Ian Goodfellow

wiki
, , , ,
1

Investigador estadounidense en aprendizaje profundo; inventor de las redes generativas adversariales, copionero del aprendizaje automático adversarial y autor principal del libro de texto canónico Deep Learning.

Información básica / Perfil

Campo Detalles
Nombre completo Ian J. Goodfellow
Nacimiento 1987, Estados Unidos
Nacionalidad Estadounidense
Estado actual Startup en sigilo (2025–presente)
Campos de investigación Aprendizaje profundo, modelos generativos, aprendizaje automático adversarial, privacidad diferencial, seguridad de IA, control de plasma de fusión
Asesores de doctorado Yoshua Bengio, Aaron Courville
Tesis doctoral Deep Learning of Representations and its Application to Computer Vision (Université de Montréal, 2014)
Sitio web personal iangoodfellow.com
X / Twitter @goodfellow_ian
GitHub github.com/goodfeli
Google Scholar scholar.google.com/citations?user=iYN86KEAAAAJ

Resumen

Ian Goodfellow es un informático estadounidense conocido sobre todo por inventar las redes generativas adversariales (GAN) en 2014 — un marco de entrenamiento en el que dos redes neuronales compiten para producir datos sintéticos indistinguibles de muestras reales, y que se convirtió en el paradigma dominante para el modelado de imágenes generativas durante casi una década. Formado bajo la tutela de Yoshua Bengio en la Université de Montréal, posteriormente ocupó puestos de investigación en Google Brain, OpenAI, Google Research, Apple y Google DeepMind, además de un cargo de director en el Grupo de Proyectos Especiales de Apple. Es autor principal del libro de texto Deep Learning (MIT Press, 2016), coescrito con Bengio y Aaron Courville, que se utiliza en más de 1500 universidades de 135 países y sigue siendo la referencia más asignada en el campo. También copionó el estudio de los ejemplos adversariales y el entrenamiento adversarial para la robustez, y contribuyó a los primeros trabajos sobre entrenamiento de redes neuronales con privacidad diferencial. En 2025 dejó Google DeepMind para fundar una startup en sigilo cuyo enfoque no se había hecho público a mediados de 2026.

Primeros años y educación

Instituto y primer interés por la IA

Goodfellow creció en Estados Unidos y asistió a la San Dieguito Academy High School en California. Su interés por la IA se despertó en la adolescencia a través de la divulgación científica —en particular Scientific American— que pronosticaba que la IA y la nanotecnología serían las tecnologías definitorias del siglo XXI. Una pasantía en 2006 en los Institutos Nacionales de Salud, donde se encontró por primera vez con un modelo de aprendizaje automático aplicado a la clasificación de EEG, agudizó ese interés hasta convertirlo en una dirección de investigación concreta. Cambió su especialidad a informática y comenzó a estudiar con Andrew Ng.

Universidad de Stanford — Licenciatura y maestría (2004–2010)

Goodfellow completó una licenciatura y una maestría en Ciencias de la Computación en la Universidad de Stanford bajo la supervisión de Andrew Ng, trabajando principalmente en el proyecto Stanford AI Robot en visión por computadora con métodos tradicionales de aprendizaje automático. Durante su trabajo de maestría comenzó a involucrarse con el aprendizaje profundo a través de un colega, y esto catalizó su decisión de realizar un doctorado en el grupo de Bengio. Ha descrito el aprendizaje del aprendizaje profundo como el momento en que se comprometió plenamente con la investigación en IA.

Université de Montréal — Doctorado (2010–2014)

Goodfellow fue aceptado en el laboratorio de Yoshua Bengio en la Université de Montréal (sede del grupo LISA, precursor de Mila), completando su doctorado a principios de 2014 (formalmente en febrero de 2015) bajo la supervisión conjunta de Bengio y Aaron Courville. Su tesis, Deep Learning of Representations and its Application to Computer Vision, exploró el aprendizaje de representaciones, las máquinas de Boltzmann profundas y los modelos de multipredicción. Contribuyó sustancialmente a Theano y Pylearn2, la pila de software de aprendizaje profundo de código abierto del laboratorio, que proporcionó a los profesionales la infraestructura para ejecutar ideas novedosas rápidamente — una cultura que ha señalado como central en el entorno en el que finalmente se concibieron las GAN.

La idea de las GAN se le ocurrió aproximadamente dos semanas antes de la fecha límite de NeurIPS 2014. Reclutó a un grupo de compañeros de laboratorio que dejaron de lado otros trabajos para ejecutar experimentos en múltiples conjuntos de datos dentro de ese período, demostrando que el marco aprendía la distribución correcta y permitiendo la presentación. Ha descrito este sprint como una de las experiencias colaborativas formativas de su carrera.

Carrera profesional

Google Brain — Científico investigador (2014–2016)

Después de su doctorado, Goodfellow se unió a Google Brain como científico investigador. Lideró el Google Brain Red Team, un grupo centrado en el aprendizaje automático adversarial y las vulnerabilidades de seguridad de las redes neuronales. En este rol, fue coautor de uno de los dos primeros artículos que identificaron de forma independiente los ejemplos adversariales — entradas deliberadamente perturbadas para causar una clasificación errónea por parte de las redes neuronales — y, con Christian Szegedy, coinventó el entrenamiento adversarial como defensa de robustez. También desarrolló un sistema que permitía a Google Maps transcribir automáticamente direcciones de fotografías de Street View, y colaboró con Nicolas Papernot, Kunal Talwar, Ulfar Erlingsson y Martin Abadi en algunas de las primeras publicaciones sobre mecanismos de entrenamiento con privacidad diferencial para redes neuronales.

OpenAI — Científico investigador (2016–2017)

En marzo de 2016, Goodfellow dejó Google para unirse a OpenAI como uno de los primeros empleados de la organización, atraído por su misión declarada de desarrollar IA que beneficie a la humanidad en general. Permaneció allí aproximadamente once meses antes de regresar a Google Research en marzo de 2017.

Google Research / Google Brain — Científico investigador (2017–2019)

Durante su segunda etapa en Google, Goodfellow continuó trabajando en robustez adversarial y modelado generativo, contribuyendo a la creciente literatura sobre estabilidad del entrenamiento de GAN, generación condicional y la comprensión teórica del objetivo minimax.

Apple — Director de Aprendizaje Automático, Grupo de Proyectos Especiales (2019–2022)

En abril de 2019, Goodfellow se unió a Apple como Director de Aprendizaje Automático en su Grupo de Proyectos Especiales, una división confidencial de skunkworks de hardware y software. Ha descrito el entorno como inusualmente colaborativo: debido a que el proyecto era confidencial, los miembros del equipo tenían fuertes incentivos para cooperar en lugar de competir por el crédito individual. En abril de 2022 renunció, citando públicamente el requisito de Apple de que los empleados regresaran al trabajo presencial — una salida que atrajo una amplia cobertura como una declaración sobre la política laboral pospandémica en el sector tecnológico.

Google DeepMind — Científico investigador (2022–2025)

En julio de 2022, Goodfellow se unió a Google DeepMind como científico investigador en el equipo de Aprendizaje Profundo de Oriol Vinyals. Su enfoque principal cambió significativamente del modelado generativo a la IA para la generación de energía de fusión, una dirección que había buscado después de leer el artículo de 2022 de DeepMind en Nature sobre el uso del aprendizaje por refuerzo para controlar las configuraciones de plasma de tokamak. En DeepMind, su contribución a este esfuerzo fue en la simulación de plasma: escribió código de solucionador de ecuaciones diferenciales numéricas que sustentaba los modelos físicos necesarios para entrenar el agente de aprendizaje por refuerzo, en lugar del sistema de RL en sí. Codesarrolló TORAX, un simulador de física de plasma diferenciable de código abierto escrito en JAX y publicado en GitHub, descrito en un artículo de arXiv en 2024. También trabajó en investigación de factualidad de LLM. En una entrevista de abril de 2025 con Mila, se describió a sí mismo como todavía en Google DeepMind; Wikipedia señala que se fue en 2025 para fundar una startup.

Startup en sigilo (2025–presente)

A mediados de 2026, el perfil de LinkedIn de Goodfellow lo indicaba como trabajando en una startup en sigilo. No se han hecho públicos más detalles sobre el enfoque o la financiación de la empresa.

Contribuciones clave

  • Redes generativas adversariales (GAN) (NeurIPS 2014, arXiv:1406.2661, con Pouget-Abadie, Mirza, Xu, Warde-Farley, Ozair, Courville y Bengio) — Introdujeron un marco de entrenamiento en el que una red generadora y una red discriminadora se entrenan simultáneamente en un juego minimax, permitiendo la síntesis de imágenes y otros datos altamente realistas; siguió siendo el paradigma dominante para el modelado de imágenes generativas durante casi una década y dio lugar a StyleGAN, CycleGAN, GAN condicional y muchas otras variantes. Uno de los artículos más citados en la historia de la informática.
  • Ejemplos adversariales (2013–2014, codescubiertos con Christian Szegedy y colaboradores) — Coautor de dos de los artículos fundacionales que establecieron que las redes neuronales son susceptibles a perturbaciones de entrada imperceptiblemente pequeñas que causan de manera fiable una clasificación errónea; el hallazgo abrió el campo del aprendizaje automático adversarial.
  • Método del signo del gradiente rápido (FGSM) — Introdujo un método eficiente de un solo paso para generar ejemplos adversariales perturbando las entradas en la dirección del gradiente de la pérdida; se convirtió en el ataque de referencia estándar en la investigación de robustez adversarial.
  • Entrenamiento adversarial (con Christian Szegedy) — Coinventó el entrenamiento adversarial — aumentar los datos de entrenamiento con ejemplos adversariales — como la principal defensa empírica contra ataques adversariales; sigue siendo una de las pocas defensas que no se ha roto posteriormente.
  • Aprendizaje profundo con privacidad diferencial (2016, con Abadi, Chu, Erlingsson, McMahan, Mironov, Papernot, Raghunathan, Ramage, Song y Talwar) — Coautor de un artículo fundacional sobre el entrenamiento de redes neuronales con garantías de privacidad diferencial, introduciendo el contador de momentos para un análisis de privacidad más riguroso; una referencia central para el aprendizaje automático que preserva la privacidad.
  • Redes Maxout (ICML 2013, con Goodfellow, Warde-Farley, Mirza, Courville, Bengio) — Propuso una función de activación novedosa diseñada para funcionar bien con dropout, permitiendo un mejor entrenamiento de modelos generativos y logrando resultados de vanguardia en varios puntos de referencia.
  • Pylearn2 — Lideró el desarrollo y la popularización de Pylearn2, la biblioteca de aprendizaje profundo de grado de investigación de la Université de Montréal construida sobre Theano; proporcionó la infraestructura de software para muchos de los primeros avances en aprendizaje profundo en el grupo de Bengio.
  • Deep Learning libro de texto (MIT Press, 2016, con Yoshua Bengio y Aaron Courville) — Autor principal del primer libro de texto integral de nivel de posgrado sobre aprendizaje profundo; disponible gratuitamente en deeplearningbook.org y utilizado como texto principal en más de 1500 universidades en 135 países.
  • Capítulo de aprendizaje profundo, Artificial Intelligence: A Modern Approach (4.ª edición, 2020, Russell y Norvig) — Escribió el capítulo de aprendizaje profundo para el libro de texto canónico de IA, llevando la cobertura de las redes neuronales al texto de IA de pregrado más utilizado.
  • TORAX — Simulador de transporte de tokamak (2024, con Google DeepMind) — Codesarrolló un simulador de física de plasma diferenciable de código abierto en JAX diseñado para apoyar la investigación de aprendizaje por refuerzo para la generación de energía de fusión; publicado públicamente como parte del esfuerzo de fusión de DeepMind.

Premios y reconocimientos

  • MIT Technology Review Innovators Under 35 (2017) — Reconocido por la invención de las GAN y las contribuciones al aprendizaje automático adversarial.
  • Foreign Policy 100 Global Thinkers (2019) — Incluido por su trabajo en aprendizaje profundo y seguridad de la IA.

Relaciones clave

  • Yoshua Bengio — Supervisor principal de doctorado; el entorno intelectual del laboratorio LISA de Bengio — con su cultura de código abierto, libertad para experimentar y énfasis en la teoría del aprendizaje profundo — permitió directamente las condiciones en las que se concibieron las GAN.
  • Aaron Courville — Codirector de doctorado y coautor del libro de texto Deep Learning; Courville ha seguido siendo un colaborador continuo en la investigación de modelos generativos.
  • Andrew Ng — Supervisor de investigación de pregrado y maestría en Stanford; introdujo a Goodfellow en el aprendizaje automático a través del proyecto Stanford AI Robot y una secuencia de cursos.
  • Christian Szegedy — Colega de Google Brain con quien Goodfellow codescubrió los ejemplos adversariales y coinventó el entrenamiento adversarial; los dos trabajaron de forma independiente en el fenómeno antes de unir fuerzas.
  • Martin Abadi — Colaborador de Google Brain en el entrenamiento de redes neuronales con privacidad diferencial; también codiseñó TensorFlow.
  • Nicolas Papernot — Colaborador de Google Brain y coautor de artículos sobre privacidad y robustez adversarial; se convirtió en un investigador independiente líder en ML confiable.
  • Oriol Vinyals — Líder del equipo de Aprendizaje Profundo de Goodfellow en Google DeepMind; cuyo grupo de investigación supervisó el trabajo de control de plasma de fusión.
  • Jean Pouget-Abadie — Colega de doctorado en Montréal que contribuyó con el análisis de teoría de juegos al marco de las GAN; Goodfellow lo ha citado como el colaborador adecuado para la formulación de teoría de juegos de las GAN.

Estilo personal

Goodfellow se destaca en el panorama de la investigación en IA por combinar una producción técnica prolífica con una voz pública inusualmente sincera sobre la cultura y las consecuencias del campo. En una entrevista de 2025 describió la era de investigación anterior al aprendizaje profundo en Montréal como más abierta e impulsada por la curiosidad, y dijo que extraña «la sensación de libertad para probar cosas diferentes, y menos la sensación de que nuestro trabajo tiene consecuencias» — un reflejo de doble filo de alguien cuyo artículo más famoso permitió los deepfakes. Sus movimientos profesionales a menudo han sido motivados por valores explícitos en lugar de prestigio: se unió a DeepMind porque un artículo sobre energía de fusión llamó su atención, y renunció a Apple públicamente por un principio de trabajo remoto en lugar de hacerlo en silencio. Describe su enfoque de investigación a través del aforismo de Bruce Lee de los «10 000 golpes», prefiriendo el dominio profundo de un pequeño conjunto de herramientas básicas — Python, programación numérica, álgebra lineal, probabilidad — sobre la amplitud, y abogando explícitamente por saber cuándo buscar colaboradores con experiencia complementaria en lugar de intentar adquirir todas las habilidades uno mismo.

Referencias