera que la idea de concentrar millones de capacidades humanas superiores en un centro de datos es una exageración sin base tecnológica suficiente.
LeCun, ganador del Premio Turing y una de las figuras clave en el desarrollo de las redes neuronales modernas, sostiene que los actuales modelos de IA son extraordinariamente eficaces para recuperar información y generar respuestas, pero no poseen una comprensión del mundo comparable a la de una persona.
Su diagnóstico cuestiona una de las promesas más repetidas por las grandes compañías tecnológicas: que el aumento de tamaño y potencia de los modelos de lenguaje permitirá alcanzar pronto una inteligencia artificial general, conocida como AGI. Este término describe una máquina capaz de aprender y desenvolverse en una amplia variedad de tareas, con una flexibilidad similar a la humana.
Un modelo de lenguaje no equivale a un experto humano
La comparación entre los nuevos sistemas de IA y tener un especialista en el bolsillo se ha convertido en un recurso habitual durante las presentaciones de producto. Los modelos más avanzados pueden redactar informes, programar, resumir documentos, traducir textos y responder a preguntas complejas en pocos segundos.
Sin embargo, LeCun advierte de que esa apariencia de competencia general puede resultar engañosa. Un modelo de lenguaje, o LLM, es un sistema entrenado para detectar relaciones estadísticas entre grandes cantidades de texto y predecir qué elemento debería aparecer a continuación en una respuesta.
Esto le permite producir explicaciones convincentes, pero no significa necesariamente que entienda el significado de lo que está diciendo. Tampoco implica que pueda formular por sí mismo nuevas teorías, establecer objetivos propios o resolver problemas completamente inéditos sin apoyarse en patrones aprendidos.
La diferencia es importante. Un sistema puede ofrecer una respuesta aparentemente doctoral porque ha procesado una cantidad de información imposible de manejar para una persona, pero eso no lo convierte en un investigador capaz de descubrir soluciones originales.
El límite de escalar los modelos actuales
La industria ha basado buena parte de su progreso reciente en tres factores: más datos, modelos con más parámetros y centros de datos equipados con miles de procesadores especializados. Este proceso se conoce como escalado y ha permitido mejorar de forma notable las capacidades de los sistemas generativos.
LeCun considera, no obstante, que seguir ampliando los modelos de lenguaje no bastará para alcanzar una inteligencia de nivel humano. En su opinión, estos sistemas funcionan principalmente como enormes memorias con capacidad para recuperar, combinar y reformular información, no como entidades que construyen conocimiento desde cero.
El investigador también ha señalado la diferencia entre aprender a partir de texto y aprender mediante la interacción con el mundo físico. Un niño pequeño recibe constantemente información visual, sonora y táctil, además de experimentar con objetos y observar las consecuencias de sus acciones.
Los modelos de lenguaje, en cambio, se entrenan sobre todo con contenidos digitales. Pueden procesar volúmenes de texto de una escala gigantesca, pero carecen de un cuerpo y de una experiencia directa que les permita comprender conceptos como peso, distancia, causa y efecto o permanencia de los objetos.
La escasez de datos de calidad amenaza el crecimiento infinito
El futuro de esta estrategia también se enfrenta a un problema práctico: la cantidad de texto público y de calidad disponible en internet no es ilimitada. Algunas estimaciones sitúan el volumen de datos útiles en cientos de billones de tokens.
Un token es una unidad de texto que puede corresponder a una palabra, parte de una palabra o un signo. Los modelos procesan estos fragmentos durante el entrenamiento para aprender patrones lingüísticos. A medida que las empresas utilizan más datos, resulta más difícil encontrar material nuevo, fiable y suficientemente diverso.
Si el sector no incorpora nuevas fuentes de aprendizaje, los incrementos de tamaño podrían ofrecer mejoras cada vez más pequeñas. Además, entrenar modelos mayores exige un consumo creciente de electricidad, agua y capacidad de computación, lo que eleva los costes de los centros de datos.
Una crítica desde dentro de la industria
La relevancia de las palabras de LeCun no está solo en su contenido, sino también en quién las pronuncia. No se trata de un crítico ajeno a la tecnología ni de alguien que defienda frenar toda la investigación en inteligencia artificial.
Su postura se sitúa entre dos visiones enfrentadas. Por un lado, rechaza el alarmismo que presenta la IA como una amenaza inminente para la humanidad. Por otro, tampoco acepta que la llegada de una inteligencia superior a la humana sea una consecuencia inevitable de invertir más dinero y construir modelos más grandes.
Esta posición introduce una dosis de realismo en un mercado que mueve cientos de miles de millones de euros y dólares con la expectativa de alcanzar la AGI en un plazo cercano. La advertencia es clara: más capacidad para generar texto no equivale automáticamente a más inteligencia general.
La alternativa pasa por modelos que comprendan el mundo
La crítica no significa que el desarrollo de la IA haya llegado a un callejón sin salida. Diversos grupos trabajan en sistemas que combinan lenguaje, percepción, memoria, razonamiento y simulación del entorno.
Entre estas líneas de investigación se encuentran los llamados modelos del mundo, diseñados para representar cómo funcionan los espacios físicos y anticipar qué ocurrirá después de una acción. También se desarrollan agentes capaces de aprender mediante interacción, en lugar de limitarse a analizar documentos y conversaciones.
El debate, por tanto, no enfrenta a partidarios y detractores de la inteligencia artificial. La cuestión central es qué tipo de tecnología será necesaria para pasar de sistemas que imitan el conocimiento humano a máquinas capaces de comprender, aprender de la experiencia y crear soluciones realmente nuevas.
