Brenden Lake es profesor asociado de psicología y ciencia de datos en la Universidad de Nueva York, donde dirige el Laboratorio de Aprendizaje Humano y de Máquinas. Su investigación se sitúa en la intersección de la inteligencia artificial, el aprendizaje automático y la ciencia cognitiva, con el objetivo de comprender y replicar la notable eficiencia con la que los humanos aprenden y generalizan a partir de ejemplos escasos. Lake es conocido principalmente por su trabajo sobre el aprendizaje de conceptos a nivel humano, en particular el desarrollo de modelos que pueden aprender a partir de un solo ejemplo, una capacidad que contrasta fuertemente con la naturaleza dependiente de grandes cantidades de datos de la mayoría de los sistemas modernos de aprendizaje profundo.
La trayectoria académica de Lake ha estado definida por un compromiso con la integración de modelos computacionales y experimentos conductuales. Completó su doctorado en neurociencia computacional en el Instituto de Tecnología de Massachusetts, donde fue asesorado por Joshua Tenenbaum, una figura destacada en la ciencia cognitiva computacional. Esta base moldeó su perspectiva de que el progreso en IA requiere no solo escalar modelos, sino también comprender los principios subyacentes de la cognición humana.
Primeros años y antecedentes académicos
Nacido en los Estados Unidos, Lake realizó sus estudios de pregrado en la Universidad de California, Berkeley, donde obtuvo un título en ciencia cognitiva. Su interés en la intersección de la psicología y la computación lo llevó al MIT, donde recibió su doctorado en 2014. Su tesis doctoral se centró en el aprendizaje de conceptos a partir de pocos ejemplos, un tema que se convertiría en central para su investigación posterior.
Después de completar su doctorado, Lake realizó investigaciones posdoctorales en el MIT antes de unirse a la facultad de la Universidad de Nueva York en 2017. En NYU, ocupa cargos tanto en el Departamento de Psicología como en el Centro de Ciencia de Datos, lo que refleja su enfoque interdisciplinario. Su laboratorio se ha convertido en un centro para investigadores interesados en construir sistemas de IA que aprendan y razonen como los humanos.
Aprendizaje de conceptos a nivel humano
Una de las contribuciones más significativas de Lake es el desarrollo de modelos computacionales que pueden aprender nuevos conceptos a partir de un solo ejemplo. En un artículo histórico de 2015 publicado en Science, Lake y sus colegas presentaron un modelo llamado Aprendizaje de Programas Bayesianos (BPL). Este modelo podía aprender a reconocer y generar caracteres escritos a mano novedosos después de ver solo una instancia, logrando un rendimiento comparable al de los aprendices humanos.
BPL funciona descomponiendo un concepto visual en un programa probabilístico - una representación estructurada que captura los trazos subyacentes y sus relaciones. Este enfoque contrasta con los modelos de red neuronal que dominaban el campo en ese momento, que típicamente requieren miles de ejemplos para lograr una precisión similar. El trabajo de Lake demostró que las representaciones estructuradas y composicionales podrían permitir un aprendizaje mucho más eficiente.
Esta investigación ha tenido un impacto duradero en el campo, inspirando trabajos posteriores sobre aprendizaje con pocos ejemplos y meta-aprendizaje. También destacó la importancia de incorporar sesgos inductivos que reflejen las prioridades cognitivas humanas, como la tendencia a descomponer objetos complejos en partes más simples.
El Corpus de Abstracción y Razonamiento
En 2019, Lake y su colega François Chollet introdujeron el Corpus de Abstracción y Razonamiento (ARC), un punto de referencia diseñado para medir la inteligencia fluida general en sistemas de IA. ARC consiste en tareas de razonamiento visual que requieren la capacidad de inferir patrones abstractos y aplicarlos a situaciones novedosas. A diferencia de muchos puntos de referencia estándar, las tareas de ARC están diseñadas para ser fáciles para los humanos pero desafiantes para las máquinas, ya que requieren conocimiento central sobre la objetividad, las relaciones espaciales y las transformaciones.
ARC se ha convertido en una herramienta de evaluación ampliamente utilizada en la comunidad de IA, impulsando la investigación sobre generalización sistemática y razonamiento fuera de la distribución. Lake ha argumentado que los modelos de lenguaje grandes actuales y las arquitecturas basadas en transformadores, a pesar de su impresionante escala, a menudo fallan en las tareas de ARC porque carecen de las habilidades de razonamiento composicional y causal que poseen los humanos. Este trabajo ha posicionado a Lake como un crítico prominente de la idea de que el escalado por sí solo conducirá a una IA a nivel humano.
Generalización sistemática y composicionalidad
Un tema recurrente en la investigación de Lake es la importancia de la generalización sistemática - la capacidad de comprender y generar combinaciones novedosas de conceptos conocidos. En un artículo de 2019 publicado en Science, Lake y sus colegas demostraron que las redes neuronales estándar a menudo fallan en generalizar sistemáticamente cuando se prueban con nuevas combinaciones de palabras y significados. Por ejemplo, un modelo entrenado para comprender la frase "saltar dos veces" y "girar a la izquierda" podría fallar en comprender "saltar a la izquierda" o "girar dos veces".
Este trabajo destacó una limitación fundamental de muchos enfoques de aprendizaje profundo y argumentó la necesidad de incorporar sesgos inductivos composicionales. Lake ha explorado varios métodos para abordar esto, incluyendo técnicas de meta-aprendizaje que entrenan modelos para aprender nuevas tareas rápidamente, y arquitecturas híbridas que combinan redes neuronales con razonamiento simbólico. Su investigación sugiere que lograr una IA a nivel humano requerirá una síntesis de enfoques conexionistas y simbólicos.
Integración de la ciencia cognitiva y la IA
Lake es un fuerte defensor de la idea de que la investigación en IA debería estar informada por la ciencia cognitiva. Ha argumentado que estudiar cómo los humanos aprenden, razonan y generalizan puede proporcionar información valiosa para construir sistemas de IA más robustos y eficientes. Esta perspectiva se refleja en sus colaboraciones con psicólogos y neurocientíficos, así como en su participación en iniciativas que unen los dos campos.
En un artículo ampliamente citado de 2017 titulado "Construyendo máquinas que aprenden y piensan como personas", Lake y sus coautores delinearon una hoja de ruta para la investigación en IA basada en principios cognitivos. Propusieron que los futuros sistemas de IA deberían ser capaces de aprender de pocos ejemplos, razonar causalmente y usar física y psicología intuitivas. Este artículo ha sido influyente en la configuración de discusiones sobre los límites de los enfoques actuales y el potencial para una IA más similar a la humana.
Trabajo reciente y direcciones futuras
En los últimos años, Lake ha extendido su investigación para explorar las capacidades y limitaciones de los modelos de IA generativa. Ha investigado si los modelos de lenguaje grandes pueden exhibir generalización sistemática cuando se les solicita adecuadamente, y si pueden aprender nuevos conceptos a partir de ejemplos mínimos. Sus hallazgos han sido mixtos, sugiriendo que, aunque estos modelos son poderosos, aún carecen de algunos aspectos centrales de la cognición humana.
Lake también ha participado en esfuerzos para desarrollar nuevos puntos de referencia y métodos de evaluación que capturen mejor la inteligencia similar a la humana. Ha argumentado la importancia de probar sistemas de IA en tareas que requieran aprendizaje activo, razonamiento causal y la capacidad de adaptarse a entornos novedosos. Su trabajo en curso tiene como objetivo construir modelos que no solo funcionen bien en tareas específicas, sino que también exhiban la flexibilidad y robustez de la cognición humana.
Impacto y reconocimiento
La investigación de Lake ha sido ampliamente reconocida por su originalidad e influencia. Ha recibido varios premios, incluido el Premio CAREER de la Fundación Nacional de Ciencias y la Beca de Investigación Sloan. Sus artículos han sido publicados en revistas de primer nivel como Science y Nature Human Behaviour, y es un orador invitado frecuente en las principales conferencias de IA y ciencia cognitiva.
Más allá de la academia, las ideas de Lake han influido en discusiones en la industria de la IA sobre el futuro del campo. Sus críticas a los enfoques basados en el escalado han llevado a investigadores en empresas como OpenAI y Google DeepMind a considerar arquitecturas y paradigmas de entrenamiento alternativos. También ha contribuido al discurso público sobre la seguridad de la IA y la importancia de construir sistemas que se alineen con los valores humanos.
Enseñanza y mentoría
En NYU, Lake enseña cursos sobre aprendizaje automático y ciencia cognitiva, mentorizando a una nueva generación de investigadores interesados en la intersección de estos campos. Sus estudiantes han pasado a ocupar posiciones en la academia y la industria, continuando empujando los límites de la investigación en IA a nivel humano. Lake es conocido por su enfoque colaborativo y de mente abierta, fomentando el pensamiento interdisciplinario y la experimentación rigurosa.
La visión de Lake para la IA es una donde las máquinas no son solo herramientas, sino socios que pueden aprender y razonar junto a los humanos. Su trabajo desafía al campo a ir más allá de los puntos de referencia estrechos y hacia una comprensión más profunda de la inteligencia en sí misma. A medida que la IA continúa avanzando, las contribuciones de Lake probablemente seguirán siendo centrales en la búsqueda de máquinas que realmente piensen y aprendan como las personas.
Publicaciones seleccionadas
Lake ha escrito numerosos artículos influyentes, incluyendo:
- "Aprendizaje de conceptos a nivel humano mediante inducción de programas probabilísticos" (2015, Science)
- "Construyendo máquinas que aprenden y piensan como personas" (2017, Behavioral and Brain Sciences)
- "Generalización sin sistematicidad: Sobre las habilidades composicionales de las redes recurrentes de secuencia a secuencia" (2018, ICML)
- "El Corpus de Abstracción y Razonamiento" (2019, arXiv)
- "Generalización sistemática: ¿Qué se requiere y puede aprenderse?" (2019, Science)
Estos trabajos han moldeado colectivamente la agenda de investigación para la IA a nivel humano, inspirando esfuerzos tanto académicos como industriales para construir sistemas más capaces y similares a los humanos.
Conclusión
Brenden Lake se destaca como una figura líder en el esfuerzo por crear IA que refleje el aprendizaje y razonamiento humanos. Su enfoque interdisciplinario, que combina la ciencia cognitiva con el aprendizaje automático, ha producido conocimientos fundamentales sobre cómo las máquinas pueden aprender de pocos ejemplos y generalizar sistemáticamente. Aunque el objetivo de una IA a nivel humano sigue siendo distante, la investigación de Lake proporciona un camino principista hacia adelante, enfatizando la importancia de la estructura, la composicionalidad y el realismo cognitivo. Su trabajo continuará influyendo en el campo durante años, mientras los investigadores lidian con el desafío de construir máquinas que realmente comprendan el mundo.