Facebook AI Research (FAIR) é o laboratório de inteligência artificial da Meta Platforms, estabelecido em 2013. O laboratório foi fundado para realizar pesquisa fundamental em aprendizado de máquina, aprendizado profundo e campos relacionados, com um compromiso declarado com a ciência aberta e a publicação de resultados de pesquisa. Em 2023, FAIR foi integrado à organização mais ampla Meta AI, que abarca tanto os esforços de pesquisa como os de produtos de IA em toda a empresa.
FAIR opera com uma estrutura distribuída, com escritórios principais em Menlo Park, Califórnia; Nova York; Paris, França; e Montreal, Canadá. O laboratório empregou numerosos pesquisadores proeminentes no campo, incluindo Yann LeCun, que atuou como seu diretor fundador e continua como Cientista Chefe de IA na Meta. Outros pesquisadores notables associados a FAIR incluem Soumith Chintala, co-criador do framework de aprendizado profundo PyTorch, e Joelle Pineau, que liderou os esforços de aprendizado por reforço e robótica do laboratório.
Contribuciones Iniciales e Código Aberto
Desde seu início, FAIR enfatizou a pesquisa aberta e o lançamento de ferramentas e conjuntos de dados. Em 2015, o laboratório lançou a biblioteca fastText para classificação eficiente de texto e aprendizado de representação de palavras. No ano seguinte, FAIR introdujo o framework de aprendizado profundo baseado em Torch que mais tarde evoluiría para PyTorch, lançado publicamente em 2017. PyTorch se tornó um dos frameworks mais utilizados na comunidade de pesquisa em IA, adotado por instituições como OpenAI, Google DeepMind e numerosas universidades.
FAIR também contribuiu com conjuntos de dados significativos para a comunidade de pesquisa. O laboratório lançou o toolkit FAIRSEQ inspirado em Common Voice para modelagem sequência-a-sequência em 2017, e a plataforma ParlAI para pesquisa em diálogo em 2018. Em visão computacional, FAIR desenvolveu as plataformas de detección de objetos Detectron e Detectron2, que se tornaron herramientas estándar para la investigación en visión.
Avances en Aprendizaje Automático
Los investigadores de FAIR han realizado contribuciones fundamentales a Machine learning y Deep learning. El trabajo del laboratorio en redes neuronales convolucionales y reconocimiento de imágenes, liderado por investigadores como Karen Simonyan y Koray Kavukcuoglu, produjo arquitecturas y técnicas de entrenamiento influyentes. En procesamiento de lenguaje natural, FAIR desarrolló el modelo de incrustación de oraciones InferSent y contribuyó al desarrollo de la arquitectura Transformer (architecture) mediante colaboraciones con otros grupos de investigación.
A fines de la década de 2010, FAIR se centró cada vez más en el aprendizaje autosupervisado, un paradigma donde los modelos aprenden representaciones a partir de datos no etiquetados. Yann LeCun ha sido un defensor prominente de este enfoque, argumentando que es un camino clave hacia una Artificial intelligence más general. El trabajo de FAIR en métodos autosupervisados para visión y lenguaje ha influido en desarrollos posteriores en Generative AI e investigación de Large language model.
Robótica e IA Corpórea
FAIR ha mantenido un programa de investigación activo en robótica e inteligencia corpórea. El laboratorio desarrolló la plataforma Habitat para simulación de IA corpórea en 2019, que permite a los investigadores entrenar agentes en entornos 3D fotorrealistas. FAIR también trabajó en manipulación robótica y navegación, colaborando con instituciones académicas como MIT CSAIL y BAIR (Berkeley AI Research).
En 2022, FAIR anunció el Proyecto Aria, una iniciativa de investigación centrada en la percepción egocéntrica y la realidad aumentada. El proyecto implicó el desarrollo de gafas personalizadas equipadas con sensores para capturar datos de video y audio en primera persona, destinados a avanzar la investigación en IA contextual e interacción humano-computadora.
Modelos de Lenguaje Grande y Meta AI
A medida que el campo se desplazó hacia modelos generativos a gran escala, FAIR contribuyó al desarrollo de modelos de lenguaje grande de Meta. El laboratorio participó en la creación del modelo OPT (Open Pre-trained Transformer), lanzado en 2022, diseñado para proporcionar una alternativa abierta a los modelos propietarios. FAIR también contribuyó a la serie LLaMA (Large Language Model Meta AI), lanzada por primera vez en 2023, que se volvió ampliamente utilizada en la comunidad de investigación.
En 2023, Meta reorganizó sus esfuerzos de IA, fusionando FAIR con otros equipos de IA para formar Meta AI. Esta nueva organización tiene como objetivo integrar más estrechamente la investigación y el desarrollo de productos, con FAIR sirviendo como el brazo de investigación. Bajo esta estructura, FAIR continúa publicando artículos académicos y lanzando herramientas de código abierto, mientras también informa los productos comerciales de IA de Meta en sus plataformas, incluyendo Facebook, Instagram y WhatsApp.
Impacto y Legado
FAIR ha tenido un impacto sustancial en el ecosistema más amplio de IA. Su compromiso con la investigación abierta y el software de código abierto ha influido en las prácticas de otros laboratorios importantes, incluidos OpenAI y Anthropic. Las publicaciones del laboratorio han sido altamente citadas, y sus exalumnos han pasado a liderar esfuerzos de IA en otras empresas e instituciones académicas.
El laboratorio también ha participado en discusiones políticas sobre seguridad y ética de la IA. Los investigadores de FAIR han publicado sobre temas como la equidad en el aprendizaje automático y las implicaciones sociales de la IA. Sin embargo, el laboratorio ha enfrentado críticas de algunos sectores con respecto al posible uso indebido de sus tecnologías, particularmente en el contexto de las plataformas de redes sociales de Meta y la propagación de desinformación.
A partir de 2025, FAIR sigue siendo una organización de investigación activa dentro de Meta, con proyectos en curso en áreas como aprendizaje multimodal, razonamiento e IA para el descubrimiento científico. Su integración en Meta AI refleja una tendencia más amplia de la industria hacia alinear la investigación fundamental con aplicaciones comerciales, manteniendo al mismo tiempo un compromiso con la apertura académica.