lunes, 16 de noviembre de 2026
Opinión

LeCun en NTU: «si te interesa la IA de nivel humano, no trabajes en LLM»

LeCun dictó «World Models» en NTU, pidió abandonar generativos, probabilísticos, contrastivos y RL, y los docentes del campus le respondieron.

4 min de lectura
LeCun en NTU: «si te interesa la IA de nivel humano, no trabajes en LLM»

Hecho: El 3 de noviembre Yann LeCun dictó en la Universidad Tecnológica de Nanyang (NTU, Singapur) la conferencia "World Models: Enabling the Next AI Revolution", del ciclo Lee Kong Chian Distinguished Professor Public Lecture. LeCun, que preside Advanced Machine Intelligence (AMI) como Executive Chairman, explicó por qué cree que los LLM no alcanzan: se entrenan con bases de datos de lenguaje y "aprenden" el mundo por descripciones humanas, mientras que un world model aprende por sus propios sensores e inputs, modelando las reglas del entorno —las leyes de la física, las dinámicas sociales— para predecir resultados o proponer acciones.

Cerró con una diapositiva titulada "Recommendations to my fellow AI scientists" en la que recomendaba "abandonar" los modelos generativos, los probabilísticos, los métodos contrastivos y el reinforcement learning, y remató:

"If you are interested in human-level AI, don't work on LLMs."

La página de NTU registra además la respuesta de tres docentes del campus. Zhang Mengmi, de neurociencia computacional, coincidió: "I strongly agree with Yann LeCun that language cannot be the foundation of human-like intelligence", y apuntó al aprendizaje infantil temprano. Stefano Albrecht, en cambio, defendió al RL: "I would have liked to see a more nuanced and insightful treatment of reinforcement learning … reinforcement learning is one of the most fundamental principles of learning in natural and artificial systems, and it should be studied rigorously." Jordan Boyd-Graber, desde el NLP, ofreció otra perspectiva.

El ciclo describe la charla como una presentación bien concurrida seguida de preguntas del público. LeCun argumentó que los world models permiten razonar con las reglas del entorno —física, dinámicas sociales— para predecir resultados o proponer acciones, en oposición a los LLM, que aprenden el mundo a través de descripciones humanas. En la discusión, Zhang Mengmi agregó que la ciencia del desarrollo muestra que los bebés aprenden por percepción, exploración e interacción mucho antes de dominar el lenguaje, y que un espacio de embeddings conjuntos es un buen primer paso pero no suficiente: "we must go further by developing AI agents that actively seek information, decide where to look, and learn through their own experiences". Albrecht insistió en que el aprendizaje por refuerzo es uno de los principios fundamentales del aprendizaje en sistemas naturales y artificiales y que debe estudiarse en lugar de descartarse, y advirtió que los world models "no eliminan la complejidad de la toma de decisiones óptima en entornos ruidosos y con datos sucios".

Opinión: La recomendación de "abandonar" cuatro paradigmas es la agenda de investigación de LeCun: su empresa AMI construye exactamente los world models que propone, interés declarado por su cargo. Según el registro de NTU, no hubo en la charla una comparación experimental que muestre que los world models superan a los LLM en una tarea concreta; la evidencia es argumentativa. El debate posterior muestra que la comunidad no coincide: para Albrecht el RL debe estudiarse "rigurosamente", no archivarse. Los docentes que responden son parte del ciclo académico, no auditores independientes.

Artículos Relacionados