Eric Jang

wiki
, , , ,
1

Investigador y robótico estadounidense conocido por coinventar la distribución Gumbel-Softmax y por liderar el desarrollo de IA de robots humanoides en 1X Technologies.

Perfil
Nacionalidad Estadounidense
Educación ScB en Matemáticas Aplicadas y Ciencias de la Computación; ScM en Ciencias de la Computación — Universidad Brown (2012–2016)
Institución anterior Google / Robotics at Google (Google DeepMind Robotics)
Áreas de investigación Robótica, Aprendizaje por imitación, Aprendizaje por refuerzo, Modelos generativos, Modelos fundacionales para robótica
Sitio web personal evjang.com
X / Twitter @ericjang11
GitHub ericjang
Google Scholar Eric Jang

Resumen

Eric Jang es un investigador e ingeniero estadounidense cuyo trabajo abarca la intersección entre la teoría del aprendizaje profundo y la robótica física. Es más conocido por ser coinventor de la distribución Gumbel-Softmax (Concreta), una técnica fundamental que permite la retropropagación a través de muestras categóricas discretas, publicada en ICLR 2017 y ahora omnipresente en el modelado generativo y la predicción estructurada. En Robotics at Google, pasó seis años aplicando la filosofía de escalado del aprendizaje profundo con grandes modelos a la manipulación física, contribuyendo a proyectos emblemáticos como SayCan, QT-Opt, Grasp2Vec y BC-Z. De 2022 a principios de 2026, se desempeñó como Vicepresidente de IA en 1X Technologies (anteriormente Halodi Robotics), donde construyó el equipo de IA desde cero y supervisó el desarrollo del modelo de IA Redwood y el World Model 1X para el humanoide NEO. Dejó 1X en enero de 2026 y actualmente se encuentra en un año sabático autoimpuesto, explorando nuevas direcciones en la investigación de IA y robótica.

Vida temprana y educación

Jang asistió a la Universidad Brown de 2012 a 2016, completando simultáneamente un ScB en Matemáticas Aplicadas y Ciencias de la Computación y un ScM en Ciencias de la Computación. Entre 2013 y 2015, realizó prácticas en Pixar, Google y Two Sigma, experiencias que luego describió como formativas para desarrollar su intuición en investigación aplicada en el límite entre la teoría y la ingeniería. Sus primeros escritos en un blog sobre temas de redes neuronales — incluyendo implementaciones detalladas de GAN y autoencoders variacionales en TensorFlow — establecieron su perfil público en la comunidad de ML cuando aún era estudiante universitario.

Carrera

Robotics at Google / Google DeepMind Robotics (2016–2022)

Jang se unió a Google en 2016 como Científico de Investigación Senior en el equipo de Robótica, cargo que ocupó durante seis años. Su investigación se centró en aplicar el principio de que los datos ricos combinados con algoritmos de aprendizaje simples y una computación potente superan a los sistemas diseñados artesanalmente — esta vez en el dominio de la robótica.

Su contribución individual más citada de este período fue la coinvención de la distribución Gumbel-Softmax (con Shixiang Gu y Ben Poole), un método para el muestreo diferenciable de distribuciones categóricas, publicado como Categorical Reparameterization with Gumbel-Softmax en ICLR 2017. La técnica fue descubierta de forma concurrente e independiente por Chris Maddison, Andriy Mnih y Yee Whye Teh en DeepMind, quienes la llamaron Distribución Concreta; ambos artículos son ahora citas estándar en trabajos que involucran variables latentes discretas.

En el lado de la robótica, codirigió el equipo Google Brain Moonshot — un grupo de más de 20 investigadores — que produjo SayCan (Do As I Can, Not As I Say, 2022), un sistema que fundamenta el razonamiento de grandes modelos de lenguaje en affordances robóticas para permitir la manipulación móvil de largo horizonte en entornos de cocina reales. También contribuyó a QT-Opt, un sistema de RL profundo a gran escala para la manipulación basada en visión; Grasp2Vec, que permitió la manipulación de instancias mediante aprendizaje de representaciones autosupervisado; Time Contrastive Networks (TCN) para imitación entre morfologías; y BC-Z, un sistema de generalización de tareas sin ejemplos previos mediante clonación de comportamiento en demostraciones condicionadas por lenguaje. También desarrolló Tensor2Robot, un marco de trabajo de ML utilizado por el equipo de manipulación robótica y Everyday Robots.

Se desempeñó como área chair para ICML, CoRL y NeurIPS, y fue revisor de múltiples otras conferencias durante este período.

1X Technologies / Halodi Robotics (2022–2026)

Un punto de inflexión clave para la empresa llegó en 2022, cuando Halodi comenzó a fusionar su hardware humanoide con enfoques modernos de IA, contratando al exinvestigador de Google Brain Eric Jang como el primer empleado con sede en California. En marzo de 2023, Halodi se renombró como 1X Technologies y cerró una ronda Serie A de 23,5 millones de dólares liderada por el OpenAI Startup Fund.

Jang y su primera contratación trabajaron desde su garaje durante varios meses para ahorrar dinero antes de que la empresa expandiera su presencia en el Área de la Bahía. Como VP de IA, construyó el equipo responsable de los controladores de cuerpo completo basados en aprendizaje por refuerzo, modelos visión-lenguaje-acción (VLA), modelos visión-lenguaje (VLM), modelos del mundo, infraestructura de simulación y el motor de datos para los robots EVE y NEO. Lideró el desarrollo de Redwood AI, un modelo de IA integrado de extremo a extremo para el humanoide NEO, que 1X describió como uno de los primeros sistemas unificados de manipulación móvil de cuerpo completo para robots bípedos. También supervisó el 1X World Model (1XWM), un núcleo cognitivo generativo que permite al robot simular tareas antes de ejecutarlas.

La gestión de Jang se definió por una filosofía de priorizar los datos que desafiaba los paradigmas tradicionales de la robótica, y su partida en enero de 2026 se produjo en un punto álgido, cuando 1X presentó una evolución importante de su modelo del mundo.

Año sabático (2026–presente)

Tras su salida de 1X, Jang entró en un año sabático autoimpuesto. Ha estado reimplementando artículos de aprendizaje profundo, viajando a China para reunirse con empresas del ecosistema robótico chino y trabajando en un gran proyecto de tutorial para su blog. Su proyecto público actual, AutoGo, consiste en reconstruir AlphaGo desde cero utilizando herramientas modernas de IA, que presentó en una entrevista técnica de larga duración y en un tutorial adjunto. Su publicación en el blog «Leaving 1X» articuló una tesis sobre la próxima generación de «objetos mágicos» en IA — modelos de video generativos, sistemas de razonamiento — que cree que desbloquearán nuevas posibilidades para la robótica.

Contribuciones clave

  • Gumbel-Softmax / Distribución Concreta — Coinventó (con Shixiang Gu y Ben Poole) un estimador de gradiente que permite la retropropagación a través de muestras discretas categóricas, publicado en ICLR 2017. Concurrente y confirmado de forma independiente por el artículo «Distribución Concreta» de DeepMind. Ahora una herramienta estándar para entrenar modelos con variables latentes discretas.

  • SayCan — Do As I Can, Not As I Say (2022) — Codirigió el equipo Brain Moonshot de más de 20 investigadores, que fundamentó la planificación de grandes modelos de lenguaje en las funciones de valor de un robot real, permitiendo cientos de tareas de manipulación móvil de largo horizonte en entornos de cocina. Uno de los artículos más citados sobre la fundamentación de LLM en robótica.

  • BC-Z: Generalización de tareas sin ejemplos previos con aprendizaje robótico por imitación (2021) — Demostró que la clonación de comportamiento en demostraciones teleoperadas condicionadas por lenguaje permite la generalización a instrucciones de tareas no vistas; introdujo patrones de diseño clave, incluido el chunking de acciones y cabezales de predicción auxiliares, que se convirtieron en ingredientes estándar en modelos posteriores de visión-lenguaje-acción.

  • QT-Opt: RL profundo escalable para manipulación robótica basada en visión (2018) — Sistema de aprendizaje por refuerzo a gran escala para la manipulación a partir de imágenes RGB monoculares en hardware robótico real, demostrando comportamientos emergentes que incluyen la separación de objetos y el reintento tras fallos.

  • Time Contrastive Networks (TCN) (2017) — Propuso aprendizaje de representaciones no supervisado desde múltiples puntos de vista para la imitación robótica, permitiendo que un robot imite el comportamiento de vertido humano a partir de un solo video de demostración sin correspondencia explícita.

  • Grasp2Vec (2018) — Manipulación de instancias autosupervisada sin etiquetado de objetos, aprendiendo representaciones de objetos a través de las propias interacciones de manipulación del robot.

  • Tensor2Robot — Marco de trabajo de ML de código abierto para el equipo de manipulación robótica de Google, estandarizando los pipelines de entrenamiento de modelos en todo el grupo.

  • Tutoriales sobre Flujos de Normalización (2018) — Tutorial en blog de dos partes que introdujo los flujos de normalización a una amplia audiencia de ML, implementado en JAX. Se convirtió en una de las introducciones informales más citadas sobre el tema y ayudó a popularizar tanto la técnica como JAX en el momento del desarrollo temprano de este último.

  • AutoGo (2026) — Proyecto de código abierto que reconstruye AlphaGo desde cero utilizando herramientas modernas de IA; una exploración pedagógica de MCTS, auto-juego y su relación con el razonamiento de LLM, documentado en un tutorial y presentado en una discusión técnica pública de larga duración.

Premios y reconocimientos

  • Aceptación en ICLR 2017 — Artículo sobre Gumbel-Softmax aceptado como póster en una de las conferencias más selectivas del campo.
  • Artículo en WIRED — El trabajo sobre apertura de puertas con cerradura mediante redes neuronales fue destacado en la revista WIRED.
  • Menciones en el blog de Google AI — Múltiples proyectos (Semantic Grasping, QT-Opt, Grasp2Vec, RetinaGAN, BC-Z) fueron destacados en el blog de Google AI, un reconocimiento interno de investigación de alto impacto.
  • Área Chair — Reconocido por ICML, CoRL y NeurIPS como área chair.

Relaciones clave

  • Shixiang Gu y Ben Poole — Coautores del artículo sobre Gumbel-Softmax; Gu introdujo el truco Gumbel-Max, Poole contribuyó con los experimentos semisupervisados y las derivaciones matemáticas.
  • Sergey Levine — Colaborador frecuente en Google en QT-Opt, Grasp2Vec y BC-Z; figura destacada en el aprendizaje robótico.
  • Vincent Vanhoucke — Principal de Google Brain que animó a Jang a perseguir la idea de Gumbel-Softmax; coautor en manipulación semántica y QT-Opt.
  • Chris Maddison, Andriy Mnih y Yee Whye Teh — Codescubridores independientes de la Distribución Concreta en DeepMind; el descubrimiento simultáneo es un episodio notable en la historia del ML.
  • Berndt Børnich — CEO y fundador de 1X Technologies; Jang se unió a la empresa de Børnich como su primer empleado en California y ayudó a ejecutar el giro de la compañía hacia los humanoides domésticos.
  • Dwarkesh Patel — Presentó un podcast de larga duración con Jang en mayo de 2026 cubriendo AlphaGo, MCTS y RL en LLMs; la conversación también reflexionó sobre la relación entre búsqueda y aprendizaje en un sentido más amplio.

Estilo personal

Jang escribe con una franqueza inusual sobre las realidades prácticas de la investigación y las decisiones profesionales — sus publicaciones en el blog sobre dejar Google Brain y dejar 1X son relatos sinceros en primera persona del razonamiento y la incertidumbre involucrados, un registro poco común en un campo dominado por la comunicación de estilo anuncio. Su sensibilidad técnica se fundamenta en una convicción que llama la perspectiva de la «Lección Amarga»: los datos ricos combinados con algoritmos escalables simples superan consistentemente a la ingeniería cuidadosa, e identificar el próximo «objeto mágico» — una nueva familia de modelos o capacidad con generalización sorprendente — es el acto de mayor apalancamiento en la investigación de IA. Es un prolífico blogger técnico con una voz distintiva que mezcla detalles de ingeniería a nivel de sistemas con especulaciones filosóficas más amplias sobre inteligencia, simulación y computación. Su seguimiento público refleja una audiencia que abarca desde profesionales que buscan tutoriales hasta investigadores interesados en su perspectiva sobre la dirección de la IA corporizada.

Referencias