Búsqueda · 19 momentos en 1 episodio
María RibesAlberto ApariciJuan Carlos GilIgnacio CrespoFrancis VillatoroHéctor SocasLuisa AchaerandioPushmeet Kohli · DeepMindThore Graepel · DeepMindaniversario diez años partida go deepmindidioma hindi pushmit colleylaboratorio deepmind de google inteligencia artificialPushmit ColleyTore GreipelMaríaDeepMindGoogleIBMGoogle DeepMindAlphaGoPushmit KohliThor GreipelSeúlFrancis VillatoroLee SedolHéctor SocasJuan Carlos GilAlberto ApariciWikipediaFagóDeep BlueKasparovAjedrezEgipto AntiguoCientófiloLewis Fry RichardsonGrafCastIgnacio CrespoChatGPT 3.5Ray Kurzweilecuación de Navier-StokesRedes NeuronalesMaría Ribes
Costos asociados al cómputo DeepMind
Con
0:000:301:001:302:002:303:003:33
Héctor Socas presenta una entrevista grabada previamente con Pushmit Colley y Tore Greipel, destacando su trabajo en DeepMind de Google y la importancia del aniversario de un hito en inteligencia artificial: el juego de Go.
…pasada, que a mí me parece que ha quedado muy chula, sobre todo porque no he intervenido yo así que es un disfrute de escuchar con dos protagonistas del desarrollo de la inteligencia artificial en esta última década que son las personas cuyos rostros ven en. la imagen de portada de este episodio, se llaman Pushmit Colley, el que aparece con un turbante y Tore Greipel, yo lo he pronunciado fatal pero María se ha pegado el curre de buscar cómo pronunciarlo adecuadamente y además hablarles a cada uno de ellos en su idioma natal, que también te lo ha traducido, porque uno de ellos su idioma natal es hindi y el otro es alemán. Y pues son del laboratorio DeepMind de Google, que saben que ha sido uno de los grandes motores de la inteligencia artificial en los últimos 15 años o así, y sobre todo porque estos días se cumple un aniversario muy importante que son 10 años de esa partida de Go, el juego, Ese juego asiático del que ahora nos hablará Alberto, que es muy aficionado. De hecho, yo recuerdo que de esto hablamos en Coffee Break hace 10 años y que yo no sé si llegamos a hablar de cuando tuvo lugar esta partida, pero sí que hubo episodios en los que…
Significado #1 · Palabras #3
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 #13 · Palabras #11alphago 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…
Héctor Socas presenta una entrevista grabada previamente con Pushmit Colley y Tore Greipel, destacando su trabajo en DeepMind de Google y la importancia del aniversario de un hito en inteligencia artificial: el juego de Go.
Habla: Héctor SocasSignificado #1 · Palabras #3aniversario diez años partida go deepmindidioma hindi pushmit colleylaboratorio deepmind de google inteligencia artificial…pasada, que a mí me parece que ha quedado muy chula, sobre todo porque no he intervenido yo así que es un disfrute de escuchar con dos protagonistas del desarrollo de la inteligencia artificial en esta última década que son las personas cuyos rostros ven en. la imagen de portada de este episodio, se llaman Pushmit Colley, el que aparece con un turbante y Tore Greipel, yo lo he pronunciado fatal pero María se ha pegado el curre de buscar cómo pronunciarlo adecuadamente y además hablarles a cada uno de ellos en su idioma natal, que también te lo ha traducido, porque uno de ellos su idioma natal es hindi y el otro es alemán. Y pues son del laboratorio DeepMind de Google, que saben que ha sido uno de los grandes motores de la inteligencia artificial en los últimos 15 años o así, y sobre todo porque estos días se cumple un aniversario muy importante que son 10 años de esa partida de Go, el juego, Ese juego asiático del que ahora nos hablará Alberto, que es muy aficionado. De hecho, yo recuerdo que de esto hablamos en Coffee Break hace 10 años y que yo no sé si llegamos a hablar de cuando tuvo lugar esta partida, pero sí que hubo episodios en los que…
Héctor Socas reflexiona sobre la evolución de la inteligencia artificial, comparando los logros anteriores en juegos como ajedrez con la revolución que supuso DeepMind al vencer a campeones humanos en el juego del Go.
Habla: Héctor SocasSignificado #10deep blue venció a kasparovmáquinas derrotan campeones humanos ajedrezprogramación limitada juegos complejos…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…
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 #9 · Palabras #6jugada inusual lee sedol alphagomovimientos inesperados alphago deepmindmáquina confundida por lissedolvictoria humana contra alphagolee sedol vence a fagódeepmind parchea defecto alphagoaprendizaje jugando contra la máquina…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 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 #7 · Palabras #1thor greipel deepmind inteligencia artificialcontrol partido famosísimo isidolcreador fagón deepmindorigen hindú pushmet kohliturbante y religión pushmet kohlirelación turbante religión hinduismopushmit kohli investigador senior googledepmindinvestigación inteligencia artificial asuntos científicosdesarrollo alfago por pushmit kohli…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? 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 VillatoroPalabras #20alphago 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.…
Ignacio Crespo plantea una pregunta sobre por qué el juego de Go representa un desafío computacional y cómo AlphaGo superó esa barrera.
Habla: Ignacio CrespoSignificado #15juego go desafío computacionalalphago superó barrera goposiciones posibles juego go…María. Bueno, yo creo que mi primera pregunta es para el Dr. Greipel, pero no estoy del todo seguro, así que quizás cualquiera de ustedes puede responder. En el podcast principal ya hemos explicado cómo funciona Go más o menos, los principales problemas. Entonces, ¿por qué Go es un desafío computacional y por qué lo era antes de AlphaGo y cómo este nuevo enfoque rompe esa barrera? Sí, sí, esa es realmente una buenísima pregunta. Bueno, el juego de Go es computacionalmente muy complejo porque la cantidad de partidas posibles que se pueden jugar es extremadamente alta o para dar otra cifra que lo refleje. El número de posiciones posibles en el juego de Go es también extremadamente elevado, concretamente alrededor de 10 elevado a La potencia de 170. Así que estamos hablando de un 1 con 170 ceros, eso es realmente un número bastante considerable. Y bueno, sabes, algunas personas incluso afirman que es una cantidad mayor que el total de átomos que se estima que existen en todo el…
Juan Carlos Gil comenta sobre el impacto histórico del encuentro entre AlphaGo y Lee Sedol, destacando cómo la inteligencia artificial pudo navegar un espacio combinatorio inmenso y transformó la ciencia.
Habla: Juan Carlos GilPalabras #17alfago contra lee sedol históricointeligencia artificial espacio combinatorioinvestigación biológica base fundamental…de la cual precisamente estamos conmemorando el aniversario hoy, tal como mencionas. Sí, más adelante te preguntaré sobre la jugada 37, pero ahora te dejo con mi colega Juan Carlos, quien también quiere hacerte algunas preguntas. Sí, gracias Alberto, así es. Sin lugar a dudas, el encuentro contra Lisedol resultó ser histórico, pero al mismo tiempo demostró claramente que la inteligencia artificial era capaz de navegar ese inmenso espacio combinatorio que usted ha descrito, una idea que finalmente transformaría por completo la ciencia. Hace 30 años yo realizaba simulaciones por computadora, personalmente, y el plegamiento de proteínas me parecía completamente intratable. Así que finalmente AlfaFold logró resolver este problema, transformando lo que había sido un gran desafío de 50 años en una nueva base fundamental para la investigación biológica. Entonces, Dr. Colley, mi pregunta es: ¿qué viene ahora con AlphaFold 3 y qué aspectos fundamentales quedan aún sin resolver en este campo? Sí, yo creo que lo que AlphaGo nos demostró es que podemos ir mucho más allá de lo que el conocimiento humano nos permite y así ser…
Francis Villatoro plantea una pregunta sobre si la resolución de ecuaciones está llevando a una verdadera comprensión de los sistemas, tras mencionar el modelo meteorológico GrafCast y su capacidad para predecir el tiempo en un minuto.
Habla: Francis VillatoroPalabras #12modelo meteorológico grafcast predicción tiemposimulaciones moleculares dinámicas estructuras proteicasecuaciones rigen la naturaleza predecirla…días en aproximadamente un minuto en un solo chip. Lewis Fry Richardson, quien intentó calcular el tiempo atmosférico a mano, probablemente se asombraría muchísimo. Mi pregunta es: ¿estamos pasando de resolver las ecuaciones a realmente comprender el sistema? Creo que esta es una pregunta muy, muy interesante. Durante mucho, mucho tiempo hemos estado limitados por lo que podíamos computar. Pensábamos que estas eran las ecuaciones que rigen la naturaleza y para que podamos predecirla tenemos que resolver esas ecuaciones. ¿Y eso ocurrió a nivel de la comprensión de las estructuras proteicas porque allí estábamos realizando simulaciones moleculares dinámicas? Y eso también ocurrió a nivel de la comprensión del clima. donde ahora tenías que, o sea, estabas simulando el tipo de clima y tratando de ver qué sucedía. Lo que las redes neuronales nos han demostrado es que a veces existen atajos muy interesantes que quizás no llegamos a apreciar o a comprender del todo y para los…
Francis Villatoro explica cómo las redes neuronales han superado a las supercomputadoras en la simulación del clima, utilizando menos recursos computacionales.
Habla: Francis VillatoroSignificado #2 · Palabras #10redes neuronales simulan climasupercomputadoras vs redes neuronaleschip para simulaciones climáticasteoría desconocida modelos climáticosredes neuronales predicciones climapatrones estadísticos inherentes naturalezacomplejidad inherente al problema climáticointerpretabilidad de los resultados limitadaecuación de navier-stokes fenómenos complejoscálculos realizados saber qué ha ocurridou aproximación conjunto cálculos originalescomplejidad teórica información problemacomplejidad computacional científicosredes neuronales complejidad informaciónsoluciones redes neuronales villatororedes neuronales predicciones asombrosascapacidad computacional modelos redes neuronaleslímite eficiencia modelos redes neuronalesinvestigación activa redes neuronales…muy interesantes que quizás no llegamos a apreciar o a comprender del todo y para los cuales no poseemos la teoría actual que los explique. pero de alguna manera hay una prueba de concepto que lo valida. Hay una prueba de existencia de que el modelo con mucha menos cantidad de computación de la que una supercomputadora necesitaba en más de un día para obtener un nivel de rendimiento similar puede ser superado por una red neuronal operando en un solo chip. Así que hay algo ahí que está aprovechando que el modelo ha utilizado y no comprendemos completamente en este momento cuál es esa teoría en la que está basándose Pero hay algo en las estadísticas de la naturaleza que el modelo es capaz de aprovechar y está operando no en la complejidad del peor de los casos sino en la complejidad inherente al problema mismo, lo que le permite predecir las cosas de manera muy efectiva. Y esto es un poco a costa de la interpretabilidad de los resultados, ¿verdad? Lo que significa. Quiero decir, definitivamente hay un papel para esas ecuaciones porque nos dan una comprensión más profunda. La ecuación de Navier-Stokes, ¿no? Sí, sí, exacto. Entonces creo que es decir, puedes desplegar y ver exactamente qué cálculos se han realizado, así sabes exactamente qué ha ocurrido. Pero la cuestión es, ¿por qué realizó esos cálculos y por qué estas computaciones? Entonces U representan una mejor aproximación a ese conjunto mucho más amplio de cálculos que originalmente habríamos necesitado llevar a cabo. Bueno, así que quizás hay una complejidad teórica de la información del problema y luego está la complejidad computacional del Problema y siempre como científicos de la computación hemos estado pensando en el tipo de complejidad computacional. ¿Cómo representamos ahora el sistema y calculamos un estado final mientras que la complejidad de la información del problema, la complejidad teórica de la información del problema era mucho menor? Y las redes neuronales de alguna manera lo aprovecharon para, por así decirlo, dar con esas soluciones que son mejores. Pero yo no creo que hayamos encontrado una respuesta completa a la pregunta que planteaste. Es un problema de investigación activo, digamos, sobre cómo estos modelos son capaces de extraer y hacer estas predicciones asombrosas con menos capacidad de cómputo. Y ¿cuál es el límite? ¿Cuál es el límite real, el verdadero límite de cuánto más eficientes podemos llegar a serlos? Muchas gracias, Alberto. Sí, muchísimas gracias. Volvamos, si les parece, al tema de Go por un momento. No podemos terminar esto sin preguntar sobre la mítica jugada 37 que ocurrió en la segunda partida contra Lee Sedol. Esa jugada, para nuestros oyentes, fue una que los comentaristas descartaron casi por…
María Ribes recuerda su experiencia en lingüística computacional, explicando que estudiaba cómo hacer que las máquinas hablen y comprendan.
Habla: María RibesSignificado #17lingüística computacional maria ribesmáquinas hablan comprenden maria ribesadquirir aprender lengua bebés…challenge que se me ha lanzado. Primero, no creo que nos debamos referir al conocimiento de los filólogos para el procesamiento del lenguaje natural porque los filólogos realmente estudian el texto, los textos, la construcción textual. Yo diría más bien los Lingüistas, cuando yo era joven, antes de la IA, pues yo estudiaba lingüística computacional: cómo hacer que las máquinas hablen y que nos comprendan. Y esas relaciones que tú has dicho, que tiene razón y no, y te lo voy a justificar; que los bebés aprenden de manera, como dices, trivial, bueno, de manera informal, no sé cómo decir, inconsciente. Es la diferencia entre adquirir y aprender una lengua, ¿no? Actual tu bebé, cuando le hablas no le dices, y ahora cariñito, vamos a aprender el plural, y ahora vamos a formar el femenino. Tú hablas y el bebé infiere cosas, que es como podríamos decir que hace la red neuronal: ve cosas, escucha y aprende. Pero esas…
Francis Villatoro explica las limitaciones prácticas del entrenamiento de modelos de lenguaje basados en reglas, señalando que el cómputo disponible limita el número de épocas de entrenamiento.
Habla: Francis VillatoroSignificado #6 · Palabras #5reglas en inteligencia artificial modelos lenguajeevitar sobreaprendizaje repetición datosfrancis villatoro reglas inteligencia artificiallimitaciones cómputo entrenamiento modelos lenguajebillones tokens aprendizaje épocas entrenamientointeligencia artificial wikipedia todos idiomas…lo que puedes aceptar que cometa errores en las construcciones y en los modismos, que no entienda bien ciertos dejes, ciertos dobles sentidos porque ha aprendido una segunda lengua o sea, se planteaban eso como casos pilotos para montar un test de Turing y De repente, cuando te llegan los grandes modelos de lenguaje con el modelo de atención y tú aplicas una serie de reglas que nunca se habían aplicado en inteligencia artificial, que es básicamente las redes neuronales tienen que ser muy grandes, tan grandes como el conjunto de datos, y las redes no tienen que aprender muchas veces. Muéstrale todos los datos una, dos, tres, cuatro, cinco veces, pero no las muestres muchas más que sobreaprenden y entonces lo hacen peor. Son reglas muy tontas, muy sencillitas, claro. Ahora ya estás trabajando con billones, literalmente, billones de tokens en los aprendizajes y estamos hablando de una o dos épocas de entrenamiento, no más, porque literalmente no hay cómputo para hacer más; o sea, no se puede hacer más, y eso es más que suficiente. Es decir, y resulta que una inteligencia artificial recibe toda la Wikipedia y solo por ver toda la Wikipedia en todos los idiomas, ya es capaz de hablar en todos los idiomas. Pero ¿por qué habla? Y las mete ahí. Son puras correlaciones. Y hace todo eso sin necesidad de saber lo que es un verbo, lo que es un adjetivo, lo que es un plural. Pero sí lo sabe, igual que tú lo sabes y no lo sabes. O sea, la mayoría de las personas cuando estamos hablando una…
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 #16ibm 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…
Francis Villatoro explica cómo las máquinas podrán replicar tareas humanas de forma sencilla escalando su tamaño, conectando con una intervención previa de Ignacio Crespo sobre la conciencia y la creatividad.
Habla: Francis VillatoroSignificado #14tareas humanas escalando tamañoconciencia y creatividad ignacio crespomáquinas replicando tareas trivialmente…de qué es lo que se pretende y qué es válido y qué no es válido, pero con un conocimiento ridículo del juego, infantil del juego, jugando contra sí misma, puede obtener un nivel de juego infinito comparado con el mejor humano del mundo; y eso es una cosa. Que hace 10 años era tabú decirlo, no se podía decir, era imposible, pero hoy sabemos que es trivial: es decir, todo lo que hacen los humanos habitualmente lo van a poder hacer las máquinas de manera trivial solamente escalando el tamaño. Eso no significa, y conectando con lo que Ignacio nos iba a contar, que la conciencia o que la creatividad o que otros atributos que ponemos o la misma inteligencia que ponemos a los humanos, a lo que hacemos los humanos, se pueda hacer en las máquinas. Las máquinas solo están viendo correlaciones triviales entre imágenes. Y bueno, eso es una cosa que podemos hacer. Se manejan fundamentalmente imágenes porque las imágenes te meten muchos datos en poco espacio. Y nos gusta ver los datos así. La gran…
Juan Carlos Gil interrumpe brevemente para indicar su partida y expresa su asombro por la capacidad demostrada en una entrevista previa, conectando con un comentario anterior de Héctor Socas.
Habla: Juan Carlos GilPalabras #18asombro de juan carlos gil entrevistacapacidad gente entrevista previarutina tras escuchar entrevista…la relación entre ese token y todos los demás tokens. Pero si esa imagen tiene menos píxeles que tokens hay, ya ¿y qué? Pero la imagen representa eso. Y conforme yo voy haciendo la imagen más grande, más fluidez y mejor calidad obtengo en el resultado. Alberto había levantado la mano, pero es que Juan Carlos se tiene que ir y no sé si quería apuntar alguna otra cosita sobre la entrevista. Juan Carlos, antes de irte: Sí, quería hacer una... Bueno, primero que salí realmente impresionado, iluminado por la capacidad de esta gente y por lo que habían hecho. O sea, yo salí realmente... Que me costó volver a mi rutina después de oírles. Pero quería conectar con algo que has dicho Héctor, porque la frase que la tengo apuntada desde el día de la entrevista, que más posiblemente me llamó la intención de la entrevista, conecta de alguna forma con tu decepción que has dicho de que al fagol habían enseñado con conocimiento humano y que era necesario…
Francis Villatoro reflexiona sobre el reciente avance en inteligencia artificial, destacando cómo un conocimiento previamente complejo ahora se percibe como simple y accesible para muchos.
Habla: Francis VillatoroPalabras #14inteligencia artificial accesible francis villatoroconocimiento complejo inteligencia artificial sencillotabúes imposibles inteligencia artificial trivial…de conocimiento lingüístico del lenguaje natural se alcanzaría del orden del año 2030. Lo hemos alcanzado, pues, en tres años, así, o sea, que era el chat GPT 3.5, que es del 2023, o algo así. Sí, creo que sí, hemos dado un salto de infinito en el momento en. El que nos hemos dado cuenta de que todo era extremadamente sencillo y de que en esa sencillez cualquiera puede avanzar en este campo. Ha costado 70 años llegar a ese conocimiento de que todo esto era sencillo, pero todos los grandes tabúes de todo lo que parecía imposible resulta que es posible porque es sencillo. Cambio la palabra es trivial por sencillo. Y entonces, con arquitectura relativamente sencilla y, por ejemplo, la conciencia, todavía no tenemos la arquitectura de conciencia. Pero el día que tengamos la arquitectura de conciencia, una arquitectura que garantice que aparece la conciencia, diremos que…
Alberto Aparici expresa su dificultad para comprender las representaciones de orden superior en la conciencia, sugiriendo que el tema es complejo y que el cansancio podría influir en su entendimiento. Ignacio Crespo asiente con la idea y comenta sobre un posible resfriado que también podría afectar su claridad mental.
Habla: Alberto ApariciPalabras #16orden superior conciencia alberto aparicicansancio afecta entendimiento alberto apariciresfriado ignacio crespo claridad mental…apilando una sobre otra para explicar cómo se sostenía el mundo Pues en este caso plantean que podría haber características de esas redes que se estructuran y que conforman las representaciones de orden superior que fueran distintas, pero no entran a decir en ¿Qué consisten? sería una diferencia relevante, Ignacio. Tengo una pregunta que no sé si se debe a que igual no he seguido del todo con detalle. Yo creo que este me ha costado más porque es más complejo y aparte ya vamos cansados todos, creo. Ya, sí, eso también. Bueno, yo estoy un poquito con el costipado embotado, pero a lo mejor es eso. Yo si te he entendido bien, esto que has descrito me suena más a una familia de modelos que a un modelo concreto, ¿no? Porque al no bajar al detalle de qué narices significa eso de la representación de orden superior, pues parece que pudieran ser muchos…
Francis Villatoro explica cómo una teoría tiene implicaciones en el campo de la conciencia artificial, sugiriendo la creación de redes paralelas que exploren y analicen el estado neuronal.
Habla: Francis VillatoroSignificado #11redes metacognitivas en el encéfalorendimiento parecido patrones primer ordenprocesamiento consciente propiedades distintas ignacio cresporedes paralelas conciencia artificialtomografía del estado neuronalmetainformación proceso cognitivo villatororazonamientos y metacognición…lo entendemos en su sentido más amplio hay distintas escuelas y hay algunas que te dirán que está más distribuida, otras más localizada; localizada dónde entonces está localizada donde decía la del trabajo global o donde decía, claro, y ahí hay una cuestión. En cualquier caso, lo que dice es que hay una segunda y que se pueden presentar para un rendimiento parecido una o dos patrones en el que sólo está presente la de primer orden y en el que están presentes las dos, y que habrá propiedades distintas que solemos asociar con el procesamiento consciente. Esa es un poco la clave. Esta teoría tiene, entre comillas, más implicaciones desde el punto de vista de lo que es la conciencia artificial porque es una de las cosas arquitectónicas que se están planteando en ese campo el definir en paralelo a las redes de aprendizaje profundo que están ejecutando tareas, tener redes en paralelo que estén explorando, haciendo tomografía del estado neuronal y viendo realmente qué está ocurriendo ahí y obteniendo información, metainformación sobre el proceso cognitivo, información que después se puede reinyestar al propio proceso cognitivo para facilitar, entre comillas, razonamientos y metacognición. Sí, justo. Y el problema, que es lo que comentábamos, es que todavía hay pocos estudios. En el momento en el que se hizo el contrast se habían hecho apenas 12, que es mucho menos que los estudios que se habían reunido de las otras teorías. Y en parte es…
Francis Villatoro describe los esfuerzos actuales para explorar compactificaciones del modelo estándar utilizando inteligencia artificial, reconociendo la complejidad de este proceso.
Habla: Francis VillatoroSignificado #18compactificaciones modelo estándar inteligencia artificialvariedades calabillado no equivalentesexploraciones masivas inteligencia artificial villatoro…genere todo lo que es la compactificación y su espectro, acaba siendo súper engorroso porque lo que nos gustaría es una cosa natural, bella, sencilla, que tú digas: Juan lo ha descubierto, qué maravilla; y lo que tenemos ahora mismo son cosas engorrosas. Alambicadas, con ajustes finos, extraños que un humano no haría, pero se está trabajando mucho en ello; o sea, ahora mismo hay exploraciones masivas mediante inteligencia artificial. No sabemos si hay un número finito o infinito; empecemos por ahí. Pero bueno, la hipótesis de alguna gente es que puede haber unas decenas de miles, quizás unos cientos de miles de variedades de calabillado no equivalentes entre sí, y bueno, se están explorando con ideas artificiales; se están haciendo muchas cosas y es posible que cualquier día tengamos alguna sorpresa. Pregunta Javier Benavides: ¿es cierto eso de que el lenguaje nativo implica zonas del cerebro diferentes a los idiomas aprendidos? No lo sé, ¿alguien se anima? A Ignacio. Yo no estoy demasiado puesto, entonces bueno, estábamos hablando antes de humo y…
