Búsqueda · 25 momentos en 14 episodios
María RibesAlberto ApariciJuan Carlos GilIgnacio CrespoFrancis VillatoroHéctor SocasLuisa AchaerandioPushmeet Kohli · DeepMindThore Graepel · DeepMindmáquina identifica correlaciones partidascorrelaciones más allá de humanosmillones de partidas máquina aprendecorrelaciones triviales datos dimensiónFrancis VillatoroAjedrezDeepMindLee SedolAlphaGoFagóJuan Carlos GilGoogleHéctor SocasAlphaFoldPremio Nobel de QuímicaMaríaWhopperTercera Guerra MundialTarjeta amarillaAlberto ApariciIBMKasparovRedes NeuronalesMaría RibesThor GreipelSeúlAlpha GoAlpha 0Deep BlueMovimiento 37Dismain
Aprendizaje jugando contra La Máquina
Con
0:000:301:001:302:002:303:003:33
Francis Villatoro explica cómo una máquina puede identificar correlaciones tanto las que un humano encuentra tras jugar miles de partidas como aquellas que el ser humano no puede observar debido a la capacidad de la máquina para analizar millones de partidas.
…entender esas correlaciones, las correlaciones reales, es mentira que el Go tenga 10 a 170 partidas posibles; ningún humano va a jugar usando todas las posibilidades. El humano va a buscar ciertas correlaciones y esas correlaciones son triviales de entender. Entonces la máquina puede entender no solo las correlaciones que entiende un humano después de haber jugado unas decenas de miles de partidas en su vida, y además correlaciones que un humano no puede llegar a observar porque la máquina puede jugar decenas de millones de partidas. Entonces aprende en dos o tres días decenas de millones de partidas y observa correlaciones más allá de las correlaciones que observan los humanos. Pero el punto clave es que son correlaciones triviales, que están obvias en los datos cuando los ves en toda su dimensión. ¿Te ¿Sujeto el cubata? Sí, tengo que recoger este guante. Bueno, primero tengo que decir que me ha asustado porque estaba hablando de árbol de Monte Carlo y se me ha preguntado a María: digo, yo, yo qué sé de los árboles de Monte Carlo. Nunca has estado en Monte…
Significado #1 · Palabras #1
Héctor Socas explica la diferencia entre la complejidad de programar máquinas para jugar al ajedrez y a juegos como el Go, destacando que el ajedrez es más fácil de programar.
Habla: Héctor SocasSignificado #20 · Palabras #3deep blue venció a kasparovmáquinas derrotan campeones humanos ajedrezprogramación limitada juegos complejosajedrez más fácil programarinteligencia artificial google ajedrezjuegos como el go complejidadinteligencias artificiales reglas juegosjuegos de guerra whoppertercera guerra mundial simulación continuaalphafold y el premio nobel químicaaprendizaje jugando partidas inteligencia artificialplegamiento de proteínas alphafold…de cuando tuvo lugar esta partida, pero sí que hubo episodios en los que hablamos de esta serie, de este enfrentamiento en este juego tan complejo del que Alberto ahora nos va a hablar un poco y fue muy revolucionario porque a ver ya teníamos desde los. Años 90, desde que Deep Blue venció a Kasparov, ya teníamos máquinas que eran capaces de derrotar a campeones humanos en ajedrez y otros juegos así intelectuales, ¿no? Pero yo creo que la gran diferencia es que hasta ese momento eran máquinas programadas y ya, y claro, eso de programar, esa filosofía de programar no sirve para un juego tan complejo como el Go. Incluso para el ajedrez valía, fíjense ustedes: el ajedrez es un juego que tenemos como algo tan complejo y tan elevado intelectualmente. Es más fácil programar máquinas que puedan derrotarte en ajedrez que en juegos como el Go. El logro es que aquí ya empezaba; esto era parte de un proyecto de Google de desarrollar inteligencias artificiales que pudieran jugar y aprender las reglas de los juegos. Aprenderlas según iba jugando. Y esto decíamos: María que nos recordaba juegos de guerra, como decían desde el principio de la película: que Whopper estaba continuamente jugando a la Tercera Guerra Mundial y ese fruto de estar 24 horas al día, 7 días a la semana jugando a la Tercera Guerra Mundial es como iba aprendiendo. pues la idea era hacer eso, un sistema que aprendiera a jugar a base de jugar partidas, no de ser programado por humanos como tenía que jugar y esa línea ha sido muy exitosa; de hecho, aquí hemos hablado muchísimo, no tanto de AlphaGo sino de AlphaFold, que fue un poco la secuela que hacía el plegamiento de proteínas y que recibió el premio Nobel de Química en 2024 por ese gran avance que supuso en la bioquímica: el poder predecir la estructura de proteínas. Entonces, volviendo al fagón, nosotros recuerdo que lo comentamos y recuerdo que Alberto nos hablaba en aquel momento del juego del go, las dificultades que tenía y tal. Entonces, se cumplían 10 años la semana pasada. De hecho, el día que grabamos la…
Héctor Socas recuerda que la entrevista grabada previamente coincidió con el décimo aniversario del famoso Movimiento 37 en el juego de Go.
Habla: Héctor SocasPalabras #18movimiento 37 juego de goaniversario décimo movimiento 37máquina sorprendente movimiento 37partida famosa movimiento 37…y recuerdo que Alberto nos hablaba en aquel momento del juego del go, las dificultades que tenía y tal. Entonces, se cumplían 10 años la semana pasada. De hecho, el día que grabamos la entrevista, ¿cuándo fue que la grabamos? ¿El martes pasado? O el lunes. Martes, martes pasado fue. Martes, ¿no? Fue exactamente el aniversario, el décimo aniversario del día en el que se jugó la partida del famoso Movimiento 37, del cual hablaremos ahora y Alberto nos contará un poco, pero que fue algo muy rompedor e inesperado, un movimiento que hizo la máquina que fue sorprendente para todo el mundo. Entonces, pues Google ha estado estos días promocionando este aniversario, contactando con medios de comunicación y en nuestro caso, debo decir que quiero dar las gracias a Mariana Aquero, del Departamento de Comunicación de Google en España, que se puso en…
Francis Villatoro comenta sobre una jugada inusual realizada por Lee Sedol durante un enfrentamiento contra AlphaGo, donde intentó confundir a la máquina con movimientos inesperados.
Habla: Francis VillatoroSignificado #15 · Palabras #2alfago ganó serie 5-0 lissedollissedol ganó partida cuarta retorno humanidadjugada inusual lee sedol alphagomovimientos inesperados alphago deepmindmáquina confundida por lissedolvictoria humana contra alphagolee sedol vence a fagódeepmind parchea defecto alphagoaprendizaje jugando contra la máquina…No es que se hubiese ido a la bola, claro; no estoy muy seguro de dónde estaría, pero ya no era el mejor jugador del mundo. Yo creo que era tercero o cuarto o algo por el estilo, pero da igual Lee, segundo; da igual en cualquier caso, organizaron esta. Partida y la partida era a 5 juegos, o sea que iban a jugar 5 veces y el que ganara 3 partidas ganaba al final. Alfago ganó 5-0, vale, le ganó todas las partidas a Lissedol 4-1, Alberto 4-1, 4-1, sí la cuarta la ganó la cuarta es el retorno de la humanidad y recordad, la cuarta la ganó Lissedol y acojonó a Dismain porque Dismain dijo: como me gane la quinta, porque lo que hizo fue engañar a la máquina. Queda dudoso, ¿no? Lissedol hizo una jugada absolutamente idiota en plan: esto la máquina no lo va a entender y va a fallar, que es que estuvo probando muchas cosas y lo logró; la máquina completamente se perdió, no se enteró de nada, de la misa a la mitad y entonces pensaron los de DeepMind, como en la quinta vuelva a hacer lo. Mismo Licedol, con que gane 2 de 3, ya el humano ha ganado la máquina porque el humano ha tenido que aprender a jugar contra la máquina y lo ha logrado y la ha vencido; entonces era fundamental que en la quinta volviera a ganar al Fagó y ganó al Fagó. Claro, y DeepMind confesó que entre la cuarta y la quinta parcheó ese defecto, muy a posterior y varios años después, así se aprende. También, bueno quería llegar con todo esto al famoso segundo juego, que es donde tiene lugar la jugada 37, de la que hablamos en la entrevista. Y de hecho lo están preguntando también en el chat, lo acabo de ver entonces, la jugada 37 es básicamente una…
Juan Carlos Gil introduce a Thor Greipel, científico de DeepMind especializado en inteligencia artificial y miembro del equipo original que jugó contra Lee Sedol en Seúl.
Habla: Juan Carlos GilPalabras #16thor greipel deepmind inteligencia artificialcontrol partido famosísimo isidolcreador fagón deepmind…lo podría pronunciar así, pero bueno, me quise asegurar y me dijo: sí, sí, digo, vale. Sí, dijo que lo habías pronunciado muy bien Juan Carlos; quieres rápidamente hacer la introducción y pasamos ya a poner la entrevista. Bueno, pues sí, estas dos personas. Thor Greipel, disculpad, es un científico de DeepMind especializado en inteligencia artificial, en particular aprendizaje automático y era especialmente relevante en este contexto porque fue parte del equipo original y estuvo en Seúl jugando, aportando su control al partido famosísimo contra el Isidol. De hecho, en su página personal aparece: Contribuí a crear al fagón. Es como quizá la frase que quede para la historia. Además, se explica como un libro abierto. Vamos, a mí me dejó realmente impresionado oírle. Pushmet Kohli, el hindú, no estaba entonces 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?…
Juan Carlos Gil reflexiona sobre la capacidad de Alpha 0, una evolución de Alpha Go, para aprender y dominar juegos de información completa tras eliminar el conocimiento humano de sus partidas.
Habla: Juan Carlos GilSignificado #16alpha 0 aprende juegos información completaeliminación conocimiento humano alpha goevolución alpha go domina juegos…todas las piezas y sabes cuáles te has comido, en Go también, en damas, pero otros juegos típicamente como el póker Hay parte de la información que está oculta a según qué jugadores y en el Street Poker también. En el Street Poker te vas a reír, pero cuando Se mencionó, justo pensé en que no era de información completa. Decía que Alpha 0, una evolución de Alpha Go, en el que se eliminaron las reglas del juego, simplemente, perdón, en el que se eliminó el conocimiento humano, partidas jugadas por los humanos, simplemente se le daban las reglas, pues fue capaz de aprender y dominar cualquier juego de información completa. En particular Goh y Ajedrez, ¿eh? Alcanzó nivel superior a Stockfish, el mejor motor de ajedrez del mundo, computacional; en una hora jugando contra sí mismo, Alfacero derrotó a Stockfish. ¿Qué iba a decir? Bueno, pues a día de hoy evoluciones de Alfacero son…
Francis Villatoro explica cómo una máquina puede identificar correlaciones tanto las que un humano encuentra tras jugar miles de partidas como aquellas que el ser humano no puede observar debido a la capacidad de la máquina para analizar millones de partidas.
Habla: Francis VillatoroSignificado #1 · Palabras #1máquina identifica correlaciones partidascorrelaciones más allá de humanosmillones de partidas máquina aprendecorrelaciones triviales datos dimensión…entender esas correlaciones, las correlaciones reales, es mentira que el Go tenga 10 a 170 partidas posibles; ningún humano va a jugar usando todas las posibilidades. El humano va a buscar ciertas correlaciones y esas correlaciones son triviales de entender. Entonces la máquina puede entender no solo las correlaciones que entiende un humano después de haber jugado unas decenas de miles de partidas en su vida, y además correlaciones que un humano no puede llegar a observar porque la máquina puede jugar decenas de millones de partidas. Entonces aprende en dos o tres días decenas de millones de partidas y observa correlaciones más allá de las correlaciones que observan los humanos. Pero el punto clave es que son correlaciones triviales, que están obvias en los datos cuando los ves en toda su dimensión. ¿Te ¿Sujeto el cubata? Sí, tengo que recoger este guante. Bueno, primero tengo que decir que me ha asustado porque estaba hablando de árbol de Monte Carlo y se me ha preguntado a María: digo, yo, yo qué sé de los árboles de Monte Carlo. Nunca has estado en Monte…
Héctor Socas explica la diferencia entre cómo IBM venció a Kasparov mediante reglas programadas y cómo las redes neuronales aprenden observando ejemplos, comparándolo con el proceso de adquisición del lenguaje en humanos.
Habla: Héctor SocasSignificado #14ibm venció a kasparov reglas programadasredes neuronales aprenden observando ejemplosadquisición del lenguaje viendo ejemplosfrancis villatoro redes neuronales…lo que es un verbo. Pero tú, si no supieras eso, no podrías hablar ni podrías comprender lo que estamos haciendo ahora nosotros. Yo creo que estamos de acuerdo con lo que quería decir Francis, corrígeme si me equivoco, efectivamente, es que no se trata. De enseñar, de programarles las reglas. Yo hablaba antes de la diferencia entre el IBM que le ganó a Kasparov con reglas que habían sido programadas frente a una máquina de redes neuronales que había aprendido a base de ver ejemplos y que el ser humano aprende, adquiere la lengua, perdona, siguiendo esa nomenclatura que tú usas María: de adquirir frente a aprender; adquieres la lengua viendo ejemplos y esas reglas están ahí pero no es como el bebé las aprende, sino simplemente viendo ejemplos, muchos ejemplos y de esa forma aprenden también las redes neuronales, que creo que era lo que se refería a Francis y no he entendido mal. Hay personas que aprenden una lengua sin ir a clase, que la aprenden en la calle o hablando con otros, que siempre tendrán algún fallo, porque si te pones ahora a aprender serbio y te vas a serbio y tienes amigos serbios, hablas perfectamente, pero no declina…
Alberto Aparici expresa desacuerdo con Francis Villatoro sobre el uso del término 'trivial' para describir la capacidad de las máquinas en tareas complejas.
Habla: Alberto ApariciPalabras #10término trivial capacidad máquinasarquitecturas hardware tarea asumiblemáquinas imitan tareas no secretonormas deterministas aprendizaje desconocido…de nuevo. Y sí, me tengo que ir, amigos. Venga pues, un placer haber contado contigo. Hasta la próxima, Juan Carlos. Adiós, Juan Carlos, chao. Alberto, te doy la palabra diciendo que yo no sé si es súper complejo, lo que está claro que es un juego. Ostras, ya echábamos de menos Tarjeta amarilla y la tarjeta. Ya no nos olvidamos de cómo pronunciarlo. Yo solo quería antagonizar un poco con Francis diciendo que me parece que estás, quiero decir, que estás redefiniendo el significado de trivial cuando dices eso. Claro, claro, claro; es decir, ahora que ya tenemos las arquitecturas y el hardware necesario para hacer esto, es una tarea asumible en un tiempo muy razonable por las máquinas. Eso no quiere decir que sea trivial por sí mismo, solo quiere decir que es asumible por la tecnología que ahora tenemos. Entonces, yo sería un poco más cuidadoso en ese sentido porque parece que cuando digamos trivial es que no tiene secreto y lo cierto es que las máquinas lo imitan, pero si tuvieses que dar una serie de normas que te llevaran a eso de forma determinista y no por aprendizaje, pues eso no lo sabríamos hacer. Fíjate que el gran futurologo, el Kurzweil, que era especialista en modelos marcovianos ocultos para entender el habla, pero a nivel de fonema a signo, de fonética a grafía y poder escribir, o sea, lo que es entender el lenguaje a partir de un audio, digamos,…