Yann LeCun

LeCun comparte el Turing Award de 2018 por el trabajo que hizo viable el aprendizaje profundo a escala. La postura que ha sostenido públicamente durante los últimos años —que la predicción autoregresiva del siguiente token es una vía muerta como camino hacia cualquier cosa parecida al razonamiento general— es una de las pocas disidencias sénior frente al consenso actual sobre LLM que se argumenta con detalle arquitectónico técnico. Leerlo es útil incluso cuando se sospecha que está equivocado, porque el desacuerdo es específico: modelos del mundo, arquitecturas predictivas de embeddings conjuntos, aprendizaje basado en energía, todo contrapuesto a por qué cree que la generación actual de LLM no puede llegar ahí desde aquí.

Vale la pena seguirlo cuando

se quiere una voz sénior que argumente contra el consenso actual sobre LLM en términos arquitectónicos concretos, no mediante objeciones filosóficas vagas.

Temas

aprendizaje autosupervisado; límites de la generación autoregresiva; enfoques de modelos del mundo y de embeddings conjuntos para sistemas de aprendizaje.

Obras clave

contribuciones fundacionales de la era del Turing Award al aprendizaje profundo (compartido en 2018); línea JEPA / modelos del mundo en curso (2022 en adelante); críticas públicas al paradigma autoregresivo de los LLM (2022, en curso).