Búsqueda · 37 momentos en 17 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 ApariciHéctor SocasLissedolLee SedolAlphaGoADNFrancis VillatoroIBMGoogle DeepMindPushmit Kohliárbol de Monte CarloMonte Carlocampeón de EuropaAlphaCeroMaríaDeepMindEgipto AntiguoCientófiloJuan Carlos Gil
Alfago Programa Inteligencia Artificial
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
Héctor Socas introduce los temas a tratar en el episodio, incluyendo avances en aprendizaje profundo como la victoria de AlphaGo sobre un campeón de Go, así como otros temas diversos como el embalsamamiento egipcio y experimentos con criogenización cerebral.
Habla: Héctor SocasSignificado #15alphago derrota campeón goembalsamamiento momias egipto antiguocriogenización tejido cerebralteorías conciencia debate científico…felicidad. Quizás hay una moraleja escondida en esto y la clave de la felicidad es el justo equilibrio. Buen tema para un tratado de autoayuda. Pero no estamos aquí hoy para eso, sino para tertuliar sobre la actualidad de la ciencia. Hoy nuestro recorrido nos Lleva a los orígenes del aprendizaje profundo moderno; vamos a retrotraernos 10 años a ese gran hito de DeepMind cuando su sistema AlphaGo derrotó en una partida legendaria al gran campeón humano de Go. Pero no solo de IA vive el Cientófilo, y tenemos más temas: el embalsamamiento de las momias en el Egipto Antiguo, los experimentos sobre criogenización de tejido cerebral, lo que algunos ven la antesala de la hibernación. Continuaremos el debate sobre las teorías de la conciencia y más cosas que irán surgiendo, seguro. Pasen y pónganse cómodas; que están ustedes en la compañía de Coffee Break Señal y Ruido. Ya Saben que tenemos una página web que es señalirruido.com. En esa página pueden encontrar todos los episodios anteriores, los 550 episodios que ya hemos producido contando este más todos los audios bonus, extra; también todas las referencias de los temas que…
Alberto Aparici describe la siguiente fase en las pruebas realizadas con AlphaGo, tras obtener una victoria contundente sobre el campeón europeo.
Habla: Alberto ApariciSignificado #11alfago vence al campeón europeovictoria alpha go en serie partidasprueba preliminar alpha go jugadores…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 contactaron con los Mejores jugadores de la última década y en particular consiguieron organizar una serie de cinco partidas contra Lisedol, que es el jugador más brillante de los 2000. En el momento en que la partida tuvo lugar, que es en el año 2016, Lee Sedol ya no era el…
Alberto Aparici analiza la jugada número 37 del segundo enfrentamiento entre AlphaGo y Lee Sedol, específicamente la decisión de AlphaGo de jugar en la quinta fila.
Habla: Alberto ApariciSignificado #10alfagó quinta filajugada alpha go lee sedolinterpretación humana alfagódominio centro piedra sola…popular dice: si quieres invadir, ve a la tercera, que es donde vas a tener más espacio para poder maniobrar, para poder hacer tus ojos, que son esos agujeros y todas estas cosas. Puedes ir a la cuarta, pero entonces se establece una especie de relación. De igual a igual, bueno, Alfagó eligió ir a la quinta; se fue a la quinta fila. Entonces es una jugada que los humanos no supimos interpretar en ese momento. Yo cuando la he vuelto a ver, que he vuelto a repasar la partida hoy, lo primero que me ha venido a la cabeza cuando la he visto es: ¿Qué está intentando hacer? Porque claro, si te vas a la quinta fila no estás invadiendo el territorio en el lado, pero por otro lado, si lo que quieres es como dominar el centro, una piedra sola ahí no te hace dominar el centro; entonces es una jugada complicada de interpretar a priori. Alberto, perdona que te interrumpa, yo he oído que los comentaristas incluso que retransmitían la partida lo consideraron como que era un error, como que se había equivocado Sí, pero hay que saber a qué se refieren con error en ese contexto En Go hay toda una…
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 #8alfago 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 ApariciSignificado #2 · Palabras #10lissedol 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…
Juan Carlos Gil explica que Pushmit Kohli, aunque inicialmente no formó parte del equipo central de AlphaGo en IBM, fue posteriormente reclutado por DeepMind y ahora ocupa un puesto de investigación senior en Google DeepMind.
Habla: Juan Carlos GilSignificado #12 · Palabras #7pushmit kohli investigador senior googledepmindinvestigación inteligencia artificial asuntos científicosdesarrollo alfago por pushmit kohli…en DeepMind; creo que estaba en... Perdón, es que no sabemos si es hindú, porque hindú es una religión. Ciertamente. Es de origen hindú. Bueno, pero lleva el turbante, ¿no es eso estar relacionado con la religión? Sería sí. No, sí, no, sí. Correcto, vale. Bueno, pues estaban, no sé si en IBM en aquel momento, bueno, que no estaba en DeepMind, o sea que no formó parte core del equipo de AlphaGo, sin embargo luego DeepMind le reclutó y ahora es investigador senior y vicepresidente de Research, de investigación de inteligencia artificial para asuntos científicos en Google DeepMind y entonces él sí fue parte pivotal en el desarrollo de alfago, digamos, de alfafol quería decir, perdón, sí, y de otros proyectos científicos que si tenemos tiempo comentamos, alguno de ellos saqué a colación en la entrevista. Vale, pues vamos ya con la entrevista. Perfecto, gracias chicos. Pues ponemos la entrevista y volvemos aquí un ratillo; dura 26 minutos casi exacto. Sí, María. Quiero decir que tenemos suerte de tener a Juan Carlos y Alberto porque creo que no puede haber mejores…
Francis Villatoro reflexiona sobre el impacto de la inteligencia artificial en la ciencia, destacando cómo AlphaGo demostró la capacidad de las máquinas para superar el conocimiento humano.
Habla: Francis VillatoroSignificado #5alphago superando conocimiento humanomovimiento 37 ciencia biologíareplicar movimiento 37 computación cuánticadescubrimientos movimiento 37 informática…avances científicos como Alphafold y otros sistemas de IA diseñados para apoyar el descubrimiento científico. Entonces, desde su perspectiva, ¿cuál es el papel más emocionante que la IA puede desempeñar en la ciencia en este momento? Gracias por la pregunta. Creo que es un momento muy interesante en el campo de la inteligencia artificial y en el campo de la ciencia. Lo que AlphaGo inició fue esta increíble realización de que las máquinas pueden ayudarnos a ir más allá del conocimiento humano. En el movimiento 37, nos demostró que las máquinas pueden exhibir creatividad, novedades y realmente ayudarnos a pensar y obtener una mejor comprensión, no solo del juego de Go, sino que si pueden hacerlo para el juego de Go, probablemente puedan hacerlo para nuestra comprensión del mundo. Y durante los últimos 10 años más o menos hemos estado en esa misión de replicar ese movimiento 37 en muchos campos de la ciencia, en biología, en ciencia de materiales, en predicción del clima, en fusión, en computación cuántica, en matemáticas, en informática y en todos estos diferentes dominios estamos viendo que existen este tipo de descubrimientos de Movimiento 37 y por eso estamos viviendo un momento muy emocionante hoy. Veremos una aceleración dramática de la ciencia con este poderoso paradigma que AlphaGo ha desatado y estamos viviendo el legado de ese momento en particular. Muchísimas gracias, realmente muy interesante. Ahora vamos a seguir con Alberto. Sí, gracias María.…
Juan Carlos Gil explica cómo su trabajo con AlphaGo abordó el desafío de reducir el espacio de búsqueda en el juego de Go, comparándolo con buscar una aguja en un pajar.
Significado #20reducción espacio búsqueda alphagoredes neuronales alphagoaguja en un pajar alphago…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 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…
Francis Villatoro reflexiona sobre la complejidad del ADN y cómo se relaciona con el desarrollo de organismos vivos y la creación de sistemas artificiales como AlphaGo.
Habla: Francis VillatoroSignificado #4adn y desarrollo organismos vivossemántica del genoma humanoalpha go sistemas artificialesembrión desarrollo cerebro humano…AlphaFault resolvió ese gran desafío, pero más ampliamente es solo un paso en nuestra comprensión de la biología; así que las proteínas son los pilares de la vida y hacen que todos los fenómenos biológicos ocurran. Pero si observamos la receta de la vida y Pensamos en nuestro ADN, en cómo podemos entender la semántica de nuestro propio ADN, en descifrar lo que realmente está codificado en todo el genoma. ¿Cómo es posible que un embrión sepa cómo desarrollarse completamente, que sea capaz de desarrollar un cerebro que pueda aprender de la misma manera que un ser humano y además crear sistemas o programas tan complejos como AlphaGo, que puede funcionar en sistemas y ordenadores que nosotros, que los humanos, desarrollamos? Entonces, ¿qué es ese fenómeno tan extraordinario que está codificado en el código genético? Es como el lenguaje más interesante que hemos aprendido a leer, pero no lo entendemos. Así que descifrar ese lenguaje de la vida es el gran desafío hacia el cual…
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 #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 #16alphago 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 #7árbol de monte carlo en alfago…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,…
Héctor Socas y Francis Villatoro discuten las diferencias entre AlphaGo y AlphaZero, destacando que AlphaGo incorporó elementos de diseño inteligente y conocimiento humano.
Habla: Héctor SocasSignificado #9alphago incorpora diseño inteligentemonte carlo contribución humana alphagoconocimiento humano en modelo alphagoárbol monte carlo alpha goalpha cero superó alpha gointeligencia artificial profundidad juegos…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 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…