Qui és Yoshua Bengio
Yoshua Bengio és professor d’Informàtica de la Université de Montréal, cofundador i director científic de LawZero, on ocupa la copresidència, i fundador i assessor científic de Mila. La seva recerca ha contribuït a l’aprenentatge profund i posteriorment s’ha centrat també en la seguretat de sistemes avançats d’intel·ligència artificial. [1]
Origen, formació i carrera universitària
Investigador canadenc nascut a França el 1964, va fer estudis postdoctorals al MIT després de doctorar-se en informàtica. Es va incorporar com a professor a la Université de Montréal el 1993. La seva especialització reuneix aprenentatge estadístic, models probabilístics i representacions de dades, amb aplicacions a visió i llenguatge. [4]
La seva formació a McGill va comprendre un grau d’Enginyeria el 1986, un màster el 1988 i el doctorat el 1991. La universitat el va reconèixer posteriorment entre els antics alumnes que van contribuir al desenvolupament de l’aprenentatge profund. [7]
Aportacions als fonaments de l’aprenentatge profund
Amb Patrice Simard i Paolo Frasconi va publicar el 1994 una anàlisi de la dificultat d’aprendre dependències temporals llargues mitjançant descens de gradient. El treball va explicar un obstacle de les xarxes recurrents: retenir informació durant molts passos i ajustar eficaçment els paràmetres no eren objectius fàcils de conciliar amb els procediments habituals. [8]
El 2003, amb Réjean Ducharme, Pascal Vincent i Christian Jauvin, va presentar un model probabilístic neuronal del llenguatge. Aprenia simultàniament representacions distribuïdes de paraules i probabilitats de seqüències. Aquesta organització permetia compartir informació entre frases relacionades, abordant la dificultat de generalitzar quan gairebé cap seqüència nova coincideix exactament amb les observades durant l’entrenament. [9]
El treball amb Pascal Lamblin, Dan Popovici i Hugo Larochelle sobre entrenament per capes, publicat el 2007, va explorar com inicialitzar xarxes profundes abans de l’ajust conjunt. Va estudiar variants de l’aprenentatge no supervisat i la influència en l’optimització. Va formar part dels esforços per fer entrenables arquitectures que prometien representar funcions complexes amb diverses etapes. [10]
Amb Pascal Vincent i altres col·laboradors va desenvolupar autocodificadors que aprenien a recuperar entrades alterades. L’estudi de 2010 va mostrar que apilar aquestes capes podia produir representacions útils per a classificació. La tasca d’eliminar soroll proporcionava un senyal d’aprenentatge sense exigir una etiqueta humana per a cada exemple, connectant reconstrucció i extracció de característiques. [11]
Traducció neuronal i atenció
El 2014, Dzmitry Bahdanau, Kyunghyun Cho i Bengio van proposar que el traductor seleccionés les parts rellevants de la frase original en produir cada paraula. El treball, presentat a ICLR 2015, tractava el coll d’ampolla de condensar tota l’entrada en un vector fix. Aprendre alineament i traducció conjuntament va convertir l’atenció en una eina central del projecte. [12]
Models generatius i exploració d’alternatives
Va ser coautor, amb Ian Goodfellow i altres investigadors, del treball de 2014 que va introduir les xarxes generatives adversàries. [5]
El 2021 va participar amb Emmanuel Bengio, Moksh Jain, Maksym Korablyov i Doina Precup en GFlowNet. El mètode busca generar diverses solucions valuoses, en lloc de concentrar-se únicament en una seqüència de màxima recompensa. Els experiments van incloure grafs moleculars, on interessa explorar candidats diferents i compartir l’aprenentatge entre diverses formes de construir un mateix resultat. [13]
Deep Learning i la formació d’investigadors
Amb Ian Goodfellow i Aaron Courville va publicar Deep Learning el 2016. El llibre reuneix fonaments matemàtics, xarxes profundes utilitzades a la pràctica i qüestions de recerca, incloent-hi autocodificadors, models probabilístics i generació. Els autors mantenen una versió web gratuïta, que facilita a estudiants i professionals accedir de manera organitzada als conceptes de la disciplina. [14]
Mila, emprenedoria i LawZero
El març de 2025 va passar de la direcció científica de Mila a la funció de fundador i assessor científic. L’institut va explicar que el canvi li permetria dedicar més temps a seguretat i governança d’IA, mantenint recerca, participació acadèmica i supervisió d’estudiants de màster i doctorat a Montreal. [15]
Va ser un dels cofundadors d’Element AI el 2016, juntament amb un equip d’emprenedors i investigadors. El novembre de 2020, ServiceNow va anunciar un acord per adquirir l’empresa. Aquesta iniciativa representa una etapa de vinculació entre recerca acadèmica i desenvolupament empresarial en l’ecosistema d’intel·ligència artificial de Montreal. [16]
El 3 de juny de 2025 va presentar LawZero com a organització sense ànim de lucre dedicada a desenvolupar solucions tècniques d’IA segura des del disseny. Bengio va vincular-ne la creació al canvi d’orientació científica que havia iniciat el 2023. L’estructura volia prioritzar la recerca de seguretat davant de pressions comercials de llançament. [17]
El setembre de 2026, LawZero va comunicar un compromís de finançament conjunt del Canadà i Alemanya de fins a 300 milions de dòlars canadencs. L’anunci destinava aquesta futura expansió a equip científic, infraestructura de càlcul i una oficina a Berlín. Es tracta de finançament compromès i plans de creixement, no d’ingressos ja executats ni de resultats de seguretat demostrats. [24]
Avaluació de la seguretat de la IA
Presideix l’International AI Safety Report. L’edició de 2026 reuneix coneixement sobre capacitats, riscos i mesures de seguretat de sistemes de propòsit general. Hi van participar més de cent especialistes; els autors van conservar independència sobre el contingut. La funció és sintetitzar evidència i desacords científics per donar suport a decisions informades, no certificar productes individuals. [3]
L’article Scientist AI, de 2025, proposa sistemes que expliquen observacions i responen preguntes sense perseguir objectius propis a l’entorn. Bengio i els coautors combinen un model del món amb inferència que expressa incertesa. Plantegen que aquest enfocament podria assistir investigadors i supervisar agents, presentant-lo com una direcció tècnica per explorar i validar. [18]
En un preprint de setembre de 2026 amb Qinghua Lu, va abordar la seguretat com a propietat de diverses capes del sistema. La proposta reuneix supervisió del model, controls de l’entorn operatiu, verificació independent, seguiment i evidències. Aquesta perspectiva desplaça l’avaluació de la resposta aïllada del model cap al conjunt de components que permeten actuar a una aplicació. [19]
Responsabilitat i institucions científiques
Va participar en l’elaboració de la Declaració de Montreal per al Desenvolupament Responsable de la Intel·ligència Artificial. El perfil a Mila vincula aquesta activitat amb la preocupació pels efectes socials de la tecnologia i la mitigació de riscos de sistemes futurs. Aquest vessant complementa les contribucions algorísmiques mitjançant deliberació pública i cooperació institucional. [23]
Premis i reconeixements
Va compartir el Premi Turing de 2018 amb Geoffrey Hinton i Yann LeCun. [7]
La Royal Society el va elegir fellow el 2020. [21]
Va rebre la Medalla d’Or Gerhard Herzberg del Canadà el 2023. [20]
Va ser un dels guardonats amb el Queen Elizabeth Prize for Engineering de 2025. [22]
Dades sintètiques per estudiar postures de treball
Bengio és coautor de l’article de 2014 que va presentar les xarxes generatives adversàries, o GAN. El mètode entrena conjuntament un generador de dades i un discriminador que intenta distingir-les de les dades reals. Aquesta contribució permet investigar com ampliar conjunts d’entrenament escassos. [5]
Zhao, Obonyo i Yin van utilitzar GAN per generar dades de moviment i millorar el reconeixement de postures de treballadors de construcció a partir de sensors. L’estudi compara classificadors amb dades augmentades i avalua reconeixement postural; no mesura lesions evitades. [6]
La utilitat i els límits d’augmentar dades
La connexió preventiva és un problema ergonòmic definit: reconèixer postures quan no es disposa de prou exemples etiquetats. El treball de Bengio aporta el marc generatiu; l’estudi de construcció i els seus resultats pertanyen a l’equip que el va aplicar.
Les dades sintètiques no són noves observacions de treballadors. Per valorar una eina preventiva interessa comprovar si millora amb persones i tasques reals que no van intervenir en l’entrenament, i quines postures continua ometent. Generar més exemples dels mateixos moviments no garanteix representar altres talles, càrregues o formes d’executar la tasca.
