Chelsea Finn

Hay una pregunta que Chelsea Finn se hizo en la universidad que todavía guía su trabajo: ¿puede una IA aprender algo nuevo sin necesitar millones de ejemplos? Los humanos lo hacemos todo el tiempo: ves tres fotos de un animal que nunca habías visto y ya lo reconoces la próxima vez. Las redes neuronales clásicas, en cambio, necesitaban datos masivos para aprender cualquier cosa. Finn quería cambiar eso.

En 2017, todavía como estudiante doctoral en UC Berkeley bajo la tutela de Pieter Abbeel y Sergey Levine, publicó MAML (Model-Agnostic Meta-Learning) en la conferencia ICML. La idea central era elegante: en lugar de entrenar un modelo para hacer una tarea específica, entrenarlo para aprender tareas nuevas rapido, con pocos ejemplos. Un modelo que sabe "cómo aprender" en lugar de solo "qué aprender". El paper se convirtió en uno de los más citados de la década en aprendizaje automático.

Por ese trabajo recibió el Premio de Tesis Doctoral de la ACM, fue nombrada en la lista MIT Technology Review 35 Under 35 y obtuvo una Sloan Research Fellowship y el NSF CAREER Award. Desde 2019 es profesora en Stanford (Ciencias de la Computación e Ingeniería Eléctrica) y en 2024 cofundó Physical Intelligence (Pi), una startup de robótica que busca construir una IA física de propósito general, aplicando sus ideas de aprendizaje eficiente directamente a robots que se mueven en el mundo real. También recibió el Presidential Early Career Award for Scientists and Engineers (PECASE) en 2025.

Para mí, Chelsea Finn representa algo que a veces se olvida en este campo: el mejor avance no siempre viene de tener más datos o más poder de cómputo, sino de hacerse la pregunta correcta. Ella se preguntó cómo aprendemos los humanos y construyó un algoritmo inspirado en esa intuición. Cada vez que ves un modelo de IA adaptarse a algo nuevo con poca información, hay un poco de esa pregunta de Berkeley detrás. Y eso es lo que hace que su historia valga la pena contarla.