AlexNet es una red convolucional de ocho capas que clasifica fotografías en mil categorías. Su victoria en el concurso ImageNet de 2012 suele tomarse como el comienzo del auge del aprendizaje profundo (Buckner, 2024, p. 55; Chollet, 2021, sec. 1.2.5). Casi no inventó nada: juntó por primera vez, a la escala adecuada, ideas que esperaban desde hacía dos décadas.
Cómo funciona
La red recibe una imagen de 224 × 224 píxeles con tres canales de color y la procesa con cinco capas convolucionales y tres capas densas: unos 60 millones de parámetros y 650.000 neuronas (Krizhevsky et al., 2012). Cada capa convolucional desliza sobre la imagen un banco de filtros pequeños (96 de 11 × 11 píxeles en la primera) que responden a bordes, orientaciones o manchas de color; una rectificación deja pasar solo lo detectado y el pooling resume cada vecindario con su valor máximo. Buckner (2024) llama a esta secuencia un «abstraction sandwich», apilado una y otra vez (2024, p. 127). Dos capas densas de 4096 unidades combinan los rasgos y una softmax reparte la probabilidad entre las mil clases.
Los autores destacan varios recursos (Krizhevsky et al., 2012, secs. 3–4):
- ReLU: la función de activación max(0, x), con la que la red entrenaba varias veces más rápido que con tanh.
- Dos GPU: la red no cabía en los 3 GB de una GTX 580, así que se repartió en dos tarjetas que solo se comunican en algunas capas.
- Aumento de datos: recortes y reflejos aleatorios multiplican las imágenes de entrenamiento.
- Dropout: en las dos primeras capas densas cada neurona se apaga con probabilidad 0,5 en cada paso; sin esto, la red se sobreajustaba de manera notable. Equivale a entrenar a la vez un conjunto exponencial de subredes que comparten pesos (Witten et al., 2017, p. 436).
El entrenamiento llevó entre cinco y seis días (Krizhevsky et al., 2012, sec. 5).
Qué cambió
Las piezas eran viejas: la convolución y la retropropagación se entendían bien hacia 1990 (Chollet, 2021, sec. 1.3), y Red convolucional (LeNet) ya leía dígitos manuscritos. Lo nuevo fue la escala. En 2010 y 2011, los ganadores de ImageNet, basados en máquinas de vectores de soporte y rasgos diseñados a mano, acertaban el 72 % y el 74 % con cinco intentos (M. Mitchell, 2019, ch. 5). AlexNet bajó el error top-5 a 15,3 %, contra 26,2 % del segundo puesto (Krizhevsky et al., 2012); los métodos no convolucionales parecían estancados en torno al 25 % (Witten et al., 2017, p. 439). No fue la primera red entrenada en GPU que ganaba concursos (Dan Cireşan lo hacía desde 2011), pero sí la que convenció al campo (Chollet, 2021, sec. 1.2.5).
El cambio de fondo es que los rasgos dejaron de diseñarse a mano: la red los aprende junto con el clasificador (Chollet, 2021, sec. 1.2.6). Los filtros de su primera capa resultaron selectivos a orientaciones y frecuencias (Krizhevsky et al., 2012, sec. 6.1), como las células «simples» de la corteza visual del gato descritas por Hubel y Wiesel (1962), cuyo hallazgo inspiró todo el linaje convolucional (Buckner, 2024, pp. 122–124).
Todo estaba hecho para otra cosa
Las GPU se diseñaron para videojuegos: el mercado del gaming, dice Chollet, subsidió la supercomputación de la IA (2021, sec. 1.3.1). Las etiquetas de ImageNet se obtuvieron con Amazon Mechanical Turk, un sistema creado para depurar fichas de productos duplicadas; unas 49.000 personas de 167 países trabajaron en ellas entre 2007 y 2010 (Mollick, 2026). El nombre alude a un autómata ajedrecista con un humano escondido. Poco después, Google compró la pequeña empresa de Hinton, Krizhevsky y Sutskever en una subasta que se detuvo en 44 millones de dólares (Mollick, 2026).
Límites
Un año más tarde, Szegedy y colegas mostraron que cambios imperceptibles en los píxeles hacían que AlexNet viera un avestruz donde había un colectivo escolar, y que la fragilidad afectaba también a otras redes (M. Mitchell, 2019, ch. 6). Como modelo de la visión, una red así cubre a lo sumo los primeros cien milisegundos de la percepción, sin recurrencia ni control descendente (Buckner, 2024, p. 124). Y su diseño envejeció rápido: la normalización local se abandonó y los sucesores ganaron con más profundidad, de VGG (19 capas, 7,3 %) a ResNet (152 capas, 3,6 %) (Witten et al., 2017, p. 439; He et al., 2016). Incluso la cifra de «5 % de error humano» con que se las comparaba proviene de una sola persona, Andrej Karpathy, que se entrenó con 500 imágenes (M. Mitchell, 2019, ch. 5).