Qui és Ilya Sutskever
Ilya Sutskever és un investigador d’aprenentatge automàtic i cofundador d’OpenAI i Safe Superintelligence. La seva trajectòria combina algorismes, models de llenguatge i direcció científica. [21]
Origen i formació a Toronto
Va néixer a Rússia, va créixer a Israel i es va traslladar al Canadà durant l’adolescència. A Toronto va orientar la formació cap a les matemàtiques i la informàtica, i va fer el doctorat sota la supervisió de Geoffrey Hinton. Aquest entorn acadèmic va ser el punt de partida de la seva recerca sobre xarxes neuronals. [8]
Va obtenir a la Universitat de Toronto el grau el 2005, el màster el 2007 i el doctorat el 2013. La universitat també el va incloure entre els antics alumnes reconeguts a la llista TIME100 AI de 2024. [9]
La seva tesi, Training Recurrent Neural Networks, es va presentar el 2013. Estudiava com entrenar xarxes que conserven informació de passos anteriors i afronten dependències temporals llargues. Combinava nous models de seqüències amb mètodes d’optimització i aplicacions al llenguatge i al control, vinculant preguntes matemàtiques sobre l’aprenentatge amb tasques experimentals concretes. [10]
Primeres investigacions: text i entrenament
El 2011 va publicar amb James Martens i Hinton un treball sobre generació de text caràcter a caràcter. El model aprenia regularitats de seqüències escrites mitjançant una xarxa recurrent amb connexions multiplicatives. L’interès era demostrar que una optimització adequada permetia entrenar aquestes xarxes, aleshores difícils d’utilitzar eficaçment. [11]
Amb Martens, George Dahl i Hinton va investigar el 2013 la inicialització de paràmetres i l’impuls, o momentum, durant l’entrenament. L’estudi va mostrar que una combinació ajustada amb cura podia entrenar xarxes profundes i recurrents sense recórrer necessàriament a optimitzadors de segon ordre. L’elecció del procediment d’aprenentatge era tan rellevant com l’arquitectura. [12]
AlexNet, Stanford i Google Brain
Va ser coautor d’AlexNet el 2012 amb Alex Krizhevsky i Hinton. El model es va convertir en una fita de la classificació d’imatges mitjançant xarxes profundes. El 2025, Toronto va destacar que l’article figurava entre els treballs més citats del segle segons una anàlisi de Nature, una mesura de difusió científica. [14]
El seu recorregut professional va incloure una estada postdoctoral amb el grup d’Andrew Ng a Stanford, la cofundació de DNNresearch i una etapa com a investigador a Google Brain. La seva pàgina acadèmica descriu aquests passos com a experiències anteriors a OpenAI i situa la col·laboració entre laboratoris universitaris i empresarials al centre de la trajectòria. [13]
Aprendre a transformar seqüències
El 2014, amb Oriol Vinyals i Quoc Le, va presentar un mètode que codifica una seqüència mitjançant una xarxa LSTM i en produeix una altra amb un descodificador. El van avaluar en traducció de l’anglès al francès. L’enfocament permetia aprendre conjuntament totes dues operacions i tractar entrades i sortides de longitud variable dins d’un mateix sistema. [2]
Amb Łukasz Kaiser va desenvolupar Neural GPU, presentat inicialment el 2015. Aquesta arquitectura recurrent paral·lela aprenia tasques algorísmiques a partir d’exemples, com sumar o multiplicar nombres binaris. Els experiments estudiaven si un model entrenat amb entrades curtes podia processar-ne de més llargues, una prova de generalització diferent de repetir exemples de l’entrenament. [15]
El treball posterior amb Eric Price i Wojciech Zaremba en va examinar els límits el 2016. Van trobar fallades davant d’entrades poc habituals, fins i tot quan el model resolia correctament moltes operacions llargues. El resultat ajuda a distingir una bona mitjana experimental d’una regla aritmètica fiable per a qualsevol entrada, i converteix l’anàlisi d’errors en part de la contribució. [16]
També figura entre els coautors de l’article d’AlphaGo publicat a Nature el 2016, que va combinar xarxes de política i valor amb cerca en arbre per jugar al go. [17]
OpenAI i els models de propòsit general
El desembre de 2015, l’anunci de creació d’OpenAI el va identificar com a director de recerca. L’organització es va presentar aleshores com una entitat sense ànim de lucre que fomentaria publicacions i col·laboració científica. [18]
Va ser coautor de GPT-3 el 2020: un model de 175.000 milions de paràmetres avaluat amb exemples i instruccions escrits, sense reajustar-ne els paràmetres per a cada tasca. [19]
A CLIP, publicat el 2021 amb Alec Radford i altres investigadors, l’entrenament relacionava imatges amb els textos associats. Després es podien descriure noves categories amb llenguatge natural. L’estudi va examinar la transferència a diverses tasques de visió sense entrenament específic per a cada conjunt, ampliant la relació entre comprensió visual i representacions lingüístiques. [20]
Alineament, govern i sortida d’OpenAI
El juliol de 2023, Sutskever i Jan Leike van anunciar Superalignment. El programa volia investigar com supervisar sistemes que poguessin superar àmpliament les capacitats humanes, mitjançant supervisió escalable, interpretació i proves adversàries. La proposta fixava un horitzó de quatre anys; expressava una agenda de recerca i reconeixia que el problema continuava sense resoldre’s. [3]
Sutskever pertanyia al consell que va anunciar la destitució de Sam Altman el novembre de 2023. [24]
El 29 de novembre, OpenAI va comunicar el retorn d’Altman i que Sutskever deixaria el consell. [25]
El 14 de maig de 2024, l’organització va anunciar-ne la sortida i el nomenament de Jakub Pachocki com a director científic. El comunicat reconeixia la seva contribució a OpenAI i indicava que preparava un altre projecte. Aquesta transició va tancar la seva etapa institucional a l’empresa, tot i que les publicacions van continuar formant part de la recerca posterior. [23]
Safe Superintelligence
La proposta d’SSI concentra recerca i desenvolupament en una superintel·ligència segura, amb oficines a Palo Alto i Tel-Aviv. El seu plantejament declara que seguretat i capacitats han d’avançar juntes, dins d’un programa tècnic comú. És l’objectiu que defineix el laboratori, no la certificació que els seus sistemes ja hagin assolit aquesta condició. [4]
El juliol de 2025 va comunicar que assumia formalment el càrrec de CEO, mentre Daniel Levy passava a ser president i Daniel Gross havia deixat l’empresa. La nota precisava que l’equip tècnic continuava depenent de Sutskever. [5]
El juliol de 2026, SSI i NVIDIA van anunciar una aliança i inversió per ampliar la capacitat de càlcul mitjançant la plataforma Vera Rubin. El comunicat plantejava multiplicar-la per deu i col·laborar en futures plataformes. L’expansió anunciada correspon a infraestructura i a un pla de recerca; no presenta una avaluació pública d’una superintel·ligència acabada. [26]
Reconeixements científics
La Royal Society el va elegir fellow el 2022. [22]
Toronto li va concedir un doctorat honoris causa el 2025. [8]
El 2026 va rebre el premi de l’Acadèmia Nacional de Ciències dels Estats Units a l’Aplicació Industrial de la Ciència, concedit aquell any per primera vegada en intel·ligència artificial. [21]
AlexNet i reconeixement de cascos de seguretat
Sutskever va coescriure amb Alex Krizhevsky i Geoffrey Hinton el treball d’AlexNet, una xarxa convolucional per classificar imatges. La seva aportació pertany al desenvolupament de la visió artificial; l’aplicació preventiva apareix en investigacions posteriors que reutilitzen aquesta arquitectura. [6]
Un estudi de 2024 sobre reconeixement de cascos utilitza AlexNet entre nou xarxes preentrenades per extreure característiques d’imatges. Combina aquestes característiques amb selecció, classificació i votació. És un ús explícit del model en recerca sobre EPI, desenvolupat per altres autors. [7]
Del classificador d’imatges a una alerta útil
La connexió concreta és aprofitar un model visual après per estudiar si una imatge mostra protecció del cap. Cal distingir aquest resultat de verificar que el casc correspon al risc, està ajustat correctament o manté les propietats protectores.
Un sistema preventiu també necessita vincular l’EPI a la persona adequada i reconèixer les situacions que no pot interpretar. Abans de convertir una classificació en alerta caldria comprovar oclusions, distàncies i condicions del centre. El rendiment en un conjunt d’imatges permet comparar mètodes, però no demostra que una fàbrica hagi reduït els accidents.
