Kaiming He

Hay problemas que parecen insolubles hasta que alguien llega y dice: "oye, ¿y si simplemente lo evitamos?". Eso hizo Kaiming He en 2015 con uno de los cuellos de botella mas frustrantes del aprendizaje profundo: mientras mas capas le ponias a una red neuronal para hacerla mas inteligente, peor aprendia. Se suponia que mas profundidad igual mas poder, pero en la practica llegaba un punto en que la red se "olvidaba" de lo que habia visto y empezaba a degradarse. He, entonces investigador en Microsoft Research Asia, propuso una solucion que hoy suena elegante pero que fue rupturista: dejar que la informacion viajara directa, saltando capas enteras, a traves de "conexiones residuales". La red podia elegir si usaba una capa o simplemente la brincaba.

El resultado fue ResNet, presentado en CVPR 2016. La arquitectura entrenaba redes de hasta 152 capas sin degradacion, gano el concurso ImageNet Large Scale Visual Recognition Challenge (ILSVRC) 2015 con solo 3.57% de error (lo mejor que habia visto el campo hasta ese momento), y le dio a toda la industria el modelo de referencia para visión por computadora. El paper "Deep Residual Learning for Image Recognition" acumula hoy mas de 300,000 citas y es considerado uno de los mas influyentes del siglo XXI. Ese mismo año, He también fue reconocido con el Best Paper Award en CVPR 2016. Luego, en 2017, coautoró Mask R-CNN, otra arquitectura que redefinió la deteccion y segmentacion de objetos y que gano el Marr Prize (mejor paper) en ICCV 2017.

Formado en Tsinghua University (BS) y en la Chinese University of Hong Kong (PhD), He paso por Microsoft Research Asia y por Meta AI Research (2016-2024) antes de convertirse en profesor asociado en el MIT, donde ocupa la catedra Douglas Ross Career Development Professor of Software Technology. Desde 2024 trabaja tambien como Distinguished Scientist en Google DeepMind. Sus premios incluyen el PAMI Young Researcher Award (2018), el PAMI Everingham Prize (2021), y el ICCV Test of Time Award (Helmholtz Prize, 2025), entre otros.

Lo que me llama la atencion de Kaiming He no es solo el impacto de sus papers (aunque 300,000 citas no son broma), sino la naturaleza de la idea: una conexion que brinca capas. No fue una gran invencion de hardware ni un dataset enorme. Fue repensar como fluye la informacion. Cada vez que le pides a un modelo que identifique algo en una foto, hay conexiones residuales trabajando en silencio detras de escena, heredadas de esa intuicion suya. La IA de hoy es, en buena parte, el producto de saber cuando saltarse un paso en lugar de forzarlo.