Yann LeCun deja Meta para crear una startup de modelos del mundo
El científico jefe de IA de Meta deja la compañía tras 12 años para impulsar una startup centrada en modelos del mundo. Su apuesta cuestiona que los modelos de lenguaje, por sí solos, puedan llevar a máquinas con comprensión amplia.
Según informa CNBC, Yann LeCun, científico jefe de inteligencia artificial de Meta y una de las figuras más influyentes del aprendizaje profundo, deja la compañía después de 12 años para crear una startup dedicada a los llamados world models o modelos del mundo. El movimiento importa porque traslada a una empresa una discrepancia científica de fondo: si los grandes modelos de lenguaje bastan para construir sistemas realmente inteligentes.
CNBC informa de que LeCun ha confirmado su salida para perseguir esta línea de investigación. El científico francés-estadounidense, ganador del Premio Turing en 2018 junto a Geoffrey Hinton y Yoshua Bengio, lleva años defendiendo que los modelos de lenguaje son útiles, pero insuficientes como base única de una inteligencia capaz de comprender y actuar en el mundo.
Qué son los modelos del mundo
Un modelo del mundo intenta aprender cómo funciona la realidad: qué objetos hay, cómo se relacionan, qué ocurre cuando algo cambia y cuáles pueden ser las consecuencias de una acción. No se limita a completar una frase probable a partir de enormes cantidades de texto, que es la tarea central de un modelo de lenguaje grande o LLM.
La idea se entiende mejor con un ejemplo sencillo. Un sistema que ha aprendido un modelo del mundo debería poder anticipar que una taza caerá si se empuja fuera de una mesa, que un objeto oculto sigue existiendo aunque no aparezca en la imagen o que abrir una puerta requiere una secuencia física concreta. Para ello necesita manejar percepción, memoria, relaciones espaciales y predicción.
Ese tipo de capacidades resulta especialmente relevante para robots, vehículos autónomos y asistentes que operen fuera de una pantalla. Un chatbot puede describir cómo preparar una habitación para una tarea; una máquina que actúe en esa habitación necesita además interpretar el espacio, prever errores y adaptar sus acciones.
La objeción de LeCun al camino de los LLM
Los LLM han demostrado que escalar datos, capacidad de cálculo y parámetros produce mejoras notables en conversación, programación, traducción y síntesis de información. Meta ha sido uno de los actores centrales de esa carrera con la familia Llama.
Pero LeCun sostiene que predecir la siguiente palabra no equivale a comprender el entorno. Su crítica no niega la utilidad de los modelos de lenguaje: cuestiona que añadir más tamaño y más datos a ese mismo enfoque pueda resolver por sí solo capacidades como el razonamiento causal, la planificación a largo plazo o el aprendizaje a partir de la experiencia física.
La diferencia es importante. Los LLM aprenden principalmente de representaciones humanas del mundo —texto, código e imágenes etiquetadas o descritas—. Un modelo del mundo aspira a aprender regularidades directamente de vídeo, sensores e interacción. En lugar de memorizar que los objetos suelen obedecer la gravedad, debería capturar patrones que le permitan prever situaciones nuevas.
Este enfoque tampoco parte de cero. La investigación en aprendizaje por refuerzo, visión artificial y robótica lleva décadas intentando que las máquinas predigan estados futuros y tomen decisiones. Lo que cambia ahora es la escala de la oportunidad empresarial: los avances recientes en modelos generativos han atraído capital, talento e infraestructura para intentar unir percepción, memoria y planificación en sistemas más generales.
Una salida relevante para Meta y para el sector
LeCun no era un directivo cualquiera dentro de Meta. Además de dirigir la orientación científica de su investigación en IA, representaba una visión distinta a la que domina buena parte de la conversación comercial: la de que la próxima frontera no será necesariamente un chatbot más grande, sino sistemas capaces de construir representaciones internas del entorno.
Su nueva startup nace, por tanto, con una tesis técnica muy definida. Tendrá que demostrar que los modelos del mundo pueden entrenarse de forma eficiente, generalizar fuera de los datos vistos y ofrecer ventajas medibles frente a los modelos actuales. También deberá resolver un problema práctico: aprender del mundo real suele ser más costoso y menos abundante que recopilar texto de internet.
Para Meta, la salida no altera el hecho de que sigue compitiendo con modelos de lenguaje y sistemas multimodales. Para el mercado, abre otra vía de inversión en IA: menos centrada en responder preguntas y más en construir máquinas que observen, anticipen y actúen. La prueba decisiva será si esa ambición científica se convierte en productos que hagan mejor tareas que hoy siguen requiriendo supervisión humana.
