Michael I. Jordan

Hay un chiste recurrente en el mundo de la IA: cuando buscas "Michael Jordan" en Google, el algoritmo tarda un momento en decidir si te muestra al jugador de baloncesto o al científico. Para quienes trabajan en aprendizaje automático, sin embargo, no hay duda de cuál Michael Jordan cambió el mundo. Michael Irwin Jordan, nacido en 1956, es el Pehong Chen Distinguished Professor en la Universidad de California, Berkeley, y uno de los investigadores más citados en la historia del machine learning y la estadística. Su camino no fue el de un ingeniero que se enamoró de los datos, sino el de un psicólogo cognitivo que se preguntó, con toda la seriedad del mundo, cómo aprende realmente un sistema.

A finales de los años noventa, cuando el campo de la IA aún buscaba su lenguaje matemático propio, Jordan desarrolló los métodos de inferencia variacional: técnicas que permiten aproximar soluciones a problemas estadísticos tan complejos que ningún computador podría resolverlos de forma exacta con los recursos disponibles. La idea era elegante y práctica: en vez de buscar la respuesta perfecta, encontrar la mejor aproximación posible con los medios que tienes. Esos métodos se convirtieron en el motor principal del aprendizaje no supervisado a escala, y hoy están embebidos, de forma silenciosa, en casi todo modelo generativo grande. También popularizó las redes bayesianas en la comunidad de machine learning, creando un puente sólido entre la estadística clásica y la inteligencia artificial.

En los años 2000 giró su atención hacia otro problema igualmente fundamental: cómo hacer que el machine learning funcione cuando los datos son demasiado grandes para una sola máquina. Los algoritmos que diseñó para el cómputo distribuido a gran escala inspiraron directamente la plataforma Ray, desarrollada por sus estudiantes en Berkeley y que hoy es infraestructura central para entrenar y servir modelos de lenguaje en producción. La empresa Anyscale, fundada por ese equipo, lleva ese trabajo al mundo real. A lo largo de su carrera acumuló reconocimientos que reflejan la amplitud de su impacto: el Premio Allen Newell de ACM/AAAI en 2009, el David E. Rumelhart Prize en 2015, la Medalla John von Neumann del IEEE en 2020, el Premio Ulf Grenander de la American Mathematical Society en 2021, y el Premio Frontiers of Knowledge de la Fundación BBVA en 2024. Es miembro de la Academia Nacional de Ciencias, la Academia Nacional de Ingeniería, la Academia Americana de Artes y Ciencias, y Miembro Extranjero de la Royal Society.

Lo que me parece más valioso de Michael Jordan no es solo la lista de premios, sino la pregunta de fondo que guió toda su carrera: ¿podemos hacer que la IA sea rigurosa, que tenga bases matemáticas sólidas en lugar de solo resultados empíricos que "funcionan y ya"? Esa obsesión por el fundamento, por entender el porqué antes del cómo, es exactamente el tipo de pensamiento que hace que la IA sea más fiable y más útil a largo plazo. La próxima vez que Claude te ayude con algo complejo y te dé una respuesta que no solo suena bien sino que tiene coherencia interna, hay un poco del espíritu de Jordan trabajando por debajo.