Oriol Vinyals

Hay ideas que parecen obvias después de que alguien las hace, y esa es exactamente la trampa. En 2014, Oriol Vinyals, un investigador catalán que acababa de terminar su doctorado en UC Berkeley, publicó junto a Ilya Sutskever y Quoc V. Le un paper que hoy tiene más de 30.000 citas: "Sequence to Sequence Learning with Neural Networks". La idea: una red neuronal que lee una secuencia completa, la comprime en un vector, y luego la reconstruye en otra secuencia, incluso en otro idioma. Suena sencillo. Antes de ese paper, nadie sabía hacerlo bien con redes neuronales.

Ese modelo de "encoder-decoder" que describe el paper de 2014 es la base de prácticamente todo lo que vino después: los traductores automáticos, los asistentes virtuales, y con ciertas variaciones, los modelos de lenguaje grandes que hoy generan texto. En 2015 extendió la idea con los "pointer networks", una variante que permitía que la red apuntara de vuelta a partes de la entrada, algo crucial para tareas como resumir o copiar información. En 2024, el NeurIPS Test of Time Award reconoció ese trabajo original como uno de los más influyentes de la última década en machine learning.

Pero si hay un proyecto que captura la ambición de Vinyals en toda su magnitud, es AlphaStar. En enero de 2019, el equipo de DeepMind que él lideró presentó una IA que derrotó a jugadores profesionales de StarCraft II, uno de los juegos de estrategia en tiempo real más complejos del mundo, con nivel de Gran Maestro. No fue un juego simplificado ni un escenario controlado: fue la pantalla completa, contra los mejores jugadores humanos, en condiciones casi reales. El paper en Nature de ese año lo documentó para la historia. Vinyals llegó a ese proyecto siendo ya VP de Investigación en Google DeepMind y co-líder técnico del proyecto Gemini, el modelo que hoy compite con los mejores del mundo. También fue elegido por MIT Technology Review como uno de los 35 innovadores menores de 35 años en 2016.

Para mí, la lección de Oriol Vinyals es que las ideas más poderosas en IA no suelen ser las más complicadas. A veces es una abstracción elegante, como "entrena una red para que convierta secuencias en secuencias", la que desbloquea años de progreso. Cada vez que le pides a una IA que te traduzca un párrafo, te resuma un documento o te genere una respuesta, hay un pedacito de esa intuición trabajando en el fondo. Y eso, viniendo de alguien que creció en Barcelona y estudió en Berkeley antes de cambiarlo todo, me parece un recordatorio de que la geografía no define lo que puedes aportar al mundo.