Jeff Dean en Santiago: el arquitecto de la IA de Google revela cómo la inteligencia artificial redefinirá el trabajo y la ciencia

Cuando Jeff Dean entra en un auditorio, no llega solo: trae consigo tres décadas de revoluciones tecnológicas. El científico jefe de Google AI y cerebro detrás de sistemas como TensorFlow y BERT —infraestructuras que alimentan gran parte de la inteligencia artificial contemporánea— eligió la Universidad de Chile como escenario para compartir una visión que oscila entre el optimismo tecnológico y la responsabilidad ética. En un momento donde la IA generativa domina titulares y despierta tanto fascinación como temor, Dean ofreció algo escaso en el debate público: una perspectiva desde el corazón mismo de la innovación, sin eufemismos pero con la claridad de quien ha visto nacer tecnologías que hoy usamos sin pensar.

El evangelio tecnológico desde Mountain View hasta los Andes

La visita de Dean a la capital chilena no es un evento aislado. Representa un reconocimiento tácito de que el futuro de la inteligencia artificial no se construye únicamente en Silicon Valley, sino en la capacidad de democratizar conocimiento y fomentar talento en geografías tradicionalmente periféricas al ecosistema tecnológico. La Universidad de Chile, con su tradición centenaria en ciencia y tecnología, se convirtió en el foro perfecto para esta conversación. Dean dedicó su presentación a desglosar cómo la IA está transitando de ser una herramienta especializada a convertirse en una infraestructura general que permea sectores tan diversos como la salud, la educación, la investigación científica y la productividad laboral.

El científico destacó que estamos viviendo un momento de inflexión comparable a la llegada de internet o la computación personal. Pero a diferencia de esas revoluciones anteriores, la IA presenta una característica única: su capacidad de adaptarse y aprender de contextos específicos sin necesidad de reprogramación exhaustiva. Esta flexibilidad, argumentó Dean, es lo que permitirá que comunidades con recursos limitados puedan desarrollar soluciones locales a problemas globales, desde diagnósticos médicos en zonas rurales hasta sistemas educativos personalizados que se ajusten a las necesidades de cada estudiante.

La elección de Chile como destino tampoco es casual. El país sudamericano ha emergido en los últimos años como un polo de investigación en machine learning en América Latina, con centros como el Instituto Milenio Fundamentos de los Datos y programas de doctorado que atraen talento regional. Dean reconoció explícitamente este ecosistema emergente, sugiriendo que la próxima generación de innovaciones en IA podría muy bien surgir de colaboraciones entre gigantes tecnológicos y universidades latinoamericanas que entienden problemas que Silicon Valley ni siquiera percibe.

Más allá del ChatGPT: la arquitectura invisible de la revolución

Si bien los modelos de lenguaje como ChatGPT han capturado la imaginación popular, Dean insistió en mirar más allá de las interfaces conversacionales. La verdadera revolución, argumentó, reside en las arquitecturas subyacentes: los transformers, las técnicas de aprendizaje por refuerzo, y los sistemas multimodales que pueden procesar simultáneamente texto, imagen, audio y video. Estos avances no solo hacen que las máquinas "hablen" mejor, sino que les permiten razonar, planificar y resolver problemas de formas que hace cinco años parecían ciencia ficción.

Dean compartió ejemplos concretos del impacto de estas tecnologías en Google Research. Mencionó sistemas que han acelerado el descubrimiento de nuevos materiales para baterías, reduciendo de años a semanas el tiempo necesario para identificar compuestos prometedores. Habló de modelos que están ayudando a predecir estructuras de proteínas con una precisión que está revolucionando la biología molecular y el desarrollo farmacéutico. Y destacó aplicaciones en cambio climático, donde la IA está optimizando redes eléctricas, prediciendo patrones meteorológicos extremos y modelando escenarios futuros con una granularidad sin precedentes.

"La inteligencia artificial no reemplazará a los científicos, médicos o educadores. Pero los científicos, médicos y educadores que usen IA superarán ampliamente a quienes no lo hagan. La pregunta no es si adoptar estas herramientas, sino cómo hacerlo de manera que amplifique nuestras capacidades humanas más valiosas."

Esta visión pragmática contrasta con narrativas apocalípticas sobre desempleo masivo o con utopías ingenuas sobre una IA que resolverá todos nuestros problemas. Dean presentó la IA como una tecnología de propósito general —similar a la electricidad o internet— cuyo impacto dependerá fundamentalmente de cómo sociedades, gobiernos y comunidades decidan implementarla. La responsabilidad, sugirió, no recae únicamente en los desarrolladores de tecnología, sino en todos los sectores que deberán adaptar sus prácticas, regulaciones y marcos éticos.

Los desafíos que Silicon Valley prefiere no mencionar

Pero Dean no eludió las preguntas incómodas. En un giro refrescante para una presentación corporativa, dedicó tiempo considerable a discutir los desafíos éticos y prácticos que la IA presenta. Habló sobre sesgos algorítmicos, reconociendo que los modelos entrenan con datos históricos que reflejan desigualdades y prejuicios sociales. Mencionó la dificultad de crear sistemas verdaderamente inclusivos cuando la mayoría de los investigadores en IA provienen de contextos culturales y socioeconómicos homogéneos. Y abordó el elefante en la habitación: el consumo energético masivo de los grandes modelos de lenguaje, un problema que choca frontalmente con objetivos de sostenibilidad ambiental.

Según Dean, Google y otros actores de la industria están invirtiendo significativamente en hacer que la IA sea más eficiente. Mencionó avances en técnicas de compresión de modelos, métodos de entrenamiento más eficientes energéticamente, y arquitecturas que requieren menos datos para lograr resultados comparables. Pero fue honesto sobre la magnitud del desafío: cada nueva generación de modelos tiende a ser más grande y hambrienta de recursos que la anterior. La solución, sugirió, requerirá tanto innovación técnica como decisiones conscientes sobre cuándo un modelo "suficientemente bueno" es preferible a uno marginalmente mejor pero exponencialmente más costoso.

El científico también abordó la cuestión de la concentración de poder. Con el entrenamiento de modelos de frontera requiriendo inversiones de cientos de millones de dólares, existe el riesgo real de que la IA avanzada quede monopolizada por un puñado de corporaciones y gobiernos. Dean defendió la importancia de la investigación abierta, el acceso a herramientas como TensorFlow, y la colaboración entre academia e industria como mecanismos para democratizar el acceso. Sin embargo, reconoció que estas medidas son insuficientes y que se necesitan políticas públicas más audaces para garantizar que los beneficios de la IA se distribuyan equitativamente.

El futuro se escribe en código y en español

Uno de los momentos más significativos de la presentación llegó cuando Dean habló sobre multilingüismo en IA. Durante años, los modelos de lenguaje han mostrado un sesgo pronunciado hacia el inglés, dejando a millones de hablantes de otros idiomas con herramientas de segunda categoría. Pero las nuevas generaciones de modelos multilingües están cambiando este panorama. Dean destacó que el español, como segunda lengua más hablada nativamente en el mundo, está recibiendo atención prioritaria en el desarrollo de modelos que puedan capturar no solo vocabulario sino matices culturales, regionalismos y contextos específicos de las diversas geografías hispanohablantes.

Este punto resonó particularmente con la audiencia chilena. La posibilidad de desarrollar aplicaciones de IA que comprendan el español de Chile —con sus chilenismos, su velocidad característica y sus referencias culturales únicas— abre oportunidades para crear soluciones verdaderamente locales. Dean mencionó colaboraciones emergentes donde universidades latinoamericanas están contribuyendo datasets y expertise lingüístico que enriquecen modelos globales, creando un círculo virtuoso donde la diversidad mejora la tecnología y la tecnología amplifica la diversidad.

La visita concluyó con una sesión de preguntas donde estudiantes y académicos interrogaron a Dean sobre temas que van desde carreras en IA hasta dilemas éticos específicos. Su mensaje final fue claro: el futuro de la inteligencia artificial no está predeterminado. Se construirá a través de decisiones que tomamos hoy sobre educación, inversión en investigación, marcos regulatorios y, fundamentalmente, sobre qué tipo de sociedad queremos construir con estas herramientas. Chile y América Latina, sugirió Dean, tienen la oportunidad de no ser meros consumidores de tecnología desarrollada en otros lugares, sino co-creadores de un futuro donde la IA sirva a necesidades y valores locales.

Contexto clave

Transformers y modelos de lenguaje: Los transformers son una arquitectura de redes neuronales introducida en 2017 que revolucionó el procesamiento de lenguaje natural. A diferencia de sistemas anteriores que procesaban texto secuencialmente, los transformers pueden analizar todas las palabras de una oración simultáneamente, capturando relaciones complejas entre ellas. Esta arquitectura es la base de modelos como GPT, BERT y PaLM. Su eficacia radica en un mecanismo llamado "atención", que permite al modelo enfocarse en las partes más relevantes del texto para cada tarea específica.

TensorFlow: Desarrollado por el equipo de Google Brain (liderado por Jeff Dean), TensorFlow es una plataforma de código abierto para machine learning que se ha convertido en estándar de la industria. Permite a investigadores y desarrolladores construir y entrenar modelos de IA sin necesidad de desarrollar toda la infraestructura desde cero. Su apertura ha democratizado significativamente el acceso a herramientas de IA avanzadas, permitiendo que universidades, startups y desarrolladores individuales experimenten con tecnologías que antes estaban reservadas a grandes corporaciones.

Aprendizaje multimodal: Mientras los primeros sistemas de IA se especializaban en un solo tipo de dato (texto, imagen o audio), los modelos multimodales pueden procesar y relacionar múltiples tipos de información simultáneamente. Por ejemplo, pueden analizar una imagen y generar una descripción en texto, o escuchar una pregunta hablada y responder mostrando información visual relevante. Esta capacidad acerca la IA a cómo los humanos procesamos información: integrando constantemente señales visuales, auditivas y lingüísticas para comprender el mundo.

Para profundizar

• El ecosistema de IA en América Latina — Más allá de Chile, países como Argentina, Brasil y México están desarrollando centros de investigación y programas educativos en inteligencia artificial. ¿Cómo puede la región competir y colaborar con polos tecnológicos establecidos sin caer en relaciones extractivas donde el talento migra pero la innovación no se queda?
• Eficiencia energética y sostenibilidad en IA — El entrenamiento de un solo modelo de lenguaje grande puede generar emisiones de carbono equivalentes a cinco automóviles durante toda su vida útil. ¿Qué innovaciones técnicas y decisiones de diseño podrían hacer que la próxima generación de IA sea ambientalmente sostenible sin sacrificar capacidades?
• Regulación de IA: el dilema entre innovación y protección — Mientras Europa avanza con regulaciones comprehensivas como el AI Act, y Estados Unidos mantiene un enfoque más permisivo, América Latina debe definir su propio marco. ¿Cómo pueden países de la región crear regulaciones que protejan a ciudadanos sin sofocar un ecosistema tecnológico aún emergente?