Búsqueda · 27 momentos en 12 episodios
María RibesAlberto ApariciJuan Carlos GilIgnacio CrespoFrancis VillatoroHéctor SocasLuisa AchaerandioPushmeet Kohli · DeepMindThore Graepel · DeepMindalfago domina el juego goárboles de evaluación alfagoia evalúa posiciones en goAlfagoAlberto Apariciárbol de Monte CarloHéctor SocasAlphaGoLee SedolFrancis VillatoroAlphaCeroMonte CarloMaríaÁrbol Monte CarloIgnacio CrespoLissedoljuego de GoJuan Carlos GilJapónChinaCoreaEstados UnidosAustraliaEuropa
Árboles de evaluación Alfago
Con
0:000:301:001:302:002:303:003:33
Alberto Aparici reconoce su falta de habilidad para estimar el desarrollo de una partida de Go con precisión, comparándola con la capacidad que tienen los profesionales y las IA como Alfago.
…va la partida, hay toda una serie de reglitas para saber más o menos cuántos puntos tienes. Bueno, asumiendo que esta zona es mía, asumiendo que esta zona es de él, no sé cuántos, y te vas haciendo una idea de cómo va el tanteo. Yo no soy muy bueno en eso. Tampoco, es otro de mis puntos débiles, digamos, pero vamos, que un profesional puede decir: "Creo que va a ganar por una piedra", blancas, y tú dices: "Vale, ok, este nivel de precisión yo no lo tengo, y Alfago sí lo tiene, obviamente, gracias a estos árboles de evaluación y tal que utilizaba una, una IA; utilizaba dos como nos han contado en la entrevista, una de ellas era para evaluar la posición, eso me dejó fascinado. Claro, porque es La gran dificultad del GO, la gran dificultad del GO es de un solo golpe de vista saber de qué te tienes que preocupar. Me tengo que preocupar de que estoy perdiendo el centro, me tengo que preocupar de que estoy perdiendo el lado; es que eso es muy…
Significado #1 · Palabras #1
Alberto Aparici explica cómo se realizó una primera prueba con AlphaGo, enfrentándolo al campeón de Europa, y contextualiza el nivel del campeonato europeo en comparación con las potencias tradicionales en el juego de Go.
Habla: Alberto ApariciPalabras #16alfago contra campeón europago china japón coreajapon capa caída gocampeón europeo segunda categoría go…el tablero, tú puedes jugar en cualquier casilla que no esté llena; por lo tanto, el número de jugadas es muy grande. Esto lo explicará Greppel en la entrevista y, por añadir una cosa más, simplemente hablamos bastante en la entrevista de la famosa jugada 37. El alfago costó un tiempo estar seguros de que era tan fuerte como a día de hoy sabemos que es. Hicieron una primera prueba haciéndole jugar contra el campeón de Europa. Para los oyentes que no sepan mucho de Go, los países fuertes en Go son China, Japón y Corea. En los últimos 20 años han sido más Corea y China que Japón. Japón lleva unos 30 años, un poquito de capa caída. Entonces los países fuertes son esos, pero hay también buenos jugadores en Estados Unidos; hay también buenos jugadores en Australia, menos, y en Europa también un poco menos. Con lo que el campeón europeo en principio es un jugador de segunda categoría, no es un jugador de los buenos buenos. Entonces la gente de Alfago jugó primero contra este campeón. europeo y Alfago le consiguió ganar en una serie de 10 partidas, si no recuerdo mal, le ganó 10 a 0 y una vez tuvieron esa prueba preliminar hecha, dijeron, vale, ya podemos dar el salto a jugar contra un jugador de los de primera categoría y entonces…
Alberto Aparici analiza una jugada controvertida del segundo enfrentamiento entre Lee Sedol y AlphaGo, explicando cómo los comentaristas la consideraron un error debido a su falta de invasión o dominio del centro.
Habla: Alberto ApariciPalabras #5error lee sedol contra alfagojugada controvertida alfago centrolee sedol fumando durante partidaalfago análisis 12 minutos…jugando con gente muy muy buena, hacer una jugada que a priori no es óptima es como en plan de, buf, te va a ir mal Te va a ir mal porque van a aprovechar el carácter no óptimo de esta jugada para ganarte, ¿vale? Y eso es lo que ellos querían decir con error Todos dijeron, esta jugada no puede estar bien, porque efectivamente no estás invadiéndole, pero tampoco estás dominando el centro ¿Qué estás haciendo exactamente? En cambio, Lissedol, que había perdido ya una partida contra Alfago, estaba fumando en ese momento Estaba fumando en el exterior y cuando volvió de fumar y vio la jugada de Alfago, el tío se pasó 12 minutos pensando que no es lo que haces cuando hay un error evidente. Cuando hay un error evidente te aprovechas, dices vale pues juego aquí y se acabó, me aprovecho de este error. No, no, no. Él vio la jugada y dijo, ostras, ¿qué está intentando hacer? Y luego lo dijo que le había parecido una jugada súper interesante y por…
Alberto Aparici explica cómo AlphaGo realizó una jugada lógica en la quinta fila para avanzar hacia el centro del tablero, aprovechando piedras previamente colocadas en la esquina inferior izquierda.
Habla: Alberto ApariciSignificado #18alfago quinta fila centro tableropiedras esquina inferior izquierda alfagojugada tablero completo go…con error; con un tablero tan vacío, nada te condena inmediatamente, pero sí que es verdad que a priori si se juega como casi todos los humanos juegan, hay jugadas que te dejan en una pequeña desventaja. Pues esa era la jugada 37 al final, lo que resultó. Es que Alfago estaba haciendo lo que es lógico con una jugada en la quinta fila, que es jugar hacia el centro; él tenía toda una serie de piedras en la esquina inferior izquierda y a la hora de desarrollarlas, esas piedras que colocó a la derecha terminaron rimando con todo aquello e hicieron una jugada de tablero completo, que son las buenas en Go. Claro, los humanos no somos buenos jugando con muchas opciones. Nos gusta más jugar en la esquina; las esquinas pues está todo mucho más claro. Alfagó en ese caso estaba jugando a tablero completo y al final esas piedras que colocó en la derecha fueron importantes para la esquina inferior izquierda, y de ahí la…
Alberto Aparici interrumpe para expresar su opinión sobre el estado mental de Lee Sedol durante su enfrentamiento con AlphaGo, sugiriendo que estaba anticipando los movimientos del programa.
Habla: Alberto ApariciPalabras #6lissedol anticipa movimientos alfagoestado mental lissedol alpha goalfago programa inteligencia artificiallapsedol por delante humanidad…un error evidente nos habría pasado 12 minutos pensando, habría pensado dos segundos. Y habría dicho, vale, me aprovecho. Bueno, para todos se refería a comentaristas y aficionados, ¿no? No creo que para el gran experto Lissedol que estaba jugando la partida. Mi sensación, Héctor, perdona que te interrumpa, es que Lissedol iba un paso por delante del resto de la humanidad. Porque Lissedol se había enfrentado a Alfago y había perdido, y ya no estaba pensando que Alfago en un momento dado se iba a equivocar. Lisa Edelstein estaba pensando: me la quiere clavar, y quiero saber cómo me la quiere clavar. Iba un pasito por delante del resto de la humanidad. Eso es, exactamente. Bueno, dices que tenemos mucho tiempo, pero quiero poner la entrevista en la cara y se nos va acabando. Me gustaría rápidamente decir quiénes son nuestros entrevistados, quizá Juan Carlos; bueno, pero primero, no sé si María nos puede decir cómo se pronuncian…
Ignacio Crespo explica las características que hacen al juego de Go tan complejo, comparándolo con un árbol invertido donde cada rama representa una posible jugada.
Significado #6 · Palabras #15go como un árbol invertidovariaciones del juego goancho del árbol movimientos goprofundidad del árbol duración goestructura combinatoria juego óptimo…muchos movimientos posibles que puedes hacer. Por ejemplo, al principio el tablero está vacío y tienes 361 movimientos diferentes que puedes hacer y luego el oponente tiene 360 movimientos y así sucesivamente. Y la segunda cosa es que los juegos también son extremadamente largos. Así que toman 200, 300 jugadas y esas dos cosas juntas son las que determinan cuán complejo es el juego. Y la imagen que tenemos en nuestra mente, la que nos viene a la cabeza, es la de un árbol de juego. Imaginen un árbol invertido en cuya raíz tienen la posición inicial, la que está vacía, y luego todas las diferentes variaciones, todos los diferentes juegos se van ramificando a partir de ahí. Y el número de movimientos en cualquier posición dada es el ancho del árbol porque puedes tener todos esos posibles primeros movimientos por ejemplo y luego la duración del juego es la profundidad de este árbol. Y bueno sabes eso genera una estructura combinatoria realmente enorme y si quieres jugar de forma óptima prácticamente tienes que recorrer toda esa estructura. Y entonces la gran pregunta que nuestro trabajo con AlphaGo fue capaz de responder es: ¿cómo reducir ese espacio de búsqueda? De modo que ahora, aunque seguimos buscando una aguja en un pajar, la estamos buscando en un pajar mucho más pequeño. Y todo esto se…
Francis Villatoro explica cómo AlphaGo utiliza dos redes neuronales, la red de política y la red de valor, para reducir el espacio de búsqueda al imitar la capacidad humana de identificar movimientos prometedores.
Significado #12red política imita jugadores humanosalphago reduce espacio búsqueda redes neuronalesentrenamiento red política partidas expertosmovimientos prometedores según alphago…AlphaGo fue capaz de responder es: ¿cómo reducir ese espacio de búsqueda? De modo que ahora, aunque seguimos buscando una aguja en un pajar, la estamos buscando en un pajar mucho más pequeño. Y todo esto se lleva a cabo con la asistencia de redes neuronales. En este escenario hay dos redes neuronales que AlphaGo empleó; a una de ellas la conocemos como la red de política y a la otra la identificamos como la red de valor. La red de políticas es la que imita la capacidad de los humanos de observar el tablero y seleccionar los movimientos que parecen más prometedores. Fue entrenada con muchísimas partidas de expertos humanos y le permite a la red neuronal decir, oh, sabes, no voy a analizar todos los movimientos posibles; solo me voy a fijar en aquellos movimientos que me saltan a la vista, que destacan, justo como lo harían para un jugador humano de Go como tú mismo y lo que eso hace es que el árbol se vuelva más estrecho porque estos son todos los movimientos, pero ahora solo estamos considerando una pequeña selección de movimientos en cada etapa y eso es muy útil. La red de valor resulta muy útil, ya que normalmente tendríamos que analizar todas las variaciones hasta el mismísimo final, porque solo entonces sabríamos si el bando negro o el blanco ha ganado la partida. Pero la red de valor nos brinda la capacidad de…
Alberto Aparici y Francis Villatoro comentan el décimo aniversario del segundo juego entre AlphaGo y Lee Sedol, un momento histórico para AlphaGo. Se dirige a ellos como 'entrenadores' de AlphaGo para preguntarles cómo se prepararon para la serie y qué esperaban del resultado.
Habla: Alberto ApariciSignificado #8 · Palabras #3búsqueda en árbol monte carloalphago contra lee sedol momento históricoentrenadores de alphago preparación serie…datos de partidas utilizando técnicas de aprendizaje automático. Y así la función principal de estas dos redes neuronales consiste en reducir significativamente el tamaño de este inmenso árbol de juego combinatorio, y luego existe otra técnica muy específica. conocida como búsqueda en árbol Monte Carlo que nos permite de una manera muy eficiente explorar y analizar las ramas restantes del árbol. Gracias, muy interesante. Así que hoy es exactamente el décimo aniversario del segundo juego, creo, de AlphaGo contra Lee Sedol y esa serie, AlphaGo contra Lee Sedol, es, podría decirse, el momento histórico para AlphaGo. Así que quería preguntarles, ustedes fueron de alguna manera los entrenadores, digamos, de Álfago Entonces, ¿cómo se prepararon para una serie de este tipo y esperaban el resultado? Que fue realmente asombroso Sí, así que la verdad es que sí requirió muchísima preparación, ¿sabes? Al principio el sistema era muy, muy, muy primitivo y no funcionaba del todo bien, aunque me ganó en mi primer día de trabajo cuando lo probé. Y luego lo fuimos desarrollando cada vez más…
Ignacio Crespo reflexiona sobre cómo AlphaGo seleccionó movimientos creativos en partidas de Go, destacando la combinación entre intuición y análisis exhaustivo de datos.
Habla: Ignacio CrespoSignificado #4alphago movimientos creativos gointuición análisis exhaustivo alphagoárbol de juego alphago…probables y por eso debió seguir estando en la selección y luego, claro, fue la parte de búsqueda lo que lo impulsó, ¿verdad? De alguna manera, las consecuencias de los movimientos, tal como fueron identificadas por el algoritmo de búsqueda de Árbol Monte. Carlo, resultaron tan prometedoras para el sistema que finalmente lo seleccionó. Y creo que eso nos dice algo sobre cómo funciona este proceso creativo, ¿verdad? Es la combinación de la intuición, de ese presentimiento y así sucesivamente junto con el análisis de datos, el revisar realmente todas las variaciones posibles, la búsqueda exhaustiva en el árbol de juego y fue verdaderamente creativo. Yo creo, si consideramos una interpretación razonable de lo que es la creatividad, entendiéndola como algo novedoso, como algo efectivo y como algo sorprendente, realmente lo fue; y en particular porque rompió ciertas reglas generales que los jugadores habían…
Alberto Aparici reconoce su falta de habilidad para estimar el desarrollo de una partida de Go con precisión, comparándola con la capacidad que tienen los profesionales y las IA como Alfago.
Habla: Alberto ApariciSignificado #1 · Palabras #1alfago domina el juego goárboles de evaluación alfagoia evalúa posiciones en go…va la partida, hay toda una serie de reglitas para saber más o menos cuántos puntos tienes. Bueno, asumiendo que esta zona es mía, asumiendo que esta zona es de él, no sé cuántos, y te vas haciendo una idea de cómo va el tanteo. Yo no soy muy bueno en eso. Tampoco, es otro de mis puntos débiles, digamos, pero vamos, que un profesional puede decir: "Creo que va a ganar por una piedra", blancas, y tú dices: "Vale, ok, este nivel de precisión yo no lo tengo, y Alfago sí lo tiene, obviamente, gracias a estos árboles de evaluación y tal que utilizaba una, una IA; utilizaba dos como nos han contado en la entrevista, una de ellas era para evaluar la posición, eso me dejó fascinado. Claro, porque es La gran dificultad del GO, la gran dificultad del GO es de un solo golpe de vista saber de qué te tienes que preocupar. Me tengo que preocupar de que estoy perdiendo el centro, me tengo que preocupar de que estoy perdiendo el lado; es que eso es muy…
Juan Carlos Gil, junto con Héctor Socas, reflexiona sobre el desarrollo de AlphaGo y su capacidad para evaluar el progreso en una partida de Go. Se plantea la pregunta de por qué AlphaFold se aplicó al plegamiento de proteínas.
Habla: Juan Carlos GilSignificado #7alphago evaluación progreso partida goalfafol plegamiento proteínas criterio fundamentalimpacto humanidad alfafol problema científico…que tiene más piezas y el que tiene más o menos el centro del tablero tiene mayor densidad de piezas por el centro del tablero va ganando, salvo que veas que uno tiene el rey acorralado; hay como un par de cositas que te hacen ver quién va ganando la partida. Y claro, en Go debe ser mucho más complicado eso. Y yo creo que uno de los grandes éxitos para poder desarrollar AlphaGo fue poder desarrollar algo que te permite evaluar cuánto de bien lo estás haciendo. Pero llevando la conversación, saliendo un poco del go, que es muy interesante, pero esto es un podcast de ciencia, ¿por qué abordaron con alfafol el plegamiento de proteínas? Pues uno de los criterios fundamentales, no solo por el absurdo impacto que puede tener en la humanidad, que si queréis lo discutimos, obviamente, sino porque tenían contra qué comparar, y eso no se da en muchos problemas científicos existían decenas de miles de Proteínas cuya estructura había sido ya determinada con mucho dolor mediante técnicas que a menudo llevaban decenas de años y que estaban disponibles en una base de datos accesible, el PDB, el Protein Data Bank, donde pone la secuencia de aminoácidos y la…
Héctor Socas expresa su sorpresa y decepción con respecto a la estructura interna de AlphaGo, señalando que consta de tres componentes principales: dos redes neuronales y un árbol de Monte Carlo.
Habla: Héctor SocasSignificado #2 · Palabras #2árbol de monte carlo en alfagodecepción héctor socas alphagoredes neuronales policy value alphagodiseño humano detrás de alphagoárbol de decisiones en alphago…a futuro, pero muchísimos otros problemas. Eso no es así y ese es el primer tipo de los problemas, es los que alfa cero y sus descendientes han dominado claramente y en el segundo tipo de problemas es donde empezamos a ver avances en los últimos años. Yo quería comentar una de las cosas que para mí fueron más llamativas de la entrevista y que para mí fue un poco una decepción, que es que explicaron que realmente alfago es un sistema que tiene tres componentes principales, ¿no? tiene dos redes neuronales y tiene un árbol de jugados, un árbol de Monte Carlo. Digo que para mí fue un poco una decepción porque yo pensaba en su momento cuando se hablaba de esto y en medio de todo el "hype" se decía que este era un sistema que, por primera vez desde cero, había aprendido a jugar este juego tan complejo. Entonces yo, desde cero, entendía que esto era: habían hecho una red neuronal, habían puesto a jugar partidas y había aprendido; pero en cambio no, hay algo de diseño humano detrás, o sea, un humano ha decidido que hay que tener dos redes neuronales, una la de "policy", otra la de "value", que tiene que haber un árbol, o sea, que no era simplemente crear una red muy grande y ponerla a jugar; entonces, que realmente eso es un poco por donde va. al facero Claro, ese es Alpha Zero, exactamente, que vino después y el cero viene de ahí, de empezar casi que de primeros principios. Entonces, AlphaGo no está diseñado de primeros principios, sino que hay un poco de diseño, o sea, hay diseño inteligente…
Francis Villatoro explica cómo AlphaGo, al incorporar un árbol de Monte Carlo, se vio limitado en su potencial, lo que llevó a la creación de AlphaCero.
Habla: Francis VillatoroSignificado #3árbol monte carlo alpha goalpha cero superó alpha gointeligencia artificial profundidad juegos…AlphaGo no está diseñado de primeros principios, sino que hay un poco de diseño, o sea, hay diseño inteligente detrás de AlphaGo. La componente de Monte Carlo es la contribución humana, es decir, el conocimiento humano estaba básicamente en el modelo de Monte Carlo, y eso fue el gran lastre de AlphaGo, y por eso cuando eliminaron ese lastre, AlphaCero ya pudo ser mucho más potente que AlphaGo, ¿no? Pero se pensaba que era un juego tan difícil que si no ponías un árbol de Monte Carlo como se había hecho toda la vida para hacer juegos parecía como que la inteligencia artificial no iba a ser capaz de profundizar más y eso es una cosa que me gustaría ya que está aquí María y es un tema interesante. Conectarlo con el lenguaje natural de toda la vida en inteligencia artificial se ha dicho que el lenguaje natural era tan ambiguo, tan complicado. Todo el conocimiento de los filólogos sobre el lenguaje, el análisis ortosintáctico es trivial. El análisis…