Nacido en 1960 en Soisy-sous-Montmorency, a las afueras de París —el mismo año en que Francia estrenaba el nuevo franco—, Yann LeCun es una de las figuras fundacionales de la inteligencia artificial moderna, un campo al que ha dedicado más de cuatro décadas.
Se formó como ingeniero electrónico en la ESIEE de París y se doctoró en 1987 en la Universidad Pierre y Marie Curie, con una tesis que ya exploraba una forma temprana del algoritmo de retropropagación, que es la pieza matemática sobre la que se asienta todo el deep learning actual.
Tras un posdoctorado en Toronto, junto a Geoffrey Hinton (conocido como el padrino de la inteligencia artificial), en 1988 fichó por los legendarios laboratorios Bell de AT&T. Allí inventó las redes neuronales convolucionales, la familia de algoritmos que enseñó a las máquinas a “ver”. Su sistema LeNet aprendió a leer dígitos manuscritos con tal solvencia que llegó a procesar un porcentaje significativo de los cheques bancarios que circulaban por Estados Unidos, y sus descendientes directos hoy en día se encuentran en el reconocimiento facial, la conducción autónoma y la visión por ordenador.
En 2003 se incorporó como profesor a la Universidad de Nueva York, donde sigue enseñando, y en diciembre de 2013 Mark Zuckerberg lo reclutó personalmente para fundar FAIR, el laboratorio de investigación fundamental en IA de Facebook, del que salieron contribuciones tan influyentes como la plataforma PyTorch.
En 2018 recibió, junto a Hinton y Yoshua Bengio, el Premio Turing, el “Nobel de la informática, y en 2022 los tres compartieron con Demis Hassabis el Premio Princesa de Asturias de Investigación Científica y Técnica.
Convertido en científico jefe de IA de Meta, y con citas académicas que se cuentan por cientos de miles, Yann LeCun tenía todos los ingredientes para instalarse cómodamente en la ortodoxia del sector. Pero ha hecho exactamente lo contrario.
El techo de los grandes modelos de lenguaje
Mientras OpenAI, Google, Anthropic y la propia Meta invertían decenas de miles de millones en escalar LLM cada vez mayores, Yann LeCun repetía en cada foro la misma idea: los LLM son herramientas útiles, pero no son un camino hacia una inteligencia de nivel humano. En su intervención más citada de los últimos meses, en VivaTech, fue todavía más gráfico: la IA actual, dijo, no entiende el mundo físico tan bien como una rata. Y en esa crítica incluye expresamente a los frontier models —ChatGPT, Claude, Gemini—, por muy espectaculares que resulten sus demostraciones.
Su argumento no es comercial, sino arquitectónico. Los LLM funcionan mediante predicción autorregresiva: calculan, token a token, cuál es la palabra más probable a continuación. Pero ese mecanismo, sostiene Yann LeCun, es incapaz de planificar y de anticipar las consecuencias de sus propias acciones, dos capacidades que él considera la esencia de la conducta inteligente.
A ello se suma una limitación de la propia materia prima: el lenguaje es un espacio discreto y de baja dimensionalidad, “una versión serializada de nuestros pensamientos”, una representación empobrecida de una realidad que es continua, ruidosa y de múltiples dimensiones. De ahí que a los LLM les falten, en su diagnóstico, los cuatro pilares de la inteligencia: comprensión del mundo físico, memoria persistente, razonamiento genuino y capacidad de planificación.
La consecuencia práctica es un techo estructural, no coyuntural. Los LLM han devorado ya la práctica totalidad del texto de calidad disponible en Internet, y añadir más parámetros y más computación ofrece cada vez menos retorno.
Yann LeCun suele ilustrarlo con un cálculo provocador: un niño de cuatro años ha procesado, a través de la vista, un volumen de información comparable al que absorben los mayores LLM en todo su entrenamiento, y le ha bastado para adquirir un sentido común que ninguna máquina posee. “No se puede alcanzar la inteligencia humana”, afirma, “escalando un sistema que en el fondo no entiende el mundo”.
Peor aún: como las alucinaciones son inherentes al paradigma generativo, considera que los LLM son intrínsecamente inseguros como cerebro de agentes autónomos, porque pueden ejecutar acciones cuyos efectos no comprenden.
JEPA: predecir el mundo
La alternativa que propone tiene nombre desde 2022, cuando publicó su influyente hoja de ruta A Path Towards Autonomous Machine Intelligence. JEPA, siglas de Joint Embedding Predictive Architecture, invierte la lógica generativa: en lugar de reconstruir la realidad píxel a píxel o palabra a palabra, el sistema aprende a predecir en un espacio de representaciones abstractas. Dos codificadores procesan la información observada y la que se quiere anticipar, y un predictor aprende a estimar la representación de la segunda a partir de la primera, descartando por el camino todo el ruido impredecible e irrelevante.
El propio Yann LeCun lo explica con una botella de agua sobre una mesa: cuando una persona la empuja, no predice cada píxel de la escena resultante; anticipa, en abstracto, si la botella se deslizará, volcará o derramará el líquido. Esa es la clase de conocimiento que JEPA busca capturar, y la base de los llamados “modelos del mundo”: estructuras internas que permiten a una máquina simular las consecuencias de una acción antes de ejecutarla.
Si queremos sistemas verdaderamente inteligentes, no basta con los LLM: necesitamos máquinas que construyan una representación del mundo y puedan anticipar consecuencias
Con un modelo del mundo, un sistema puede planificar mediante búsqueda y optimización, razonar al estilo deliberativo humano y, en materia de seguridad, operar bajo objetivos y restricciones explícitas en lugar de la mera obediencia estadística a un prompt.
La idea ya ha dejado de ser teórica. De los laboratorios de Meta salieron I-JEPA para imágenes, V-JEPA para vídeo y, en 2025, V-JEPA 2, capaz ya de guiar brazos robóticos en tareas de manipulación.
Para Yann LeCun, la diferencia decisiva en cuanto al techo evolutivo reside en que mientras el texto es un recurso finito y casi agotado, los datos sensoriales (vídeo, audio, señales de sensores industriales) son prácticamente ilimitados, y una arquitectura que aprende representaciones jerárquicas del mundo puede seguir mejorando por comprensión, no solo por escala. Los LLM, augura, quedarán relegados al papel de interfaz lingüística de sistemas cuyo núcleo pensante será otro.
Mil millones de dólares para una convicción
En noviembre de 2025, convencido de que Meta había volcado todos sus recursos en la carrera de los LLM, Yann LeCun abandonó la compañía para fundar AMI Labs, Advanced Machine Intelligence, con sede en París y equipos en Nueva York, Montreal y Singapur.
AMI Labs apunta primero a los terrenos donde los LLM flaquean y los errores cuestan caro: robótica, control de procesos industriales, wearables y salud. El propio Yann LeCun estima entre doce y dieciocho meses el plazo para demostrar una metodología general de modelos del mundo jerárquicos y multimodales; los productos comerciales llegarán después, medidos en años más que en trimestres. Cuando le piden previsiones a más largo plazo, responde con una broma tomada de Linus Torvalds: “dominación mundial completa en cinco años”.
Puede que el tiempo le quite la razón. Pero conviene recordar que este francés de sonrisa socarrona ya remó contracorriente en los años ochenta y noventa, defendiendo las redes neuronales cuando la comunidad científica las daba por muertas, y aquella terquedad acabó valiéndole un Turing.
Hoy vuelve a nadar contra la marea, esta vez la que él mismo ayudó a levantar. El debate que plantea es el más relevante de la década en inteligencia artificial: ¿seguir escalando la palabra o empezar, de una vez, a modelar el mundo?
