Lo que los tres construyeron juntos

La historia comienza en los años 1980, cuando el aprendizaje profundo — redes neuronales artificiales con múltiples capas — era considerado una idea muerta por la comunidad de investigación en IA. Los modelos simbólicos dominaban; las redes neuronales eran vistas como computacionalmente inviables y teóricamente problemáticas.

Geoffrey Hinton, nacido en 1947 en el Reino Unido y radicado en Canadá, fue el defensor más obstinado de las redes neuronales durante este invierno. Su trabajo sobre backpropagation (con Rumelhart y Williams, 1986) y, más tarde, sobre Boltzmann Machines y redes neuronales convolucionales estableció los fundamentos matemáticos que harían posible el deep learning.

Yann LeCun, nacido en 1960 en Francia, fue uno de sus estudiantes de posdoctorado. LeCun desarrolló las redes neuronales convolucionales (CNN) — la arquitectura que transformó el reconocimiento de imágenes y es la base de casi todo sistema de visión por computadora en uso hoy. Su trabajo en Bell Labs en los años 1990 produjo el primer sistema práctico de reconocimiento de dígitos manuscritos, utilizado por el servicio postal estadounidense.

Yoshua Bengio, nacido en 1966 en Canadá, completó el trío. Su trabajo sobre modelos de lenguaje neuronales (Bengio et al., 2003) fue fundamental para el desarrollo de los transformers modernos. Bengio también es conocido por contribuciones fundamentales sobre representaciones distribuidas y currículo de aprendizaje.

El momento definitorio fue 2012: Alex Krizhevsky, estudiante de Hinton, usó una CNN entrenada en GPU para ganar ImageNet por un margen absurdo. Todo el campo se puso patas arriba. En 2018, el Premio Turing reconoció lo que ya era evidente: los tres habían cambiado la historia de la computación.

Hinton: el arrepentimiento y la alarma

Geoffrey Hinton dejó Google en mayo de 2023 específicamente para poder hablar libremente sobre los riesgos de la IA. Desde entonces, se ha convertido en la voz más prominente entre los pioneros en expresar una preocupación profunda — y personal — sobre lo que ayudó a crear.

Su posición central: los sistemas de IA actuales pueden ser más inteligentes que los humanos en algunos aspectos ya hoy, y el ritmo de desarrollo está superando nuestra capacidad para comprender lo que estamos construyendo. Hinton cree que la probabilidad de que la IA represente una amenaza existencial para la humanidad — a través de sistemas que desarrollan sus propios objetivos contrarios a los humanos, o a través de actores maliciosos que usan la IA para consolidar el poder — es significativa, posiblemente del 10 al 20% en los próximos 30 años.

En octubre de 2024, Hinton recibió el Premio Nobel de Física — una distinción inusual para un científico de la computación, otorgada por su trabajo sobre redes de Hopfield y máquinas de Boltzmann como modelos físicos de información. Usó la plataforma del Nobel para amplificar su advertencia.

LeCun: el optimista escéptico

Yann LeCun, actualmente Chief AI Scientist de Meta AI, es el más vocal de los tres en estar en desacuerdo con Hinton — y con la corriente principal de preocupación por los riesgos existenciales de la IA. Para LeCun, los LLM actuales son fundamentalmente limitados: son máquinas de completar patrones estadísticos, no sistemas que entienden el mundo.

Su tesis central: los LLM no tienen modelos del mundo físico y causal, y por eso nunca llegarán a la inteligencia general por esa ruta. El camino hacia la inteligencia genuina pasa por los world models — sistemas que aprenden cómo funciona el mundo al observarlo, de la forma en que los bebés humanos aprenden antes de dominar el lenguaje. La arquitectura JEPA (Joint Embedding Predictive Architecture) que desarrolla Meta AI es su apuesta concreta en esta dirección.

LeCun es también el más escéptico sobre los riesgos existenciales a corto plazo. Para él, la preocupación por una IA que "desarrolla objetivos propios y domina a los humanos" confunde la ciencia ficción con la realidad técnica. Los sistemas actuales no tienen objetivos — tienen funciones de pérdida. La diferencia no es semántica: es arquitectónica.

Bengio: el científico que se volvió activista

Yoshua Bengio ocupa un territorio intermedio y cada vez más político. Al igual que Hinton, pasó del optimismo ilimitado a una posición de preocupación genuina por los riesgos. A diferencia de Hinton, Bengio canaliza esta preocupación principalmente hacia la acción política y regulatoria.

Bengio fue uno de los principales firmantes de la carta abierta de 2023 que pedía una pausa en el desarrollo de IA avanzada, y desde entonces se ha convertido en un defensor activo de la gobernanza internacional de la IA. Participó en la preparación del informe de la ONU sobre IA de 2024 y ha expresado la necesidad de un equivalente al IPCC para el riesgo de la IA.

Su diferencia con relación a Hinton es de énfasis: donde Hinton se enfoca en los riesgos técnicos y los escenarios de IA rebelde, Bengio se enfoca en los riesgos de uso malicioso por actores humanos — gobiernos autoritarios, corporaciones sin accountability, grupos extremistas — que pueden usar la IA para consolidar poder de formas sin precedentes históricos.

Por qué las divergencias importan

Las tres posiciones no son solo opiniones personales de investigadores famosos — estructuran el debate sobre cómo el mundo debe reaccionar al desarrollo de la IA. Hinton y Bengio informan el caso para la regulación restrictiva y las pausas de desarrollo. LeCun informa el caso para el desarrollo acelerado con un enfoque en arquitecturas más seguras por diseño.

Los tres coinciden en un punto: lo que se está construyendo es profundamente importante y profundamente incomprendido. La divergencia es sobre qué hacer con eso.