Búsqueda · 23 momentos en 10 episodios
María RibesAlberto ApariciJuan Carlos GilIgnacio CrespoFrancis VillatoroHéctor SocasLuisa AchaerandioPushmeet Kohli · DeepMindThore Graepel · DeepMindreducción espacio búsqueda alphagoredes neuronales alphagoaguja en un pajar alphagored política imita jugadores humanosalphago reduce espacio búsqueda redes neuronalesentrenamiento red política partidas expertosmovimientos prometedores según alphagored valor estimación partida gopartida go movimientos inicialesaprendizaje automático tablero goredes neuronales árbol juego combinatoriobúsqueda en árbol monte carloalphago contra lee sedol momento históricoentrenadores de alphago preparación serieAlphaGoFrancis VillatoroIgnacio CrespoLee SedolÁrbol Monte CarloAlphaCeroJuan Carlos GilAlberto ApariciAlfagoHéctor SocasMonte CarloMaríaDavid SilverFan HuiLissedolDr. GreipelMaría RibesADN
Movimientos prometedores según AlphaGo
Con
0:000:301:001:302:002:303:003:33
Francis Villatoro explica cómo AlphaGo utiliza dos redes neuronales, la red de política y la red de valor, para reducir el espacio de búsqueda al imitar la capacidad humana de identificar movimientos prometedores.
…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 seleccionar los movimientos que parecen más prometedores. Fue entrenada con muchísimas partidas de expertos humanos y le permite a la red neuronal decir, oh, sabes, no voy a analizar todos los movimientos posibles; solo me voy a fijar en aquellos movimientos que me saltan a la vista, que destacan, justo como lo harían para un jugador humano de Go como tú mismo y lo que eso hace es que el árbol se vuelva más estrecho porque estos son todos los movimientos, pero ahora solo estamos considerando una pequeña selección de movimientos en cada etapa y eso es muy útil. La red de valor resulta muy útil, ya que normalmente tendríamos que analizar todas las variaciones hasta el mismísimo final, porque solo entonces sabríamos si el bando negro o el blanco ha ganado la partida. Pero la red de valor nos brinda la capacidad de estimar esto con mucha más antelación. Se le puede presentar un tablero que aún no está completo, quizás después de tan solo 10 o 15 movimientos de la partida, y ya es capaz de juzgar si la posición es más ventajosa para las piezas negras o para las blancas. Y esto, por supuesto, también ha sido entrenado exhaustivamente con una gran cantidad de datos de partidas utilizando técnicas de aprendizaje automático. Y así la función principal de estas dos redes neuronales consiste en reducir significativamente el tamaño de este inmenso árbol de juego combinatorio, y luego existe otra técnica muy específica. conocida como búsqueda en árbol Monte Carlo que nos permite de una manera muy eficiente explorar y analizar las ramas restantes del árbol. Gracias, muy interesante. Así que hoy es exactamente el décimo aniversario del segundo juego, creo, de AlphaGo contra Lee Sedol y esa serie, AlphaGo contra Lee Sedol, es, podría decirse, el momento histórico para AlphaGo. Así que quería preguntarles, ustedes fueron de alguna manera los entrenadores, digamos, de Álfago Entonces, ¿cómo se prepararon para una serie de este tipo y esperaban el resultado? Que fue realmente asombroso Sí, así que la verdad es que sí requirió muchísima preparación, ¿sabes? Al principio el sistema era muy, muy, muy primitivo y no funcionaba del todo bien, aunque me ganó en mi primer día de trabajo cuando lo probé. Y luego lo fuimos desarrollando cada vez más…
Significado #1 · Palabras #1
Alberto Aparici explica por qué los jugadores humanos prefieren jugar en las esquinas del tablero de Go, contrastando esta preferencia con la estrategia de AlphaGo de jugar a tablero completo.
Habla: Alberto ApariciSignificado #10alfago quinta fila centro tableropiedras esquina inferior izquierda alfagojugada tablero completo gopreferencia jugadores humanos goestrategia alphago tablero completojugada 37 esquina inferior izquierda…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 importancia de la jugada 37. Pero cuando se habla de que es un error hay que entender qué significa eso del error y los 12 minutos de Lissedol pensando creo que son muy elocuentes en ese sentido. Hay una anécdota que es que sabéis que en la retransmisión había un comentarista, un experto…
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 #16lissedol 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…
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 #3 · Palabras #5alphago superando conocimiento humanomovimiento 37 ciencia biologíareplicar movimiento 37 computación cuánticadescubrimientos movimiento 37 informáticaalphago desata aceleración ciencialegado momento alpha gopregunta sobre juego go greipeljuego go desafío computacionalalphago superó barrera goposiciones posibles juego go…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. 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…
Francis Villatoro explica cómo AlphaGo utiliza dos redes neuronales, la red de política y la red de valor, para reducir el espacio de búsqueda al imitar la capacidad humana de identificar movimientos prometedores.
Significado #1 · Palabras #1reducción espacio búsqueda alphagoredes neuronales alphagoaguja en un pajar alphagored política imita jugadores humanosalphago reduce espacio búsqueda redes neuronalesentrenamiento red política partidas expertosmovimientos prometedores según alphagored valor estimación partida gopartida go movimientos inicialesaprendizaje automático tablero goredes neuronales árbol juego combinatoriobúsqueda en árbol monte carloalphago contra lee sedol momento históricoentrenadores de alphago preparación serie…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 seleccionar los movimientos que parecen más prometedores. Fue entrenada con muchísimas partidas de expertos humanos y le permite a la red neuronal decir, oh, sabes, no voy a analizar todos los movimientos posibles; solo me voy a fijar en aquellos movimientos que me saltan a la vista, que destacan, justo como lo harían para un jugador humano de Go como tú mismo y lo que eso hace es que el árbol se vuelva más estrecho porque estos son todos los movimientos, pero ahora solo estamos considerando una pequeña selección de movimientos en cada etapa y eso es muy útil. La red de valor resulta muy útil, ya que normalmente tendríamos que analizar todas las variaciones hasta el mismísimo final, porque solo entonces sabríamos si el bando negro o el blanco ha ganado la partida. Pero la red de valor nos brinda la capacidad de estimar esto con mucha más antelación. Se le puede presentar un tablero que aún no está completo, quizás después de tan solo 10 o 15 movimientos de la partida, y ya es capaz de juzgar si la posición es más ventajosa para las piezas negras o para las blancas. Y esto, por supuesto, también ha sido entrenado exhaustivamente con una gran cantidad de datos de partidas utilizando técnicas de aprendizaje automático. Y así la función principal de estas dos redes neuronales consiste en reducir significativamente el tamaño de este inmenso árbol de juego combinatorio, y luego existe otra técnica muy específica. conocida como búsqueda en árbol Monte Carlo que nos permite de una manera muy eficiente explorar y analizar las ramas restantes del árbol. Gracias, muy interesante. Así que hoy es exactamente el décimo aniversario del segundo juego, creo, de AlphaGo contra Lee Sedol y esa serie, AlphaGo contra Lee Sedol, es, podría decirse, el momento histórico para AlphaGo. Así que quería preguntarles, ustedes fueron de alguna manera los entrenadores, digamos, de Álfago Entonces, ¿cómo se prepararon para una serie de este tipo y esperaban el resultado? Que fue realmente asombroso Sí, así que la verdad es que sí requirió muchísima preparación, ¿sabes? Al principio el sistema era muy, muy, muy primitivo y no funcionaba del todo bien, aunque me ganó en mi primer día de trabajo cuando lo probé. Y luego lo fuimos desarrollando cada vez más…
Ignacio Crespo relata cómo Fan Hui, el campeón europeo de Go, fue crucial para evaluar AlphaGo, y describe una apuesta con David Silver sobre el resultado de los enfrentamientos.
Palabras #12fan hui campeón europeo goalpha go ganó contra fanhuiapuesta con david silver alphagodisfraz de maestro go apuesta…difícil saber qué tan buena es la iteración actual del sistema. Puedes enfrentarlo a los sistemas que ya existen pero claro nuestra intención era ir mucho más allá de los sistemas actuales y por lo tanto requeríamos una manera de poder hacer pruebas. Y así Fanjui nos resultó de una ayuda verdaderamente inestimable y nosotros, sabes, AlphaGo ganó 10 a 0 contra Fanjui y eso nos dio una buena indicación de que era un jugador bastante fuerte. De hecho, en ese entonces yo hice una apuesta con David Silver; yo pensé que AlphaGo perdería al menos uno de esos juegos de prueba y David estaba completamente seguro de que no lo haría. Y como consecuencia de perder la apuesta, tuve que disfrazarme de un antiguo maestro de Go y venir a trabajar un día. Increíble. Pero claro, lo hice con mucho gusto porque también significaba que nuestro sistema era realmente bueno, mucho mejor de lo que había pensado en aquel momento. Y eso entonces nos dio la confianza para decir, ¿sabes?, quizás podamos alcanzar la cima del mundo…
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 #20adn 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…
Ignacio Crespo responde a una pregunta sobre si esperaban que AlphaGo realizara jugadas creativas como la que se discutió anteriormente. Explica que, aunque no era algo esperado directamente, sí anticiparon que AlphaGo podría idear movimientos similares debido a las pruebas realizadas.
Significado #2 · Palabras #3alphago jugadas creativas pruebasarquitectura dual alphago movimiento 37entrenamiento humano alphago juego…eso resultó ser muy fuerte, como legendariamente fuerte. Así que mi pregunta es: ¿esperabas que AlphaGo fuera capaz de hacer algo así? ¿Y ves este tipo de creación o de creatividad como algo diferente de la creatividad humana? ¿O son solo el mismo misterio? Sí, no lo estábamos esperando directamente, pero habíamos visto mucho juego competente en nuestras pruebas y por eso esperábamos que AlphaGo pudiera idear este tipo de movimiento. pero la verdad es que AlphaGo de hecho juega de una manera bastante humana, parece humano cuando juega y la razón es por supuesto que fue entrenado con datos humanos y el milagro en cierto modo fue que logró salirse de ese entramado humano de juego convencional con el movimiento 37 y otros movimientos en la partida que tal vez pasaron desapercibidos pues creo que la razón es esta arquitectura dual, ¿sabes? Creo que Dave lo comprobó en aquel entonces y las posibilidades de que un profesional hiciera ese movimiento fueron estimadas por el sistema en una de 10.000. Así que, en cierto modo, la jugada tuvo la suerte de ser siquiera examinada por la búsqueda de Árbol…
Ignacio Crespo reflexiona sobre cómo AlphaGo seleccionó movimientos creativos en partidas de Go, destacando la combinación entre intuición y análisis exhaustivo de datos.
Habla: Ignacio CrespoSignificado #6 · Palabras #2alphago movimientos creativos gointuición análisis exhaustivo alphagoárbol de juego alphagocreatividad alpha go rompe reglasjugadores humanos miles de añosmovimiento hombro cuarta línea…probables y por eso debió seguir estando en la selección y luego, claro, fue la parte de búsqueda lo que lo impulsó, ¿verdad? De alguna manera, las consecuencias de los movimientos, tal como fueron identificadas por el algoritmo de búsqueda de Árbol Monte. Carlo, resultaron tan prometedoras para el sistema que finalmente lo seleccionó. Y creo que eso nos dice algo sobre cómo funciona este proceso creativo, ¿verdad? Es la combinación de la intuición, de ese presentimiento y así sucesivamente junto con el análisis de datos, el revisar realmente todas las variaciones posibles, la búsqueda exhaustiva en el árbol de juego y fue verdaderamente creativo. Yo creo, si consideramos una interpretación razonable de lo que es la creatividad, entendiéndola como algo novedoso, como algo efectivo y como algo sorprendente, realmente lo fue; y en particular porque rompió ciertas reglas generales que los jugadores habían desarrollado a lo largo de miles de años, específicamente: que puedes hacer un movimiento de hombro en la cuarta línea, pero no deberías hacerlo en la quinta línea, porque tiende a ceder demasiado territorio en el lateral al otro jugador. Bueno, doctor Craipe, doctor Colley, muchísimas gracias por haber dedicado su valioso tiempo a conversar con nosotros hoy. Esta ha sido una conversación absolutamente fascinante. Y a todos nuestros queridos oyentes, muchas gracias por habernos acompañado.…
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 #7alfago 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 comenta sobre el comportamiento estratégico de AlphaGo y AlphaCero en partidas de Go, explicando cómo estas IA priorizaban la victoria por encima de movimientos artísticos o la obtención de una piedra adicional.
Habla: Juan Carlos GilSignificado #5 · Palabras #4alphago priorizaba la victoriaalphacero ventaja media piedraestrategia alphago ganar partida…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 importante y hay otra derivada sobre eso que he oído, no. en esta entrevista que fue muy compacta, sino en otras que han hecho más extensas y es que AlphaGo jugaba a ganar. Su objetivo era ganar, no ganar por mucho, que es como intenta jugar el humano. Eso fue una evolución de AlphaGo a AlphaCero. Era tan bueno, volviendo a la partida, que se podía permitir no hacer la mejor jugada artística que posiblemente le diese acceso a una piedra más, sino que se conformaba con mantener su ventaja que él sabía que era de media piedra. Digo lo de media piedra porque al final como negras juegan primero se añade una especie de handicap que suele ser de 7 piedras y media, si recuerdo bien Alberto, que tiene ese media para que no haya empates Depende de las reglas, en reglas chinas que es como…
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 #8alphago 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 y Francis Villatoro discuten las diferencias entre AlphaGo y AlphaZero, destacando que AlphaGo incorporó elementos de diseño inteligente y conocimiento humano.
Habla: Héctor SocasSignificado #18 · Palabras #8alphago 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…