Filosofía de la ingeniería: Yann LeCun

Puntos clave

• Aprender el mundo, casi por su cuenta. La apuesta central de LeCun es que la inteligencia surge de una máquina que aprende cómo funciona el mundo mediante la observación – aprendizaje autosupervisado – con las etiquetas humanas como una fina guarnición por encima. La famosa analogía del «pastel» vuelve literales las proporciones: el grueso es autosupervisado, el glaseado es supervisado y la cereza es el aprendizaje por refuerzo.
• La convolución hizo que la visión fuera aprendible. En Bell Labs aplicó la retropropagación a dígitos manuscritos (1989) y construyó la familia LeNet de redes neuronales convolucionales; LeNet-5 (1998) se convirtió en la arquitectura que, desplegada comercialmente, ya leía alrededor del 10 % de todos los cheques en Estados Unidos para 2001.
• La investigación abierta es un método, no un eslogan. Como director fundador del FAIR de Facebook/Meta (2013) y director científico de IA, hizo de la publicación y la apertura del código la norma por defecto – el código y los puntos de control de I-JEPA salieron junto con el artículo – convencido de que la ciencia abierta se acumula más rápido que el secreto.
• El optimista que es escéptico con los LLM. Colaureado del Premio Turing 2018 junto a Hinton y Bengio, LeCun sostiene que los modelos de lenguaje autorregresivos son «una salida de la autopista» en el camino hacia una IA de nivel humano; el camino, dice, pasa por modelos del mundo como JEPA. En noviembre de 2025 dejó Meta para construir exactamente eso.

El principio

«No vamos a llegar a una IA de nivel humano solo escalando los LLM» – «simplemente predicen texto en lugar de comprender de verdad el mundo». – Yann LeCun, sobre su salida de Meta, 2025¹⁰

El principio que sostiene esa frase es más antiguo que la era de los LLM, y LeCun lo ha mantenido con coherencia durante cuarenta años: una máquina debería aprender cómo funciona el mundo casi por su cuenta, prediciendo lo que observa, en lugar de que se la alimente a cucharadas con etiquetas humanas – y la ciencia de cómo hacerlo debería realizarse a la vista de todos. La mayor parte de lo que sabe cualquier animal lo aprende sin maestro. Un bebé aprende que los objetos sin apoyo caen, que las cosas ocultas siguen existiendo, que el mundo tiene una estructura estable, mucho antes de que nadie le nombre una sola cosa. La apuesta de LeCun es que esta clase de aprendizaje – absorber la estructura del mundo a partir de entradas sensoriales crudas, sin etiquetar y de alto ancho de banda – es el grueso de la inteligencia, y que el aprendizaje supervisado y el aprendizaje por refuerzo son capas comparativamente delgadas por encima.

Ese es el contenido de su frase más citada, la del pastel: «Si la inteligencia es un pastel, el grueso del pastel es el aprendizaje autosupervisado, el glaseado del pastel es el aprendizaje supervisado y la cereza del pastel es el aprendizaje por refuerzo».⁵ Originalmente dijo no supervisado en 2016 y deliberadamente lo corrigió a autosupervisado para 2019 – una precisión que importa, porque nombra el mecanismo: los datos aportan sus propias etiquetas. Enmascaras parte de la entrada, la predices a partir del resto; el mundo es su propio maestro.⁵ Las proporciones de la analogía son todo el argumento. Si el pastel es mayormente autosupervisado, entonces un campo que vuelca su esfuerzo en sistemas cada vez más grandes entrenados para predecir el siguiente token escrito por un humano está, a su juicio, optimizando el glaseado.

La segunda mitad del principio es la apertura. LeCun construyó su carrera y su laboratorio sobre la convicción de que la investigación en IA avanza más rápido cuando se publica, es reproducible y tiene el código abierto – una convicción que va contra el instinto de la industria de acaparar el trabajo de frontera. Las dos mitades están conectadas: si el camino hacia la inteligencia real es largo e incierto, ningún laboratorio por sí solo lo va a recorrer, y la única manera de averiguar qué arquitecturas aprenden de verdad el mundo es ponerlas a la vista de todos y dejar que cualquiera las ponga a prueba. Aprender el mundo, abiertamente – la predicción como motor, la apertura como método.

Contexto

Yann André Le Cun nació el 8 de julio de 1960 en Soisy-sous-Montmorency, cerca de París.¹ Obtuvo su doctorado en la Universidad Pierre y Marie Curie (hoy parte de la Universidad de la Sorbona) en 1987, y su tesis ya contenía una forma temprana de retropropagación – la idea que definiría el campo.¹ Fue conexionista antes de que el conexionismo fuera respetable, trabajando en redes de aprendizaje inspiradas en el cerebro durante el mismo tramo en que el resto de la IA las había descartado.

En 1988 se incorporó a los AT&T Bell Laboratories, la institución donde ocurrió su trabajo de ingeniería más trascendente.¹ Bell Labs le dio datos reales y un motivo para hacer que las redes funcionaran, no solo para teorizar sobre ellas: dígitos manuscritos del servicio postal de Estados Unidos, y luego los importes escritos en cheques bancarios. La restricción era implacable – un lector de cheques que alucina un dígito cuesta dinero – y lo empujó hacia una arquitectura que se tomaba en serio la estructura de las imágenes en lugar de tratar una imagen como una bolsa indiferenciada de píxeles.

Tras Bell Labs se mudó a la NYU en 2003 como profesor de informática.¹ Luego, en diciembre de 2013, Mark Zuckerberg lo contrató para construir y dirigir Facebook AI Research (FAIR), y se convirtió en el director científico de IA de la empresa – un cargo que ocupó durante más de una década mientras seguía siendo profesor a tiempo parcial en la NYU.¹¹⁰ FAIR se convirtió en uno de los laboratorios de investigación industrial abiertos más prolíficos de la época, expresión directa de su creencia de que la ciencia debe compartirse. Ese período terminó en noviembre de 2025, cuando se marchó para fundar su propia empresa emergente de modelos del mundo – la declaración más clara posible sobre de qué lado de la apuesta de los LLM está.¹⁰

El trabajo

Redes convolucionales y LeNet: leyendo los cheques del mundo (1989-1998)

La idea técnica central de la carrera de LeCun es la red neuronal convolucional, y la forma más nítida de sentir por qué importa es verla funcionar. Una red ingenua que conecta cada píxel con cada neurona es a la vez enorme y ciega a la estructura: no tiene noción de que un trazo en la esquina superior izquierda de una imagen es la misma clase de cosa que el trazo idéntico en la inferior derecha. La intuición de LeCun – apoyándose en el Neocognitron de Kunihiko Fukushima y arraigada en la corteza visual del cerebro – fue deslizar un pequeño filtro (un núcleo) por la imagen, calculando el mismo puñado de pesos en cada ubicación, de modo que la red aprende una característica una sola vez y la detecta en todas partes. El widget de abajo es exactamente esa operación: elige un núcleo detector de bordes, míralo recorrer un dígito y observa cómo el «mapa de características» se ilumina allí donde aparece el patrón que reconoce.

La historia es concreta. En 1989, en Bell Labs, LeCun y sus colegas fueron los primeros en aplicar el algoritmo de retropropagación a un problema práctico – reconocer códigos postales manuscritos del correo del servicio postal de Estados Unidos – produciendo el prototipo que se convirtió en LeNet-1.² Casi una década de refinamiento condujo al artículo emblemático de 1998, “Gradient-Based Learning Applied to Document Recognition”, de LeCun, Léon Bottou, Yoshua Bengio y Patrick Haffner, que describía LeNet-5 y defendía que el aprendizaje basado en gradiente podía reemplazar a los extractores de características diseñados a mano para el reconocimiento de documentos.³

Esto no fue una curiosidad de referencia. NCR desplegó comercialmente lectores de cheques basados en LeNet a partir de junio de 1996, y para 2001 se estimaba que el sistema leía alrededor de 20 millones de cheques al día – más o menos el 10 % de todos los cheques en Estados Unidos.² En un momento en que las redes neuronales todavía eran desdeñadas por gran parte del campo, LeCun tenía una que leía discretamente una décima parte de los cheques de una nación. La arquitectura que diseñó para ese problema – convolución, agrupamiento, características aprendidas apiladas en una jerarquía – es, estructuralmente, la misma idea que impulsa la visión por computadora moderna.

La investigación abierta y FAIR

Cuando LeCun construyó FAIR en 2013, tomó una decisión que no era obvia para un laboratorio corporativo: el trabajo sería abierto. Publicar los artículos, liberar el código, compartir los modelos.¹¹⁰ La apuesta era que un laboratorio abierto atrae a los mejores investigadores (que quieren que su trabajo se vea y se cite), hace avanzar más rápido a todo el campo y – no por casualidad – permite que el mundo audite y mejore lo que construyes.

Este es el primo filosófico de por qué el código abierto no es una frontera de seguridad: la apertura no es una garantía de corrección, pero es el mecanismo por el cual la corrección se encuentra. La versión de LeCun aplica eso a la ciencia. No puedes saber qué arquitecturas aprenden de verdad la estructura del mundo razonando sobre ellas en privado; las publicas, otros las reproducen o las refutan, y la verdad sobrevive al escrutinio. La liberación de I-JEPA por parte de Meta en 2023 es ese patrón en miniatura – el código de entrenamiento y los puntos de control del modelo salieron junto con el artículo, no meses después, no nunca.⁸ En una época en la que los laboratorios de frontera tratan cada vez más su mejor trabajo como un secreto comercial, la postura abierta de LeCun es una posición deliberada y a contracorriente sobre cómo se acumula el conocimiento.

El aprendizaje autosupervisado: el pastel

La más profunda de las ideas de LeCun es también la del empaque más pegadizo. Ha sostenido durante años que el campo tiene invertidas las proporciones de la inteligencia, y lo ilustró con comida. En su charla “Future of AI” en la NYU a principios de 2016 y en su conferencia magistral en NeurIPS ese año, mostró un pastel: «Si la inteligencia es un pastel, el grueso del pastel es el aprendizaje no supervisado, el glaseado del pastel es el aprendizaje supervisado y la cereza del pastel es el aprendizaje por refuerzo».⁵ Para 2019 había revisado deliberadamente «no supervisado» por «autosupervisado» – una variante en la que los datos aportan su propia supervisión, ocultando parte de la entrada y entrenando al modelo para predecirla a partir del resto.⁵

La revisión no es cosmética; nombra el motor. «No supervisado» describe la ausencia de etiquetas. «Autosupervisado» describe un mecanismo positivo: el mundo, observado, se convierte en su propia señal de entrenamiento. Así es, sostiene, como los humanos y los animales adquieren la inmensa mayoría de lo que saben – la física de sentido común y la estructura que nadie nos etiqueta. Su expresión para ello es la «materia oscura de la inteligencia»: la vasta masa de aprendizaje sin etiquetar que los métodos supervisados y por refuerzo apenas decoran.⁵ Si tiene razón sobre las proporciones, entonces el problema de investigación más importante en IA no son conjuntos de datos etiquetados más grandes ni más señales de recompensa, sino mejores objetivos autosupervisados – aprender el mundo mirándolo.

Modelos del mundo y JEPA: la postura escéptica con los LLM

La posición más pública y más disputada de LeCun se desprende directamente del pastel. Si la inteligencia real es mayormente aprendizaje autosupervisado de la estructura del mundo, entonces un sistema entrenado puramente para predecir el siguiente token escrito por un humano está aprendiendo un modelo de las palabras, no un modelo del mundo – y heredará los límites de ese sustrato. Lo ha dicho sin rodeos: los LLM autorregresivos son «una salida de la autopista» en el camino hacia una IA de nivel humano, útiles pero no la vía; «no vamos a llegar a una IA de nivel humano solo escalando los LLM».⁹¹⁰

Su alternativa propuesta es la arquitectura predictiva de incrustación conjunta (JEPA), presentada en su artículo de posición de 2022 “A Path Towards Autonomous Machine Intelligence”.⁶ La jugada clave es dónde ocurre la predicción. Un modelo generativo intenta reconstruir la entrada faltante píxel por píxel, y por eso malgasta capacidad modelando detalles impredecibles – razón por la cual los modelos generativos batallan notoriamente con cosas como el número exacto de dedos en una mano.⁸ Una JEPA predice en cambio en un espacio de representación abstracto, libre de ignorar los detalles que no son predecibles y de concentrarse en las regularidades estructurales y de baja entropía de una escena.⁶⁸ I-JEPA de Meta (2023) fue el primer modelo de imágenes concreto construido sobre esta visión, y salió abierto.⁸

El contraste con su compañero «padrino» es el más marcado de toda la serie. Geoffrey Hinton compartió el mismo Premio Turing y las mismas décadas solitarias de convicción, y luego, en 2023, se volvió para advertir que la tecnología puede ser peligrosa. LeCun es el optimista del trío – escéptico no de la seguridad de la IA sino del techo de la arquitectura actual – y en noviembre de 2025 respaldó esa convicción con su carrera, dejando Meta para fundar Advanced Machine Intelligence (AMI) Labs en París, una empresa emergente construida expresamente en torno a modelos del mundo en lugar de modelos de lenguaje más grandes.¹⁰ Dos padrinos, un premio, mensajes opuestos: Hinton dice que hay que frenar porque podría funcionar demasiado bien; LeCun dice que este camino en particular no lleva adonde todos creen, y señala otro distinto.

El método

El método es coherente desde los lectores de cheques hasta la empresa emergente de modelos del mundo: construir la arquitectura que exige la estructura del problema, aprender tanto como sea posible sin etiquetas y hacerlo a la vista de todos.

Codifica la estructura en la arquitectura. La convolución funciona porque hornea un hecho cierto sobre las imágenes – la invariancia ante la traslación – directamente en el cableado de la red, en lugar de obligar al modelo a aprenderlo desde cero. La lección se generaliza: cuando sabes algo sobre el problema, constrúyelo en la arquitectura en lugar de esperar que los datos lo enseñen.²³

Haz que los datos sean su propio maestro. Las etiquetas son escasas y caras; la observación cruda es abundante. La postura autosupervisada – enmascarar parte de la entrada, predecirla a partir del resto – es como LeCun propone aprender el grueso de lo que un sistema necesita saber. Recurre a la supervisión humana en último lugar, no en primero.⁵

Predice en el espacio de representación, no en el espacio de píxeles. No gastes capacidad modelando detalles que no puedes predecir. La decisión de ingeniería central de JEPA es predecir representaciones abstractas y descartar deliberadamente lo impredecible – una disciplina sobre qué vale la pena modelar siquiera.⁶⁸

Publícalo. Artículos abiertos, código abierto, modelos abiertos. La convicción de LeCun es que la ciencia se acumula a la vista de todos y se estanca en el secreto, y dirigió uno de los laboratorios más grandes de la industria según ese principio durante una década.¹⁸¹⁰

Sostén la posición impopular cuando la evidencia la respalda. Creyó en las redes neuronales durante los inviernos, y ahora sostiene que los LLM son un desvío mientras toda la industria vuelca capital en ellos. La disposición a ser el escéptico ruidoso en la cima de un ciclo de exageración es el mismo músculo que lo mantuvo en la convolución cuando a nadie le importaba.⁹¹⁰

Cadena de influencia

Quién lo formó

Kunihiko Fukushima. El Neocognitron de Fukushima (1980) – una red visual en capas, tolerante a desplazamientos e inspirada en la corteza – fue el ancestro directo de la red convolucional. LeCun añadió el aprendizaje de extremo a extremo por retropropagación, convirtiendo una arquitectura ajustada a mano en una que aprende sus propios filtros. (Influencia directa)

David Hubel y Torsten Wiesel. Su neurociencia de la corteza visual, ganadora del Nobel – células simples que detectan características locales, células complejas que agrupan según la posición – es el plano biológico que la convolución y el agrupamiento formalizan. LeCun, como Hinton, razonó a partir de cómo ven realmente los cerebros. (Influencia formativa)

El linaje conexionista de la retropropagación. LeCun desarrolló una forma temprana de retropropagación en su tesis de 1987, convergiendo en el mismo motor que el trabajo de Rumelhart-Hinton-Williams hizo famoso en 1986. Heredó y extendió el programa conexionista cuando estaba profundamente pasado de moda. (Influencia directa)

A quién formó

La visión por computadora moderna. Todo sistema de visión convolucional – los que leen escáneres médicos, impulsan las pilas de percepción para la conducción y hacen funcionar las cámaras de los teléfonos – desciende estructuralmente de LeNet. No solo contribuyó al campo; le aportó su arquitectura fundacional.

El giro autosupervisado. El viraje a escala de toda la industria hacia el aprendizaje a partir de datos sin etiquetar – preentrenamiento enmascarado, métodos contrastivos, objetivos de incrustación conjunta – atraviesa directamente el encuadre del «pastel» de LeCun y su década insistiendo en que ahí es donde reside el grueso de la inteligencia.

Una generación de investigadores de FAIR. Al dirigir uno de los laboratorios industriales abiertos más grandes, LeCun moldeó cómo una generación publica y comparte su trabajo, y sembró buena parte del ecosistema de modelos abiertos que hoy existe fuera de los laboratorios de frontera más herméticos.

El hilo conductor

LeCun es la raíz de visión por computadora de la rama de aprendizaje profundo de esta serie, y la línea más nítida corre hacia adelante hasta Andrej Karpathy, cuyo trabajo se sitúa de lleno en el campo de la visión aprendida que abrió la convolución – y cuyo reencuadre “Software 2.0” (una red como un programa compilado a partir de datos) es la generalización natural del paso que dio LeCun, de los lectores de cheques diseñados a mano a los aprendidos. El contraste más marcado es con su colaureado del Turing Geoffrey Hinton: los dos «padrinos» comparten el premio, las décadas solitarias y la apuesta por el aprendizaje inspirado en el cerebro, pero divergen en el momento presente. Hinton, el preocupado, dejó Google en 2023 para advertir que la cosa podría ser demasiado poderosa; LeCun, el optimista, dejó Meta en 2025 para argumentar que la arquitectura dominante no es lo bastante poderosa y para construir otra. Donde Hinton teme el resultado, LeCun disputa la ruta. Dos rutas, una montaña: Hinton confía en que el peligro es real; LeCun confía en que el mundo, aprendido abiertamente, es el camino. (Puente de serie)

Lo que me llevo de esto

La lección que conservo de LeCun es que la arquitectura debería cargar con la parte del problema que de verdad entiendes. La convolución funciona porque incorpora la invariancia ante la traslación en la red en lugar de esperar que mil millones de ejemplos la enseñen – y ese es exactamente el movimiento al que recurro cuando diseño sistemas: cuando sé que algo es cierto sobre el dominio, lo codifico en la estructura en lugar de dejarlo al azar. Es el mismo instinto que tratar el gusto como un sistema técnico que puedes defender, no una vibra que esperas que emerja – poner la restricción conocida en el diseño, donde puede comprobarse, no en la plegaria de que la salida se comporte.

La lección más difícil es el escepticismo con los LLM. LeCun está parado en la cima absoluta de un ciclo de exageración – toda la industria, el capital, la atención apuntando al escalado de los modelos de lenguaje – y dice, oficialmente, que es una salida de la autopista. Puede que se equivoque; lo que importa es que está dispuesto a ser la voz disidente cuando disentir sale caro, anclado a un argumento técnico específico sobre la predicción en el espacio de representación más que a un instinto contrarian. Eso es la puerta de evidencia apuntada al consenso mismo: no «todos están entusiasmados, así que debe ser el camino», sino «¿qué está aprendiendo realmente esta arquitectura, y es eso lo que queremos?». Y la apertura es la parte que me llevo de forma más directa – la convicción de que averiguas quién tiene razón publicando el trabajo y dejando que se ponga a prueba, razón por la cual trato la calidad como la única variable y la prueba de Steve – la de si el trabajo merece existir – como algo que sometes al escrutinio, no algo que afirmas. LeCun apostó toda su carrera, dos veces, por aprender el mundo en lugar de memorizar sus etiquetas – y por hacerlo donde todos puedan verlo.

Preguntas frecuentes

¿Cuál es la filosofía de ingeniería de Yann LeCun?

Aprender el mundo, abiertamente. LeCun sostiene que la inteligencia es mayormente autosupervisada – una máquina que aprende la estructura del mundo prediciendo lo que observa, con las etiquetas humanas y las señales de recompensa como capas delgadas por encima, capturado en su analogía del «pastel» donde el aprendizaje autosupervisado es el grueso, el aprendizaje supervisado el glaseado y el aprendizaje por refuerzo la cereza.⁵ Lo combina con un compromiso con la investigación abierta: publicar artículos, código y modelos para que la ciencia pueda reproducirse y ponerse a prueba.¹⁸ Su firma de ingeniero es codificar la estructura conocida directamente en la arquitectura – como la convolución hornea la invariancia ante la traslación en una red de visión.²³

¿Qué inventó Yann LeCun y cómo se usó comercialmente?

Es el inventor principal de la red neuronal convolucional moderna. En Bell Labs en 1989 fue de los primeros en aplicar la retropropagación a una tarea práctica – reconocer códigos postales manuscritos – produciendo el prototipo LeNet, y el artículo de 1998 “Gradient-Based Learning Applied to Document Recognition” (con Bottou, Bengio y Haffner) describió LeNet-5.²³ Comercialmente, NCR desplegó lectores de cheques basados en LeNet a partir de 1996, y para 2001 se estimaba que el sistema leía alrededor de 20 millones de cheques al día – más o menos el 10 % de todos los cheques en Estados Unidos.²

¿Por qué Yann LeCun es escéptico con los grandes modelos de lenguaje?

Porque, a su juicio, los LLM autorregresivos aprenden un modelo del texto en lugar de un modelo del mundo, y por eso no pueden alcanzar una inteligencia de nivel humano solo con escalado – los llama «una salida de la autopista» en el camino hacia una IA de nivel humano.⁹¹⁰ Su alternativa propuesta es la arquitectura predictiva de incrustación conjunta (JEPA), de su artículo de 2022 “A Path Towards Autonomous Machine Intelligence”, que predice en un espacio de representación abstracto e ignora los detalles impredecibles, en lugar de generar cada píxel o cada token.⁶⁸ En noviembre de 2025 dejó Meta para fundar AMI Labs en París y perseguir directamente los modelos del mundo.¹⁰

¿Ganó Yann LeCun el Premio Turing?

Sí. Compartió el Premio Turing ACM A.M. 2018 con Geoffrey Hinton y Yoshua Bengio – los tres «padrinos del aprendizaje profundo» – «por los avances conceptuales y de ingeniería que han convertido a las redes neuronales profundas en un componente fundamental de la computación».⁴ Las contribuciones reconocidas de LeCun se centran en las redes convolucionales y en su trabajo más amplio que hizo práctico el aprendizaje profundo. Difiere públicamente de Hinton sobre el presente: donde Hinton (que dejó Google en 2023) advierte de los peligros de la IA, LeCun es el optimista que sostiene que la arquitectura LLM dominante de hoy no es la ruta hacia una inteligencia de nivel humano.¹⁰

Fuentes