AMI Labs y JEPA: la apuesta de LeCun por World Models frente a los LLMs
El 19 de diciembre de 2025, Yann LeCun confirmó lo que el sector llevaba meses especulando: lanzó una nueva empresa dedicada al desarrollo de world models. La startup, identificada como AMI Labs, busca una valoración superior a los $5 mil millones. LeCun no ocupará el cargo de CEO. Lo que sí llevará es la tesis técnica que ha defendido públicamente desde 2022: los LLMs no pueden razonar, y el futuro de la inteligencia artificial pasa por arquitecturas que aprendan modelos del mundo físico.
"Los LLMs generan texto estadísticamente plausible. No entienden el mundo. No pueden planificar. No pueden aprender como aprenden los animales — a partir de la observación del mundo físico. Una máquina que solo predice el siguiente token nunca alcanzará inteligencia de nivel humano." — Yann LeCun, A Path Towards Autonomous Machine Intelligence (2022)
Las tres limitaciones estructurales de los LLMs
La posición de LeCun no es nueva. Desde su paper de 2022 argumenta que los LLMs presentan tres limitaciones que ningún escalado puede resolver. No son limitaciones de datos, ni de parámetros, ni de cómputo — son limitaciones de paradigma.
Sin modelo del mundo
Un LLM predice el siguiente token en una secuencia. No mantiene ningún estado interno del mundo. No "sabe" que los objetos caen, que las puertas se abren o que el fuego quema — solo ha visto esas frases juntas muchas veces.
Sin planificación continua
Los LLMs operan en espacios discretos de tokens. Los entornos físicos y de decisión son continuos: (s, a) ∈ S × A. La cadena de pensamiento simula planificación pero no puede navegar espacios de estado continuos ni optimizar trayectorias con restricciones dinámicas.
Correlación ≠ causalidad
El pretraining por predicción de tokens maximiza coherencia estadística, no comprensión causal. Un modelo puede responder correctamente "si suelto la pelota cae" sin haber aprendido ningún mecanismo causal — solo co-ocurrencia de texto en billones de documentos.
JEPA → W-JEPA
Joint Embedding Predictive Architecture no genera en el espacio de observación. Aprende representaciones abstractas y predice estados futuros en ese espacio — lo que habilita planificación multi-paso, razonamiento causal y comprensión física sin necesidad de producir píxeles ni tokens.
Arquitectura JEPA: la matemática del paradigma
La intuición central de JEPA es minimizar distancias en espacio de representaciones, no reconstruir señales. El encoder aprende a comprimir x en s_x — eliminando detalles perceptuales irrelevantes. El predictor aprende a predecir s_y a partir de s_x. La clave: nunca se reconstruye y en el espacio de píxeles o tokens.
Inferencia: LLM vs. W-JEPA en planificación
La diferencia operativa es crítica. Un LLM genera tokens uno a uno: cada token condiciona al siguiente pero no puede "retroceder" a modificar una decisión anterior. W-JEPA opera en un espacio de estados continuos donde el predictor puede optimizar una trayectoria completa antes de ejecutar la primera acción — el equivalente a planificar mentalmente el recorrido antes de empezar a caminar. V-JEPA 2 ya demostró razonamiento físico emergente (predicción de péndulos, caídas, colisiones) sin supervisión explícita de física — solo como consecuencia de predecir en espacio latente.
La familia JEPA: de imagen a mundo físico
JEPA vs LLMs vs Modelos de Difusión: análisis comparativo
| Dimensión | JEPA / W-JEPA | LLM (GPT / Claude) | Difusión (Sora / DALL·E) |
|---|---|---|---|
| Objetivo de entrenamiento | Predecir representaciones (embedding space) | Predecir token siguiente (max log-likelihood) | Reconstruir señal completa (denoising) |
| Espacio de operación | Continuo (latente) | Discreto (vocabulario) | Continuo (píxeles) |
| Razonamiento causal | Estructural — en la arquitectura | Emergente — frágil, falsa-causalidad | Ausente |
| Planificación multi-paso | Nativa en espacio latente (trayectorias) | Chain of thought — sin estado continuo | No aplica |
| Eficiencia de muestra | Alta — 2-6× vs. difusión (V-JEPA 2) | Baja — escala (trillones de tokens) compensa | Media |
| Física integrada | Objetivo central de W-JEPA | No — correlación lingüística de física | Parcial (apariencia, no mecánica) |
| Aplicaciones naturales | Robótica, simulación, control autónomo | NLP, código, razonamiento simbólico | Generación de contenido |
AMI Labs: estructura y contexto del spinout
No será CEO
El patrón clásico de spinout científico: el fundador técnico lidera la visión, un operador externo gestiona la empresa. LeCun aporta la tesis; otro ejecutivo la convierte en negocio.
Meta FAIR
I-JEPA y V-JEPA fueron desarrollados en Meta FAIR. Las aplicaciones de W-JEPA (robótica, hardware-in-the-loop) no encajan en el modelo de negocio publicitario de Meta — de ahí el spinout.
$5B+
Una ronda de este tamaño implica respaldo de fondos tier-1. La apuesta: que W-JEPA puede entrenarse con eficiencia comparable a LLMs actuales en dominios donde los LLMs tienen límites estructurales.
19 dic. 2025
Descrito por la prensa como "el secreto peor guardado del mundo tech." La especulación del sector anticipó el anuncio por meses — lo que confirma que el interés de capital fue anterior a la confirmación pública.
Stack de producción para W-JEPA: arquitectura de referencia
Cronología: de JEPA a AMI Labs
Conclusiones clave
- JEPA no genera: predice distancias en espacio de representaciones abstractas. Elimina la reconstrucción de detalles perceptuales irrelevantes y logra eficiencia de muestra 2-6× superior a modelos de difusión equivalentes (V-JEPA 2).
- Las tres limitaciones estructurales de los LLMs son de paradigma, no de escala: sin modelo del mundo, sin planificación en espacios continuos, correlación estadística en lugar de causalidad. Ningún escalado en parámetros o tokens las resuelve.
- V-JEPA 2 demostró razonamiento físico emergente (péndulos, caídas, colisiones) sin supervisión explícita de física — validando que predecir en espacio latente es suficiente para aprender mecánica.
- AMI Labs busca $5B+ con LeCun como chief scientist (no CEO). El spinout de Meta FAIR es natural: W-JEPA para robótica y hardware-in-the-loop es incompatible con el modelo de negocio publicitario de Meta.
- Para sistemas de decisión en producción, W-JEPA habilita lo que los LLMs no pueden: trayectorias latentes multi-paso, simulación de consecuencias y razonamiento contrafáctico en espacios de estado continuos.