François Chollet

wiki
, , , ,
1

Investigador de IA nacido en Francia, ingeniero de código abierto y cofundador de Ndea, conocido principalmente como el creador de Keras y el arquitecto del punto de referencia ARC-AGI para medir la inteligencia general.

Perfil
Nacimiento 20 de octubre de 1989, Francia
Nacionalidad Francesa
Institución actual Ndea (cofundador); ARC Prize Foundation (cofundador)
Áreas de investigación Aprendizaje profundo, Visión por computadora, Abstracción, Razonamiento formal, Inteligencia General Artificial, Síntesis de programas
Educación Diplôme d’Ingénieur (MEng), ENSTA Paris / Instituto Politécnico de París (2012)
Sitio web personal fchollet.com
X / Twitter @fchollet
GitHub fchollet
Google Scholar François Chollet — citado más de 73 000 veces
Substack fchollet.substack.com

Resumen

François Chollet es un ingeniero de software e investigador de IA francés cuya década en Google produjo dos de los artefactos más trascendentales en el aprendizaje profundo moderno: el framework Keras, que se convirtió en la API de alto nivel dominante para construir redes neuronales a nivel mundial, y el punto de referencia ARC-AGI, que redefinió cómo el campo mide el progreso hacia la inteligencia general. Su arquitectura Xception se encuentra entre los diez artículos más citados en las actas de CVPR, con más de 18 000 citas, y su libro Deep Learning with Python vendió más de 100 000 copias. Después de más de nueve años en Google, renunció en noviembre de 2024 para cofundar Ndea, un laboratorio de investigación que persigue la AGI mediante síntesis de programas guiada por aprendizaje profundo, junto con ARC Prize Foundation, una organización sin fines de lucro que estableció para coordinar y financiar la investigación abierta hacia la inteligencia general. Es uno de los escépticos más prominentes del campo respecto a la idea de que escalar grandes modelos de lenguaje será suficiente para lograr la AGI.

Primeros años y educación

Chollet nació en Francia el 20 de octubre de 1989. Se graduó en 2012 con un Diplôme d’Ingénieur (equivalente a una Maestría en Ingeniería) de ENSTA Paris, una grande école del Instituto Politécnico de París. Sus primeros proyectos independientes después de graduarse mostraron un rango técnico inusualmente amplio: construyó Wysp, una red social y plataforma de aprendizaje para artistas que alcanzó un máximo de unos 25 000 usuarios activos mensuales en 2014-2015, y QuickAnswers.io, un motor de respuestas a preguntas que utilizaba una técnica —normalizar consultas, realizar búsquedas web, extraer fragmentos relevantes y pasarlos a un modelo de lenguaje LSTM— que más tarde se denominaría Generación Aumentada por Recuperación (RAG). Ambos proyectos reflejaron un interés temprano en sistemas que ayudan a las personas a aprender y obtener mayor capacidad de acción, un tema que reaparecería a lo largo de su carrera.

Carrera

Google (2015-2024)

En 2015, Chollet comenzó a trabajar en Google poco después de lanzar Keras. Se desempeñó como Ingeniero Senior de Planta, con la responsabilidad principal de Keras, además de contribuir a TensorFlow y a proyectos de investigación más amplios de Google Brain.

Keras. Lanzado el 27 de marzo de 2015, Keras fue diseñado como una API de redes neuronales de alto nivel centrada en el usuario. Su filosofía explícita —que el diseño de APIs es una forma de diseño de UX, y que el tiempo y la carga cognitiva de los desarrolladores importan— lo convirtió en la capa de introducción dominante para profesionales e investigadores del aprendizaje profundo en un momento en que la interfaz de bajo nivel de TensorFlow era una barrera de entrada significativa. Keras fue adoptado posteriormente como la API de alto nivel oficial de TensorFlow y ha impulsado el desarrollo de IA en empresas como YouTube, Waymo, Spotify, Uber y Netflix. Con Keras 3 (2023), se volvió independiente del backend, compatible con TensorFlow, JAX y PyTorch.

Xception. Su artículo de 2016 Xception: Deep Learning with Depthwise Separable Convolutions, publicado en CVPR 2017, propuso reemplazar las capas convolucionales estándar con convoluciones separables en profundidad —una idea que había estado implícita en las arquitecturas Inception pero que Chollet formalizó y llevó a su conclusión lógica. El artículo se encuentra entre los diez más citados en las actas de CVPR, con más de 18 000 citas, e influyó en arquitecturas posteriores como MobileNet y EfficientNet.

Investigación en razonamiento formal. Junto con el trabajo en frameworks, Chollet contribuyó al programa de Google sobre aprendizaje profundo aplicado al razonamiento matemático, incluyendo DeepMath (NeurIPS 2016, con Alemi, Szegedy et al.) sobre selección de premisas para demostración de teoremas, y HolStep (ICLR 2017, con Kaliszyk y Szegedy), un conjunto de datos de aprendizaje automático para lógica de orden superior. También fue coautor de un trabajo sobre convoluciones separables en profundidad para traducción automática neuronal (ICLR 2017, con Kaiser y Gomez) y contribuyó a la biblioteca Tensor2Tensor.

Punto de referencia ARC-AGI. En 2019, Chollet publicó On the Measure of Intelligence (arXiv 1911.01547), un artículo teórico que formalizó una definición de inteligencia como eficiencia en la adquisición de habilidades en tareas novedosas, e introdujo el Corpus de Abstracción y Razonamiento (ARC-AGI) como un punto de referencia. ARC-AGI se centra en la inteligencia fluida —la capacidad de razonar y resolver problemas novedosos— en lugar de la inteligencia cristalizada basada en el conocimiento acumulado, y se restringe a los conocimientos previos básicos presentes en todos los humanos desde el desarrollo temprano. El punto de referencia fue diseñado específicamente para ser fácil para los humanos y difícil para los sistemas de IA que dependen de la interpolación sobre datos de entrenamiento.

En 2024, Chollet lanzó ARC Prize, una competencia de 1 millón de dólares para resolver el punto de referencia ARC-AGI. La competencia atrajo una atención significativa cuando el modelo o3 de OpenAI alcanzó alrededor del 87% en ARC-AGI-1 con alto cómputo, lo cual Chollet reconoció como un avance significativo coherente con la dirección de búsqueda de programas que él había estado defendiendo. La serie ARC Prize desde entonces se ha expandido a ARC-AGI-2 y ARC-AGI-3, iteraciones progresivamente más difíciles.

Chollet dejó Google en noviembre de 2024 después de más de 9 años.

Ndea / ARC Prize Foundation (2025-presente)

En enero de 2025, Chollet cofundó Ndea con Mike Knoop, cofundador de Zapier, como un nuevo laboratorio de investigación de IA con el objetivo declarado de construir AGI mediante síntesis de programas guiada por aprendizaje profundo. El nombre Ndea se inspira en los conceptos griegos de comprensión intuitiva (ennoia) y razonamiento lógico (dianoia), reflejando su enfoque técnico dual. Ndea es completamente remoto y está reuniendo lo que describe como un equipo de investigación de síntesis de programas de clase mundial. A principios de 2025, Chollet también expandió ARC Prize a una fundación sin fines de lucro completa para guiar y acelerar el progreso de la investigación hacia la AGI.

Contribuciones clave

  • Keras — Creó y lideró el framework de aprendizaje profundo en Python lanzado en marzo de 2015, ahora una de las bibliotecas de aprendizaje profundo más utilizadas a nivel mundial. Su filosofía centrada en el usuario y en la API estableció un nuevo estándar para la accesibilidad de las herramientas de ML. Keras 3 lo extendió para ser compatible con los backends de TensorFlow, JAX y PyTorch.

  • Xception: Deep Learning with Depthwise Separable Convolutions (CVPR 2017) — Entre los diez artículos más citados en las actas de CVPR, con más de 18 000 citas. Formalizó el principio arquitectónico subyacente a muchas de las redes convolucionales más eficientes de la década siguiente.

  • Punto de referencia ARC-AGI (On the Measure of Intelligence, arXiv 2019) — Propuso una definición rigurosa y operativa de inteligencia como eficiencia en la adquisición de habilidades, e introdujo el conjunto de tareas ARC-AGI como instrumento de medición. Se ha convertido en el punto de referencia de facto para evaluar el razonamiento de propósito general en sistemas de IA.

  • ARC Prize (2024-presente) — Una competencia de 1 millón de dólares lanzada en 2024 para acelerar el progreso abierto en ARC-AGI, posteriormente expandida a una fundación (ARC Prize Foundation) y una serie evolutiva de puntos de referencia (ARC-AGI-1, 2, 3).

  • Deep Learning with Python (Manning, 2017; 2.ª ed. 2021; 3.ª ed. 2025) — Vendió más de 100 000 copias y fue traducido a al menos doce idiomas; uno de los libros de texto introductorios más leídos en el campo.

  • DeepMath (NeurIPS 2016) — Coautor con Alemi, Szegedy et al.; aplicó modelos de secuencias profundas a la selección de premisas para la demostración formal de teoremas, una demostración temprana del aprendizaje profundo en tareas de razonamiento matemático.

  • HolStep (ICLR 2017) — Coautor con Kaliszyk y Szegedy; introdujo un conjunto de datos a gran escala para la investigación en aprendizaje automático sobre la demostración de teoremas en lógica de orden superior.

  • QuickAnswers.io (2014, retirado) — Un prototipo temprano de generación aumentada por recuperación (RAG) construido años antes de que se acuñara el término, que normalizaba las consultas de los usuarios, recuperaba fragmentos web y generaba respuestas contextuales a través de un modelo de lenguaje LSTM.

  • Keras Tuner — Biblioteca de código abierto para la optimización de hiperparámetros de Keras, lanzada en 2019, que simplifica la búsqueda de arquitecturas neuronales para profesionales.

Premios y reconocimientos

  • TIME100 AI (2024) — Nombrado por TIME como una de las 100 personas más influyentes en IA.
  • Global Swiss AI Award (diciembre de 2021) — Otorgado por avances en IA.
  • Citas de Google Scholar — Más de 73 000 citas totales en todas las publicaciones.
  • Artículos más citados de CVPR (top 10) — Xception se encuentra entre los diez artículos más citados en la historia de CVPR.
  • Adopción de Keras — El framework se utiliza en producción por grandes empresas y ha sido la herramienta preferida para enseñar aprendizaje profundo en cientos de cursos universitarios en todo el mundo.

Relaciones clave

  • Mike Knoop — Cofundador de Ndea y ARC Prize; cofundador de Zapier que aporta experiencia en construcción de sistemas y productos a la empresa.
  • Christian Szegedy — Colaborador frecuente en investigación en Google sobre razonamiento formal, demostración de teoremas y los fundamentos matemáticos del aprendizaje profundo (DeepMath, HolStep).
  • Łukasz Kaiser — Coautor en convoluciones separables en profundidad para traducción automática neuronal y la biblioteca Tensor2Tensor.
  • J. J. Allaire — Coautor de Deep Learning with R (Manning, 2018); la colaboración extendió la misión educativa de Chollet a la comunidad de computación estadística del lenguaje R.
  • Jeff Dean — Como jefe de Google Brain, impulsó la integración de Keras como la API de alto nivel oficial de TensorFlow, amplificando sustancialmente el alcance de Keras.
  • Lex Fridman — Presentó dos conversaciones extensas con Chollet (2019, 2020) que expusieron su pensamiento sobre los límites del aprendizaje profundo y la naturaleza de la inteligencia a un amplio público.
  • Elizabeth Spelke — Psicóloga del desarrollo de Harvard cuya teoría del Conocimiento Básico sobre los priores cognitivos innatos informa directamente la filosofía de diseño de ARC-AGI, citada explícitamente en la justificación del punto de referencia.

Estilo personal

Chollet es un ensayista inusualmente fundamentado en un campo a menudo dominado por la búsqueda de puntos de referencia y anuncios de productos: ensayos como «Las limitaciones del aprendizaje profundo» (2017), «La improbabilidad de la explosión de inteligencia» (2017) y «Lo que me preocupa de la IA» (2018) plantearon posiciones claras, a menudo contrarias, años antes de que los debates que anticipaban se volvieran mainstream. Su escritura técnica es precisa y filosófica en igual medida, fundamentando preguntas abstractas sobre la inteligencia en definiciones operativas concretas. En el discurso público, aboga constantemente por la democratización de las herramientas de IA —un valor literalmente incorporado en el diseño de Keras— y ha sido crítico con la concentración del poder de la IA en las grandes empresas tecnológicas. Crea música (en SoundCloud) y arte visual, intereses que acompañan su trabajo técnico en lugar de estar separados de él, y que informan su visión de que la inteligencia, la creatividad y la generalización están más profundamente relacionadas de lo que sugiere el rendimiento en puntos de referencia estrechos.

Referencias