Quién es Yoshua Bengio
Yoshua Bengio es profesor de Informática de la Université de Montréal, cofundador y director científico de LawZero, donde ocupa la copresidencia, y fundador y asesor científico de Mila. Su investigación ha contribuido al aprendizaje profundo y posteriormente se ha centrado también en la seguridad de sistemas avanzados de inteligencia artificial. [1]
Origen, formación y carrera universitaria
Investigador canadiense nacido en Francia en 1964, realizó estudios posdoctorales en el MIT después de doctorarse en informática. Se incorporó como profesor a la Université de Montréal en 1993. Su especialización reúne aprendizaje estadístico, modelos probabilísticos y representaciones de datos, con aplicaciones a visión y lenguaje. [4]
Su formación en McGill comprendió un grado de Ingeniería en 1986, un máster en 1988 y el doctorado en 1991. La universidad lo reconoció posteriormente entre los antiguos alumnos que contribuyeron al desarrollo del aprendizaje profundo. [7]
Aportaciones a los fundamentos del aprendizaje profundo
Con Patrice Simard y Paolo Frasconi publicó en 1994 un análisis de la dificultad de aprender dependencias temporales largas mediante descenso de gradiente. El trabajo explicó un obstáculo de las redes recurrentes: retener información durante muchos pasos y ajustar eficazmente los parámetros no eran objetivos fáciles de conciliar con los procedimientos habituales. [8]
En 2003, con Réjean Ducharme, Pascal Vincent y Christian Jauvin, presentó un modelo probabilístico neuronal del lenguaje. Aprendía simultáneamente representaciones distribuidas de palabras y probabilidades de secuencias. Esa organización permitía compartir información entre frases relacionadas, abordando la dificultad de generalizar cuando casi ninguna secuencia nueva coincide exactamente con las observadas durante el entrenamiento. [9]
El trabajo con Pascal Lamblin, Dan Popovici y Hugo Larochelle sobre entrenamiento por capas, publicado en 2007, exploró cómo inicializar redes profundas antes del ajuste conjunto. Estudió variantes del aprendizaje no supervisado y su influencia en la optimización. Formó parte de los esfuerzos por hacer entrenables arquitecturas que prometían representar funciones complejas con varias etapas. [10]
Con Pascal Vincent y otros colaboradores desarrolló autoencodificadores que aprendían a recuperar entradas alteradas. El estudio de 2010 mostró que apilar esas capas podía producir representaciones útiles para clasificación. La tarea de eliminar ruido proporcionaba una señal de aprendizaje sin exigir una etiqueta humana para cada ejemplo, conectando reconstrucción y extracción de características. [11]
Traducción neuronal y atención
En 2014, Dzmitry Bahdanau, Kyunghyun Cho y Bengio propusieron que el traductor seleccionara las partes relevantes de la frase original al producir cada palabra. El trabajo, presentado en ICLR 2015, trataba el cuello de botella de condensar toda la entrada en un vector fijo. Aprender alineamiento y traducción conjuntamente convirtió la atención en una herramienta central del proyecto. [12]
Modelos generativos y exploración de alternativas
Fue coautor, con Ian Goodfellow y otros investigadores, del trabajo de 2014 que introdujo las redes generativas adversarias. [5]
En 2021 participó con Emmanuel Bengio, Moksh Jain, Maksym Korablyov y Doina Precup en GFlowNet. El método busca generar diversas soluciones valiosas, en vez de concentrarse únicamente en una secuencia de máxima recompensa. Los experimentos incluyeron grafos moleculares, donde interesa explorar candidatos diferentes y compartir el aprendizaje entre varias formas de construir un mismo resultado. [13]
Deep Learning y la formación de investigadores
Con Ian Goodfellow y Aaron Courville publicó Deep Learning en 2016. El libro reúne fundamentos matemáticos, redes profundas utilizadas en la práctica y cuestiones de investigación, incluyendo autoencodificadores, modelos probabilísticos y generación. Los autores mantienen una versión web gratuita, que facilita a estudiantes y profesionales acceder de forma organizada a los conceptos de la disciplina. [14]
Mila, emprendimiento y LawZero
En marzo de 2025 pasó de la dirección científica de Mila a la función de fundador y asesor científico. El instituto explicó que el cambio le permitiría dedicar más tiempo a seguridad y gobernanza de IA, manteniendo investigación, participación académica y supervisión de estudiantes de máster y doctorado en Montreal. [15]
Fue uno de los cofundadores de Element AI en 2016, junto con un equipo de emprendedores e investigadores. En noviembre de 2020, ServiceNow anunció un acuerdo para adquirir la empresa. Esa iniciativa representa una etapa de vinculación entre investigación académica y desarrollo empresarial en el ecosistema de inteligencia artificial de Montreal. [16]
El 3 de junio de 2025 presentó LawZero como organización sin ánimo de lucro dedicada a desarrollar soluciones técnicas de IA segura desde el diseño. Bengio vinculó su creación al cambio de orientación científica que había iniciado en 2023. La estructura buscaba dar prioridad a la investigación de seguridad frente a presiones comerciales de lanzamiento. [17]
En septiembre de 2026, LawZero comunicó un compromiso de financiación conjunta de Canadá y Alemania de hasta 300 millones de dólares canadienses. El anuncio destinaba esa futura expansión a equipo científico, infraestructura de cálculo y una oficina en Berlín. Se trata de financiación comprometida y planes de crecimiento, no de ingresos ya ejecutados ni de resultados de seguridad demostrados. [24]
Evaluación de la seguridad de la IA
Preside el International AI Safety Report. La edición de 2026 reúne conocimiento sobre capacidades, riesgos y medidas de seguridad de sistemas de propósito general. Participaron más de cien especialistas; los autores conservaron independencia sobre el contenido. Su función es sintetizar evidencia y desacuerdos científicos para apoyar decisiones informadas, no certificar productos individuales. [3]
El artículo Scientist AI, de 2025, propone sistemas que explican observaciones y responden preguntas sin perseguir objetivos propios en el entorno. Bengio y sus coautores combinan un modelo del mundo con inferencia que expresa incertidumbre. Plantean que este enfoque podría asistir a investigadores y supervisar agentes, presentándolo como una dirección técnica para explorar y validar. [18]
En un preprint de septiembre de 2026 con Qinghua Lu, abordó la seguridad como propiedad de varias capas del sistema. La propuesta reúne supervisión del modelo, controles de su entorno operativo, verificación independiente, seguimiento y evidencias. Esta perspectiva desplaza la evaluación desde la respuesta aislada del modelo hacia el conjunto de componentes que permiten actuar a una aplicación. [19]
Responsabilidad e instituciones científicas
Participó en la elaboración de la Declaración de Montreal para el Desarrollo Responsable de la Inteligencia Artificial. Su perfil en Mila vincula esa actividad con la preocupación por los efectos sociales de la tecnología y la mitigación de riesgos de sistemas futuros. Esta vertiente complementa sus contribuciones algorítmicas mediante deliberación pública y cooperación institucional. [23]
Premios y reconocimientos
Compartió el Premio Turing de 2018 con Geoffrey Hinton y Yann LeCun. [7]
La Royal Society lo eligió fellow en 2020. [21]
Recibió la Medalla de Oro Gerhard Herzberg de Canadá en 2023. [20]
Fue uno de los galardonados con el Queen Elizabeth Prize for Engineering de 2025. [22]
Datos sintéticos para estudiar posturas de trabajo
Bengio es coautor del artículo de 2014 que presentó las redes generativas adversarias, o GAN. El método entrena conjuntamente un generador de datos y un discriminador que intenta distinguirlos de los datos reales. Esta contribución permite investigar cómo ampliar conjuntos de entrenamiento escasos. [5]
Zhao, Obonyo y Yin utilizaron GAN para generar datos de movimiento y mejorar el reconocimiento de posturas de trabajadores de construcción a partir de sensores. Su estudio compara clasificadores con datos aumentados y evalúa reconocimiento postural; no mide lesiones evitadas. [6]
La utilidad y los límites de aumentar datos
La conexión preventiva es un problema ergonómico definido: reconocer posturas cuando no se dispone de suficientes ejemplos etiquetados. El trabajo de Bengio aporta el marco generativo; el estudio de construcción y sus resultados pertenecen al equipo que lo aplicó.
Los datos sintéticos no son nuevas observaciones de trabajadores. Para valorar una herramienta preventiva interesa comprobar si mejora con personas y tareas reales que no intervinieron en el entrenamiento, y qué posturas sigue omitiendo. Generar más ejemplos de los mismos movimientos no garantiza representar otras tallas, cargas o formas de ejecutar la tarea.
