“No tenemos robots que sean tan buenos para comprender el mundo físico como una rata”, dice Yann LeCun, una de las principales figuras del mundo de la inteligencia artificial.
Trabajó en Meta, propietario de Facebook, durante una década, donde fue científico jefe de IA, pero lo dejó en 2025 y fundó Advanced Machine Intelligence Labs (AMI Labs).
Su objetivo es llevar la IA más allá de los sistemas actuales como ChatGPT, Claude y Gemini. Tienen sus usos, dice, pero nunca podrán abordar situaciones complicadas en el mundo real, como conseguir que un robot haga las tareas del hogar.
“No son un camino hacia el nivel humano o una inteligencia humana, o incluso una inteligencia animal, porque no pueden manejar datos del mundo real, simplemente no están diseñados para eso”, me dice al margen de VivaTech, la principal conferencia tecnológica de Francia.
Por eso, AMI Labs, con sede en París, está ocupado desarrollando un nuevo tipo de inteligencia artificial que no se basa en la tecnología detrás de ChatGPT y sus rivales.
Los inversores creen que tiene potencial. A principios de este año, AMI Labs anunció que había recaudado más de mil millones de dólares (760 millones de libras esterlinas), con inversores que incluían al gigante estadounidense de chips informáticos Nvidia y el fondo que gestiona la riqueza privada del fundador de Amazon, Jeff Bezos.
Esa llamada ronda de financiación inicial (la primera ronda de recaudación de fondos para empresas emergentes) fue una de las más grandes de su tipo en Europa.
Los modelos de lenguaje grande (LLM) como ChatGPT son extremadamente buenos en algunas cosas como codificación, problemas matemáticos y generación de texto, dice LeCun.
Pero sostiene que se trata de problemas bien definidos y predecibles.
“Ellos (los LLM) básicamente simplemente acumulan conocimientos… Pueden regurgitar algo, los entrenas para regurgitar, pero no son particularmente inteligentes. No tienen una comprensión subyacente”, dice.
En el mundo real hay una desconcertante variedad de resultados para cualquier acción, lo que requiere un tipo más flexible de inteligencia artificial.
LeCun sostiene un bolígrafo en posición vertical sobre su punta. ¿Qué pasa cuando lo sueltas?, pregunta. Incluso un niño pequeño sabría que el bolígrafo se caería. Pero ningún ser humano se molestaría en adivinar en qué dirección podría caer el bolígrafo, no hay forma de saberlo.
Pero un LLM podría intentar generar una única predicción sobre el próximo movimiento del bolígrafo basándose en patrones estadísticos de sus datos de entrenamiento.
Es casi seguro que la predicción sería errónea, porque el sistema no razona sobre la realidad física de la situación: está generando lo que parece ser estadísticamente plausible.
LeCun dice que el sistema que su empresa está desarrollando, llamado Joint Embedding Predictive Architecture (JEPA), está configurado para abordar problemas como ese.
Crea abstracciones del mundo real que le permiten evaluar los resultados de las acciones.
Crear estas abstracciones implica matemáticas difíciles, pero esencialmente filtran información inútil, dejando a la IA con imágenes útiles del mundo.
En el caso del bolígrafo, la IA sabría que no tiene sentido intentar predecir en qué dirección caería el bolígrafo.
