El debate sobre los límites de la inteligencia artificial ha vuelto a encenderse, y esta vez el protagonista es nada menos que Yann LeCun, uno de los padres de la IA moderna y ganador del Premio Turing (considerado el Nobel de la informática). En una entrevista reciente para el Big Technology Podcast, LeCun lanzó una crítica demoledora contra el relato que dominan las grandes tecnológicas: la promesa de que los modelos de lenguaje actuales están a punto de convertirse en algo parecido a ejércitos de expertos con doctorado encerrados en un centro de datos.
La frase que motivó la respuesta de LeCun proviene de Dario Amodei, CEO de Anthropic, quien en uno de sus ensayos imaginó ’50 millones de personas, todas ellas mucho más capaces que cualquier premio Nobel, estadista o tecnólogo’, generadas por IA. LeCun no se anduvo con rodeos: ‘No hay ninguna manera en el infierno’ de que esto ocurra simplemente escalando los actuales modelos de lenguaje grande (LLM). Según él, aunque estos sistemas puedan parecer brillantes conversando, en realidad no razonan ni inventan nada nuevo: solo recuperan y recombinan información que ya han visto durante su entrenamiento.
Para ilustrar su punto, LeCun recurre a una comparación que resulta reveladora: un LLM típico se entrena con unos 30 billones de tokens, un volumen que a un humano le tomaría cerca de 400.000 años leer a razón de doce horas diarias. Y sin embargo, sostiene, ese océano de texto no equivale a comprensión real del mundo. Un niño de cuatro años, simplemente mirando y tocando su entorno, ha recibido más información sensorial en bruto que el modelo más grande jamás entrenado. El razonamiento de LeCun apunta a que el lenguaje, por sí solo, es una representación demasiado pobre de la realidad física como para servir de base a una inteligencia general.
Hay además un problema de recursos que respalda su escepticismo: según estimaciones de Epoch AI, el texto público de calidad disponible en internet ronda los 300 billones de tokens, lo que significa que los modelos actuales podrían agotar nuevas fuentes de entrenamiento entre 2026 y 2032. Es decir, incluso si alguien quisiera seguir la estrategia de ‘más datos, más parámetros, más inteligencia’, se toparía con un muro físico de escasez de información.
Lo interesante del posicionamiento de LeCun es que no encaja en ninguno de los dos bandos habituales del debate sobre IA: ni es de los que piden frenar el desarrollo por miedo a un escenario apocalíptico, ni es de los que venden la AGI como algo inminente. Su autoridad viene precisamente de haber ayudado a construir buena parte de la arquitectura que sostiene la IA actual, lo que convierte sus dudas en algo muy distinto a las de un crítico externo. Para la comunidad geek, que sigue de cerca cada anuncio de OpenAI, Anthropic o Google DeepMind, las palabras de LeCun funcionan como un contrapeso necesario frente al bombardeo de titulares sobre superinteligencia inminente.
Eso sí, LeCun no descarta que existan caminos alternativos hacia una IA más capaz: menciona proyectos como Genie de Google DeepMind o World Labs de Fei-Fei Li, que buscan dotar a los sistemas de una comprensión más rica del espacio y el mundo físico, alejándose del paradigma puramente textual de los LLM. El futuro de la carrera hacia la AGI, según este veterano de la disciplina, probablemente no pase por seguir escalando lo que ya tenemos, sino por repensar desde cero cómo las máquinas pueden aprender del mundo tal como lo hace un niño.