Búsqueda · 18 momentos en 1 episodio
María RibesAlberto ApariciJuan Carlos GilIgnacio CrespoFrancis VillatoroHéctor SocasLuisa AchaerandioPushmeet Kohli · DeepMindThore Graepel · DeepMindthor 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 kohliIBMGoogle DeepMindAlphaGoPushmit KohliDeepMindFagóLee SedolJuan Carlos GilFrancis VillatoroThor GreipelSeúlPushmit ColleyTore GreipelMaríaGoogleHéctor SocasAlphaFoldAlphaFold 3Egipto AntiguoCientófiloPremio Nobel de QuímicaWanjue ChaoRichard EvershedUniversidad de BristolAlberto ApariciMaría RibesIgnacio CrespoHeadspaceSPMESolid Face Micro ExtractionCromatografía de GasesADNAlphaCeroMonte CarloAlpha GoAlpha 0
DeepMind Alfa fol para investigación
Con
0:000:301:001:302:002:303:003:33
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.
…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…
Significado #1 · Palabras #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 #14 · Palabras #8alphago 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 #7 · 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 explica cómo los sistemas de inteligencia artificial aprenden a jugar, no mediante programación humana directa, sino jugando partidas repetidamente. Menciona AlphaFold y su impacto en la bioquímica al recibir el Premio Nobel de Química en 2024.
Habla: Héctor SocasSignificado #8alphafold y el premio nobel químicaaprendizaje jugando partidas inteligencia artificialplegamiento de proteínas alphafold…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…
Francis Villatoro y Juan Carlos Gil discuten sobre el enfrentamiento entre Lee Sedol y AlphaGo, explicando que un humano ya habría ganado si hubiera logrado vencer a la máquina en dos de tres partidas.
Habla: Francis VillatoroSignificado #2 · 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 #1 · 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…
María Ribes presenta a sus colegas Alberto Aparici y Juan Carlos Gil, quienes han preparado preguntas para los invitados, Pushmit Colley y Tore Greppel, y formula una pregunta sobre el papel de la IA en la ciencia.
Habla: Luisa AchaerandioSignificado #11alphago diez años avances científicosalphafold sistemas de ia descubrimiento científicoia apoyo al descubrimiento científico ribesalphago superando conocimiento humanomovimiento 37 ciencia biologíareplicar movimiento 37 computación cuánticadescubrimientos movimiento 37 informática…Bienvenidos a nuestro podcast Coffee Break, Señal y Ruido. Hoy estamos aquí con el doctor Pushmit Colley y el doctor Tore Greppel; es un honor y un privilegio tenerlos hoy con nosotros. Les agradecemos mucho que nos acompañen. Soy María Ribes y aquí están mis colegas Alberto Aparici y Juan Carlos Gil, quienes han preparado algunas preguntas para ustedes. Pero antes de cederles la palabra, me gustaría hacerles yo una: Alphago tiene ya 10 años, desde entonces su equipo ha estado involucrado en importantes 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 #16reducción 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 explica cómo AlphaFold II se desarrolló desde cero utilizando una única red neuronal para predecir la estructura tridimensional de las proteínas a partir de la secuencia de aminoácidos.
Habla: Francis VillatoroSignificado #4alfago contra lee sedol históricointeligencia artificial espacio combinatorioinvestigación biológica base fundamentalalphafold 3 próximos pasosinvestigación biológica aspectos fundamentalesconocimiento humano alpha goalphagol impulsó alphafoldalphafold 1 proceso dos pasosred neuronal proteínas cercanasmódulo predice estructura tridimensionalalphafold ii red neuronalestructura tridimensional secuencia aminoácidosarquitectura red neuronal conocimiento científicoproyecto alphafold desafío biologíaproteínas pilares de la vidareceta de la vida biologíaadn y desarrollo organismos vivossemántica del genoma humanoalpha go sistemas artificialesembrión desarrollo cerebro humanolenguaje de la vida desafíoproteínas ingredientes biológicos alphafoldalphafold entiende los ingredienteslibro de recetas proteínas…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 capaces de generar nuevas y muy valiosas perspectivas. Y en cierto sentido comenzamos el proyecto de AlphaFold inmediatamente después del partido de Lissedol porque aquello nos dio la confianza necesaria para explorar a fondo toda esta área. La primera iteración de AlphaFold, AlphaFold 1, fue construida como un proceso de dos pasos: en primer lugar, había una red neuronal que nos proporcionaba algunas ideas o pistas sobre qué proteínas podrían estar próximas entre sí; y luego, en segundo lugar, había un módulo más clásico que se encargaba de intentar predecir la estructura tridimensional. Para AlphaFold II comenzamos completamente desde cero y lo abordamos de principio a fin, con una única red neuronal, partiendo exclusivamente de la secuencia de aminoácidos para predecir la estructura tridimensional. Y esa elegancia y la simplicidad de aquella solución, con una gran cantidad de conocimiento científico muy interesante integrado en la arquitectura de la red neuronal, fue la clave para lograr ese asombroso éxito. Así que si lo piensas, 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 estamos trabajando. Alphafold nos mostró el camino diciendo: bueno, si las proteínas son los ingredientes, ahora entiendes los ingredientes, ahora tenemos que descifrar el libro de recetas. Me refiero a la forma en que esos ingredientes realmente hacen que las cosas funcionen en la vida. Y solo para añadir a eso, quiero decir, para demostrar. Lo difícil que es este problema, me gusta observar las diferentes escalas en las que se desarrolla la vida. Si lo piensas bien, la escala de relevancia a nivel de las proteínas es de aproximadamente 10 a la menos 9 metros, por lo que un nanómetro es más o…
Francis Villatoro continúa la discusión sobre cómo los modelos de redes neuronales logran predicciones sorprendentes con menos capacidad computacional.
Habla: Francis VillatoroPalabras #10redes neuronales predicciones asombrosascapacidad computacional modelos redes neuronaleslímite eficiencia modelos redes neuronalesinvestigación activa redes neuronales…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…
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 #20alpha 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…
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 #9alphago 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…
Juan Carlos Gil compara la predicción meteorológica con los problemas resueltos por AlphaZero, destacando diferencias entre ambos tipos de desafíos.
Habla: Juan Carlos GilPalabras #7predicción meteorológica puntos pasado forecast futurojuan carlos gil alpha zero predicción…el cristal sólido, que es como se calculan esas estructuras mediante difracción de rayos X. Entonces tenían un target para cada proteína de las conocidas, sabían cómo se iba a plegar y eso les sirvió obviamente para el entrenamiento. También en el caso de la Predicción meteorológica, ¿sabes qué ocurrió hace dos días y el tiempo que ha acabado haciendo hoy? Por lo tanto tienes puntos en el pasado y forecast 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…
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 #19árbol 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…
María Ribes comenta sobre un artículo científico interesante y destaca a Wanjue Chao como la investigadora más joven del equipo, quien parece ser asistente de doctorado.
Habla: María RibesPalabras #9wanjue chao asistente de doctoradorichard evershed investigador universidad bristolbiogeoquímico perfil richard evershed…a la máquina cualquier cosa que queramos y pilla todas las relaciones morfosintácticas y ortosintácticas, que diría aquí para molestar a Gastón y... Hasta es verdad, nunca nos acordamos de eso. Bueno, y a todos nuestros oyentes latinoamericanos un saludo. Que bueno, eso el paper este, que parece muy interesante, ¿no? Sí, y es complementario de ese que decías tú; el del otro piso era de 2023. Y este paper, pues los autores es importante que digamos algo también. La primera, como has dicho, es Wanjue Chao, se llama, ¿no? Ella es la más joven; ella parece ser que es la asistente de research, de doctorado. Pero están, por ejemplo, Evershed, Richard Evershed, que es un investigador; son todos de la Universidad de Bristol. Pero este hombre es muy importante; él es biogeoquímico, creo que pone en su perfil de la universidad Pero es muy importante porque él es el que dirige desde hace décadas estos estudios de los compuestos volátiles del olor de las momias. Hablamos también aquí del olor de las momias. ¿Te acuerdas que también hace años se halló? Creo que…
María Ribes explica una técnica analítica utilizada en un artículo científico sobre momificación egipcia, identificándola como HS (Headspace), SPME (Solid Face Micro Extraction), GC (Cromatografía de Gases) y Q (Espectrometría de Masas). Menciona que esta técnica permite conservar el olor sin tocar la muestra.
Habla: María RibesPalabras #13técnica headspace análisis momificación egipciaspme conservación olor muestra científicacompuestos químicos residuos volátiles investigadoresestudio olor sin evaporación técnica hs…Y la técnica que usaba en el 2023, eso lo explicó Héctor, era la CGC, Cromatografía de Gases y Espectrometría de Masas, que siempre estamos en ello. Pero este paper a la Cromatografía de Gases le añade, voy a leer las siglas, ya me diréis. vosotros lo que es Lo primero que sé que es HS, no, frecuencia, perdón, estoy muy tonta, es Headspace, HS, SPME, GC, Q, F, M, S Yo sé que lo primero es el Headspace, el SPME, Solid Face Micro Extraction, porque no tocan la muestra Pero esto, que me corrija Héctor, que comprende mejor estos procesos, bueno, todos vosotros Lo que hace es que en vez de tocarla, conserva el olor lo que dice el investigador principal es que nunca hasta ahora se habían analizado los compuestos químicos de los residuos volátiles no se había comparado con la materia, con el material que había ahí y claro, ¿cómo estudias un olor sin que se evapore? o sea, primero para empezar, ¿cómo duran los olores? y duran por una resina que se forma, esto es un poquito desagradable, si lo imaginamos un poco como el requesón que decía Torrente. Perdón, eso es como, entre los vendajes de las resinas que lleva el, es que el bálsamo, o sea, el embalsamamiento se refiere no…
Ignacio Crespo explica que las teorías de orden superior pueden desarrollarse paralelamente a otras, diferenciándolas de un tema futuro con orígenes anticientíficos.
Habla: Ignacio CrespoPalabras #11teorías de orden superior filosofíatransición investigación científica cogniciónnacimiento anticientífico próximo programa…de qué hablar. Nos quedamos entonces con otra, que es la Higher Order Theories, las teorías de orden superior. Estas tienen una particularidad y es que nacen desde planteamientos filosóficos. Ojo, tiene un planteamiento científico ahora mismo, que se puede Realmente desarrollar de forma paralela a las que hemos estado contando, no es como la que traeremos para el próximo programa, que tiene un nacimiento puramente anticientífico en ciertos aspectos y es más criticable. En este caso, tenemos una historia muy prolongada en la cual este tipo de explicaciones de teorías de orden superior se han tratado desde la filosofía de la cognición sin contar con investigaciones científicas y ahora está habiendo una transición. Esto significa que de las 5 que vamos a contar es la que cuenta con menos estudios realmente, estudios científicos, pruebas, etc. Y llega incluso al punto de que en el paper previo que comentamos, porque estábamos relacionando dos, no podían sacar grandes…
Ignacio Crespo explica cómo las representaciones del mundo externo (estados de primer orden) difieren de las metarepresentaciones, ejemplificándolo con la fantasía y la percepción de una manzana.
Habla: Ignacio CrespoPalabras #14metarepresentación estados primer ordenfantasía representación de orden superiormanzana percepción francisco villatoro…que tenía el primer estado, y otros que consideran que es más rico y que sí que está aportando información que es más completo que incluso de forma independiente al primer estado. Que es la activación directa nos permite tener toda la información necesaria. Esto lo ramifica ya desde el principio y hace que estemos hablando de cosas totalmente distintas. Entonces, con estados de primer orden solamente, por repasar, nos referimos a esas representaciones del mundo externo directamente y con la metarepresentación a la representación de que uno está en ese estado. Lo que comentábamos, por ejemplo, de la fantasía del otro día sería un caso interesante porque podríamos describir cuestiones que no estamos experimentando directamente. Tal vez esas cuestiones, a pesar de que se puedan reportar, no tengan una representación de orden superior tan compleja, a pesar de tener una misma representación de primer orden y, por lo tanto, que es igualmente funcional Francis cuando percibe una manzana que tiene delante, pero luego a la hora de reportarlo y de imaginarlo se producen diferencias. Esto ya plantea cuestiones interesantes para seguir investigando y para seguir viendo por dónde va. El caso que yo quiero traer aparte es que, aparte de estas teorías de orden superior, dentro de ellas hay algunas predicciones más específicas que incluso trabajan con modelos que tienen que ver con la predicción. No son las que vamos a hablar dentro de uno o…
Ignacio Crespo explica cómo los investigadores utilizan familias de modelos para intentar ponerse de acuerdo sobre teorías complejas y poder diseñar experimentos para refutar esas teorías.
Habla: Ignacio CrespoSignificado #18modelos investigadores teorías complejasexperimentos refutar teoríasteorías orden superior representativoactividad neuronas orden superior…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 modelos diferentes, ¿no? Esto pasa con todas, realmente. Y es que hablamos de familias. Familias que en este caso intentan particularizar con el propósito de ponerse de acuerdo, crear un experimento y poderlo refutar. Porque si no lo particularizan es imposible. Y esto ha llevado a muchas críticas. Hay personas que ven este estudio y otros similares y dicen: pero es que la forma en la que lo ha particularizado aquí no es realmente representativo de lo que significan las teorías de orden superior. Es un caso particular. Pero claro, es que si no hacemos eso no avanzamos. Entonces en este caso sí que intentan reducirlo e indicar dónde creen que podría encontrarse esa actividad de neuronas que consideramos que son de un orden superior para ver si se relaciona y se activa de forma codependiente y con las características que esperarían encontrar. Además, ellos plantean una relación en la cual la representación de orden superior no agotaría toda la complejidad de la información que hay ahí sino que estaría repartida con la de orden inferior. y ahí es donde ya va particularizándolo para que con el contrast que habíamos contado se pueda ir acotando por un lado y por…
