Soumith Chintala

Soumith Chintala creció en Hyderabad, India, soñando con escribir código que importara. Estudió en el VIT Vellore y luego cruzó el Atlántico a Nueva York para hacer su maestría en NYU bajo la dirección de Yann LeCun, uno de los padres del aprendizaje profundo. El camino no fue fácil: antes de llegar a Meta, acumuló 27 rechazos de programas de doctorado en Estados Unidos. Ese número lo repite él mismo en entrevistas, no como queja, sino como prueba de que el fracaso es solo información, no un veredicto.

En 2016, junto a un pequeño equipo en Facebook AI Research (FAIR), lanzó PyTorch, un framework de aprendizaje profundo diseñado para que los investigadores pudieran hacer experimentos rápido, depurar con facilidad y pensar en código limpio en lugar de pelearse con la infraestructura. La diferencia con lo que existía entonces era enorme: PyTorch trató a los investigadores como programadores de verdad, no como usuarios que necesitaban una caja negra. Hoy, la gran mayoría de los papers de IA del mundo se escriben en PyTorch. No es exageración: es lo que dicen las estadísticas de publicaciones en NeurIPS y arXiv. También fue co-autor del paper seminal de las DCGAN (2015), con Alec Radford y Luke Metz, y del paper de las Wasserstein GAN (2017) con Martín Arjovsky y Léon Bottou, dos piedras angulares de la generación de imágenes con IA.

Pasó once años en Meta como uno de los ingenieros más respetados de la compañía, llegando a ser VP Fellow de Ingeniería. Es una distinción que Meta otorga a un número muy pequeño de personas: las que definen el futuro técnico de la empresa. En 2025 dejó Meta para unirse a Thinking Machines Lab como CTO, el ambicioso proyecto de Mira Murati que levantó 2 mil millones de dólares antes de lanzar su primer producto, con la promesa de construir IA que sea genuinamente útil para el mundo.

Lo que me parece poderoso de Soumith no es solo lo que construyó, sino cómo lo hizo disponible. PyTorch es de código abierto porque él y su equipo creyeron que la investigación avanza más rápido cuando todos pueden ver el motor. Esa decisión ayudó a que miles de investigadores, en universidades pequeñas y startups sin recursos, pudieran competir con los grandes laboratorios. Cada vez que usas Claude, o cualquier modelo de IA moderno, hay una buena probabilidad de que en algún momento de su entrenamiento haya corrido código de PyTorch. Eso es legado.