Brendan Lake es un científico cognitivo y profesor en la Universidad de Nueva York, donde investiga los principios computacionales que permiten el aprendizaje y razonamiento humanos, con el objetivo de construir inteligencia artificial más similar a la humana. Su investigación se sitúa en la intersección de aprendizaje automático, la ciencia cognitiva y la inteligencia artificial, centrándose en cómo las máquinas pueden aprender de menos ejemplos, generalizar de manera más flexible y adquirir conceptos de formas que reflejen la cognición humana. Lake es particularmente conocido por su trabajo en inducción probabilística de programas, el desafío de la "IA a nivel humano" y su defensa de integrar conocimientos de la psicología del desarrollo en la investigación de la IA.
Lake completó sus estudios de pregrado en la Universidad de Stanford, donde desarrolló un interés temprano tanto en ciencias de la computación como en psicología. Luego realizó estudios de posgrado en el Instituto de Tecnología de Massachusetts, obteniendo un doctorado en ciencia cognitiva bajo la supervisión de Joshua Tenenbaum. Su investigación doctoral se centró en modelar el aprendizaje de conceptos humanos utilizando programas probabilísticos, un marco que trata los conceptos como modelos generativos estructurados. Este trabajo culminó en varios artículos influyentes que demostraron cómo los humanos pueden aprender conceptos complejos a partir de muy pocos ejemplos, una capacidad que los modelos estándar de aprendizaje profundo de la época carecían.
Carrera Temprana y Posiciones Académicas
Después de completar su doctorado, Lake ocupó puestos postdoctorales en el MIT y luego en la Universidad de Nueva York, donde colaboró con investigadores tanto en los departamentos de psicología como de ciencias de la computación. En 2017, se unió a la facultad de NYU como profesor asistente en el Departamento de Psicología y el Centro de Ciencia de Datos. Fue promovido a profesor asociado en 2021 y a profesor titular en 2024. Su laboratorio, el Laboratorio de Computación y Cognición, se centra en construir modelos computacionales que capturen las habilidades de aprendizaje y razonamiento humanas, con énfasis en la composicionalidad, la causalidad y la física intuitiva.
Lake también ha estado afiliado al Centro para Cerebros, Mentes y Máquinas (CBMM), un centro de investigación multiinstitucional financiado por la Fundación Nacional de Ciencias, que tiene como objetivo comprender la inteligencia combinando neurociencia, ciencia cognitiva y ciencias de la computación. A través de CBMM, ha trabajado estrechamente con colegas como Joshua Tenenbaum y Melanie Mitchell en proyectos que exploran los límites de los sistemas de IA actuales.
Contribuciones Clave de Investigación
Una de las contribuciones más citadas de Lake es el artículo de 2015 "Aprendizaje de conceptos a nivel humano mediante inducción probabilística de programas", publicado en Science, que introdujo el conjunto de datos Omniglot. Este conjunto consta de 1,623 caracteres escritos a mano de 50 sistemas de escritura diferentes, diseñados para probar el aprendizaje de una sola muestra. Lake y sus colegas demostraron que un modelo bayesiano de aprendizaje de programas podía aprender un nuevo carácter a partir de un solo ejemplo y rendir tan bien como los humanos en tareas de clasificación, mientras también generaba variaciones nuevas y similares a las humanas de los caracteres. Este trabajo destacó la importancia del conocimiento estructurado y la composicionalidad, que a menudo están ausentes en enfoques puramente conexionistas.
En 2016, Lake coescribió un artículo ampliamente discutido titulado "Construyendo máquinas que aprenden y piensan como personas", con Joshua Tenenbaum y otros. El artículo argumentó que la IA debería basarse más en la ciencia cognitiva, enfatizando la necesidad de modelos que puedan aprender modelos causales, usar física intuitiva y razonar sobre variables no observadas. Propuso una hoja de ruta para combinar el aprendizaje profundo con modelos probabilísticos estructurados, un tema que Lake ha continuado desarrollando en trabajos posteriores.
Lake también ha contribuido al estudio de la física intuitiva y la psicología intuitiva. Su investigación ha explorado cómo los humanos hacen predicciones sobre eventos físicos, como la estabilidad de torres de bloques, y cómo estas predicciones pueden modelarse utilizando enfoques basados en simulación. Ha publicado artículos sobre el papel de la simulación física en el juicio humano, mostrando que las expectativas de las personas se alinean estrechamente con las salidas de los motores de física, sugiriendo que el cerebro puede realizar simulaciones aproximadas.
El Desafío de la IA a Nivel Humano
En 2022, Lake introdujo el desafío de la "IA a nivel humano", un punto de referencia diseñado para probar si los sistemas de IA pueden lograr un rendimiento a nivel humano en una batería de tareas cognitivas. El desafío incluye tareas como aprendizaje de conceptos visuales, comprensión del lenguaje y razonamiento social, basándose en paradigmas de la psicología del desarrollo. Lake argumentó que los modelos a gran escala actuales, a pesar de su impresionante rendimiento en tareas estrechas, no logran exhibir la flexibilidad y robustez de la cognición humana. El desafío ha sido adoptado por varios grupos de investigación como un objetivo para evaluar el progreso hacia una IA más general.
Lake ha sido un crítico vocal de la idea de que escalar los modelos de redes neuronales por sí solos conducirá a una inteligencia a nivel humano. En charlas y artículos, ha señalado que incluso los grandes modelos de lenguaje, como los basados en la arquitectura transformador, luchan con la generalización composicional y el razonamiento causal. Aboga por un enfoque híbrido que combine el aprendizaje profundo con el razonamiento simbólico y la inferencia probabilística, una idea que ha ganado tracción en la comunidad de IA en general.
Colaboraciones y Trabajo Interdisciplinario
A lo largo de su carrera, Lake ha enfatizado la importancia de la colaboración interdisciplinaria. Ha trabajado con psicólogos del desarrollo para estudiar cómo los niños aprenden conceptos, con neurocientíficos para comprender la base neural de la cognición y con científicos de la computación para desarrollar nuevos algoritmos. Sus colaboraciones se han extendido a investigadores en Google DeepMind, OpenAI y otros laboratorios líderes de IA, aunque también ha mantenido una perspectiva crítica sobre las limitaciones de estos sistemas.
Lake ha servido en los consejos editoriales de varias revistas, incluidas Cognitive Science y el Journal of Machine Learning Research. También ha sido miembro del comité de programa de conferencias importantes como NeurIPS, ICML y CogSci. Su trabajo ha sido financiado por subvenciones de la Fundación Nacional de Ciencias, la Agencia de Proyectos de Investigación Avanzada de Defensa (DARPA) y la Fundación Simons.
Enseñanza y Mentoría
En NYU, Lake enseña cursos sobre ciencia cognitiva computacional y aprendizaje automático. Sus cursos son conocidos por su rigor y por alentar a los estudiantes a pensar críticamente sobre los supuestos subyacentes a los modelos de IA. Ha asesorado a numerosos estudiantes de doctorado y becarios postdoctorales, muchos de los cuales han pasado a ocupar puestos en la academia y la industria. Su estilo de mentoría enfatiza la comprensión conceptual profunda y la disposición a cuestionar paradigmas dominantes.
Lake también ha sido activo en la divulgación pública, dando charlas en lugares como el Festival de Ideas de Aspen y apareciendo en documentales sobre IA. Ha escrito artículos de opinión para medios populares, abogando por un enfoque más científicamente fundamentado para el desarrollo de la IA. Su compromiso público tiene como objetivo desmitificar la IA y resaltar las brechas entre los sistemas actuales y la inteligencia humana.
Premios y Reconocimientos
Lake ha recibido varios premios por su investigación, incluido el Premio de Modelado Computacional de la Sociedad de Ciencia Cognitiva y la Beca de Investigación Sloan en Neurociencia. En 2020, fue nombrado Académico Global CIFAR Azrieli en el programa de Inteligencia Artificial, que reconoce a investigadores en etapa temprana de carrera con un potencial excepcional. Sus artículos han sido citados decenas de miles de veces, y es invitado regularmente a dar conferencias magistrales en conferencias internacionales.
Direcciones Actuales
A partir de 2025, la investigación de Lake continúa explorando cómo construir sistemas de IA que aprendan y piensen como las personas. Su trabajo reciente se ha centrado en desarrollar puntos de referencia para medir la generalización composicional, estudiar cómo los humanos aprenden reglas abstractas e investigar el papel del lenguaje en la formación del pensamiento. También ha comenzado a explorar cómo los conocimientos de la ciencia cognitiva pueden informar el diseño de sistemas de IA más interpretables y confiables, un tema de creciente importancia a medida que la IA se despliega en dominios de alto riesgo.
Lake sigue siendo optimista sobre el potencial de la IA para beneficiar a la sociedad, pero advierte contra la sobrevaloración de las capacidades actuales. Argumenta que lograr una IA a nivel humano requerirá una comprensión más profunda de la cognición humana, no solo más datos y cómputo. Su visión es una donde los sistemas de IA se construyan sobre principios derivados de la ciencia cognitiva, lo que lleva a máquinas que puedan aprender, razonar e interactuar con el mundo de maneras genuinamente inteligentes.
Publicaciones Seleccionadas
Entre las publicaciones más influyentes de Lake se incluyen:
- Lake, B. M., Salakhutdinov, R., & Tenenbaum, J. B. (2015). Human-level concept learning through probabilistic program induction. Science, 350(6266), 1332-1338.
- Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building machines that learn and think like people. Behavioral and Brain Sciences, 40, e253.
- Lake, B. M., & Baroni, M. (2018). Generalization without systematicity: On the compositional skills of sequence-to-sequence recurrent networks. ICML.
- Lake, B. M. (2019). Compositional generalization through meta-sequence-to-sequence learning. NeurIPS.
Estos trabajos han moldeado debates sobre la naturaleza de la generalización y el futuro de la investigación en IA.
Impacto en el Campo
La insistencia de Lake en traer la ciencia cognitiva de vuelta a la IA ha influenciado a una nueva generación de investigadores. Sus críticas al aprendizaje profundo han llevado a muchos a reconsiderar los supuestos detrás de los modelos a gran escala. Mientras algunos han descartado sus puntos de vista como excesivamente pesimistas, otros los ven como una corrección necesaria a la tendencia del campo de equiparar escala con inteligencia. Su trabajo en Omniglot se ha convertido en un punto de referencia estándar para el aprendizaje de pocas muestras, y sus ideas sobre programas probabilísticos han inspirado numerosos estudios de seguimiento.
En resumen, Brendan Lake se destaca como una voz líder que aboga por un enfoque más centrado en el ser humano para la inteligencia artificial. Al unir la ciencia cognitiva y el aprendizaje automático, ha hecho contribuciones duraderas a ambos campos y continúa desafiando a la comunidad de IA a apuntar más alto que el mero reconocimiento de patrones.