Los galardonados con el premio Turing republicaron métodos e ideas clave sin dar crédito
La afirmación de larga data de un investigador de IA de que ganadores del premio Turing republicaron ideas clave del deep learning —como versiones tempranas de GANs, mecanismos de atención y análisis de gradientes que desaparecen— sin citar su trabajo ha reavivado el debate sobre plagio y crédito en machine learning. Los comentaristas están profundamente divididos entre verlo como un pionero infravalorado o como un chiflado autoengrandecido, pero muchos coinciden en que las prácticas de citación son inconsistentes, que el trabajo antiguo a menudo se ignora y que el campo tiene un problema más amplio y aún no resuelto para asignar el crédito científico de forma justa.
Percepciones sobre el autor del artículo
- Muchos comentaristas dicen que adivinaron de inmediato quién escribió el texto, lo que refleja su fuerte asociación con disputas públicas sobre prioridad.
- Varios lo describen como autoengrandecido, un “troll de patentes académico” o una broma recurrente en el campo, eclipsando el respeto por su trabajo históricamente importante y su laboratorio influyente.
- Otros lo defienden como un gran contribuyente temprano al deep learning cuyo trabajo sustenta sistemas que la gente usa a diario, y sostienen que su reputación ha sido distorsionada por las redes sociales y por personalidades del otro lado de la disputa.
- Algunos expresan simpatía: creen que fue poco reconocido y que se volvió cada vez más amargado y combativo como resultado.
Acusaciones de prioridad y plagio
- El artículo enumera varios casos en los que el autor afirma que métodos clave (por ejemplo, entrenamiento adversario, análisis de gradientes que desaparecen, mecanismos de atención, metalearning, distillation, RNN con compuertas, preentrenamiento) se publicaron en su grupo años antes de trabajos posteriores de alto perfil de galardonados con el premio Turing.
- Unos pocos comentaristas dicen que revisaron varios de estos casos (especialmente en las series “B” y “H”) y no encontraron inexactitudes fácticas obvias.
- Otros argumentan que sus formulaciones anteriores son vagas, amplias o solo débilmente relacionadas, y que los trabajos posteriores merecen un crédito distinto por hacer que modelos específicos fueran efectivos y ampliamente aplicables.
Cultura de citación e integridad académica
- Muchos señalan que los artículos antiguos u oscuros a menudo se pasan por alto, especialmente cuando el cómputo o las herramientas los hacían imprácticos en su momento. El redescubrimiento es común, a veces entre disciplinas con terminología distinta.
- Hay una preocupación generalizada por la política de citaciones: revisores que buscan citas, figuras poderosas a las que “hay que citar”, y añadir citas solo para apaciguar a la gente, lo que devalúa las listas de referencias.
- Algunos insisten en que, independientemente de la practicidad, el trabajo original debe citarse una vez que se conoce su relevancia; no corregir el registro después se considera una infracción grave.
¿Quién merece el crédito? Ideas vs. implementaciones
- Un bando dice que el crédito pertenece principalmente a quienes hacen que las ideas funcionen en benchmarks reales y con datos reales; los bocetos abstractos “abundan”.
- Otro insiste en que los inventores y los popularizadores deberían recibir un crédito diferenciado: uno por originar el método, el otro por escalarlo y demostrarlo.
- Los comentaristas discrepan sobre si las normas actuales del machine learning reflejan realmente este principio.
Anécdotas personales y problemas más amplios de atribución de crédito
- Un investigador cuenta que el autor del artículo lo atacó públicamente por supuestamente no citarlo, aunque su artículo citaba trabajos anteriores, más fundamentales, que el propio autor había pasado por alto.
- Otra anécdota (sobre otro avance del deep learning en una gran empresa) describe cómo se omitió de la autoría y de los agradecimientos al originador de la idea, reforzando la afirmación de que el campo tiene un problema sistémico de asignación de crédito, no solo un individuo conflictivo.
Tono de la discusión
- El hilo está polarizado: muchos ataques ad hominem duros contra el autor del artículo, mezclados con defensas que ponen énfasis en el debido proceso y en verificar cuidadosamente los hechos.
- Algunos participantes critican la discusión en sí como poco científica y emocionalmente motivada, y advierten contra descartar las acusaciones de plagio solo porque quien las presenta es impopular.