Acerca de Yann LeCun
Yann LeCun es el Científico Jefe de IA en Meta y ganador del Premio Turing (2018, con Geoffrey Hinton y Yoshua Bengio). Fue pionero de las redes neuronales convolucionales en los años 1980-90 y ahora es uno de los escépticos más vocales de la IA sobre enfoques solo LLM hacia AGI.
Hitos de Carrera
- Meta (2013-presente): Científico Jefe de IA, VP de Investigación de IA
- AMI (2025): Cofundador de startup Advanced Machine Intelligence
- Premio Turing (2018): Con Hinton y Bengio por aprendizaje profundo
- NYU (2003-presente): Profesor Silver de Ciencias de la Computación
- Bell Labs (1988-2002): Inventó redes neuronales convolucionales
Posiciones Notables
Sobre LLMs Siendo Insuficientes
La tesis contraria de LeCun:
“You cannot get to human-level AI through text alone. Training an LLM requires 30 trillion tokens - effectively all internet text. That same 10^14 bytes represents just 15,000 hours of video - 30 minutes of YouTube uploads.”
“No puedes llegar a IA de nivel humano solo a través de texto. Entrenar un LLM requiere 30 billones de tokens - efectivamente todo el texto de internet. Esos mismos 10^14 bytes representan solo 15,000 horas de video - 30 minutos de cargas de YouTube.”
Sobre Modelos del Mundo (JEPA)
Su enfoque alternativo:
“JEPA predicts in abstract representation space, not pixel space - eliminates unpredictable details while preserving structure for planning.”
“JEPA predice en espacio de representación abstracta, no espacio de píxeles - elimina detalles impredecibles mientras preserva estructura para planificación.”
Sobre Investigación Abierta
“You cannot call it research unless you publish - internal hype creates delusion. Scientists need external validation.”
“No puedes llamarlo investigación a menos que publiques - el hype interno crea delirio. Los científicos necesitan validación externa.”
Citas Clave
- “Los LLMs no pueden llevarnos a IA de nivel humano.”
- “Modelos del mundo entrenados en video, no texto.”
- “No puedes llamarlo investigación a menos que publiques.”
Lectura Relacionada
- World Models - El camino de LeCun hacia AGI
- JEPA - Arquitectura Predictiva de Embedding Conjunto
Video Mentions
Eficiencia de datos de visión vs texto
No puedes llegar a IA de nivel humano solo a través de texto. Entrenar un LLM requiere 30 billones de tokens - todo el texto de internet. Esos mismos datos son solo 15,000 horas de video - 30 minutos de cargas de YouTube.
Filosofía de investigación abierta
AMI publicará abiertamente porque no puedes llamarlo investigación a menos que publiques - el hype interno crea delirio.
Arquitectura Predictiva de Embedding Conjunto
JEPA predice en espacio de representación abstracta, no espacio de píxeles - elimina detalles impredecibles mientras preserva estructura.