Búsqueda · 26 momentos en 10 episodios
María RibesAlberto ApariciJuan Carlos GilIgnacio CrespoFrancis VillatoroHéctor SocasLuisa AchaerandioPushmeet Kohli · DeepMindThore Graepel · DeepMindbúsqueda en árbol monte carloalphago contra lee sedol momento históricoentrenadores de alphago preparación seriesistema alphago versión primitivaredes neuronales en alphagobúsqueda en árbol alphagofan hui campeón europeo goencuentro prueba campeón go fan huialpha go frente sistemas existentesevaluar calidad sistema alpha goFan HuiIcedolAlphaGoIgnacio CrespoMonte CarloFrancis VillatoroHéctor SocasADNLee SedolDavid SilverAlpha GoAlpha 0Juan Carlos GilAlberto ApariciAlphaCeroMaríaárbol de Monte CarloAlfagoDeepMindEgipto AntiguoCientófiloÁrbol Monte CarloMaría RibesAlphaFoldPushmit Colley
Sistema AlphaGo versión primitiva
Con
0:000:301:001:302:002:303:003:33
Ignacio Crespo se refiere a la preparación inicial del sistema AlphaGo, describiendo su evolución desde una versión primitiva hasta un estado más robusto.
…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 y más. Fue entonces cuando introdujimos estas dos redes neuronales. También implementamos la búsqueda en árbol y con el tiempo llegamos a un punto en el que consideramos que era bastante robusto, pero todavía no habíamos alcanzado el nivel del Icedol y así trajimos a Fan Hui, el entonces campeón europeo de. Go para jugar un partido de 10 partidas, un encuentro de prueba que nos diría dónde estábamos porque es realmente 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…
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 SocasPalabras #16alphago 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…
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 #15alphago 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 #8reducción 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…
Ignacio Crespo se refiere a la preparación inicial del sistema AlphaGo, describiendo su evolución desde una versión primitiva hasta un estado más robusto.
Significado #1 · Palabras #1búsqueda en árbol monte carloalphago contra lee sedol momento históricoentrenadores de alphago preparación seriesistema alphago versión primitivaredes neuronales en alphagobúsqueda en árbol alphagofan hui campeón europeo goencuentro prueba campeón go fan huialpha go frente sistemas existentesevaluar calidad sistema alpha go…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 y más. Fue entonces cuando introdujimos estas dos redes neuronales. También implementamos la búsqueda en árbol y con el tiempo llegamos a un punto en el que consideramos que era bastante robusto, pero todavía no habíamos alcanzado el nivel del Icedol y así trajimos a Fan Hui, el entonces campeón europeo de. Go para jugar un partido de 10 partidas, un encuentro de prueba que nos diría dónde estábamos porque es realmente 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…
Ignacio Crespo describe cómo Fan Hui, el campeón europeo de Go, ayudó a probar el sistema AlphaGo antes del enfrentamiento con Lee Sedol.
Significado #6 · Palabras #4fang hui prueba sistema alphagoalphago enfrentamiento lee sedollee sedol muestra confianza entrevista…Y fue entonces cuando Demis organizó el partido y nos dio una fecha límite, porque una vez que el partido está fijado, ¿sabes?, tienes que cumplir. Y así, por supuesto, trabajamos febrilmente en mejorar el sistema, verificando cuán robusto y fiable era. Fang Hui también probó el sistema. Ahora teníamos a Fang Hui en el equipo y él nos ayudó a probar el sistema. Y así, cuando llegó el día, estábamos preparados, pero no teníamos ni idea de si AlphaGo aguantaría, porque es imposible estimar la fuerza de un jugador como Lee Sedol. Pero entramos al partido con mucha confianza y también Lee Seedle, si recuerdan en su entrevista, él se mostró bastante seguro de sí mismo, lo cual fue excelente y eso creó el mejor escenario posible para el encuentro. Y luego, por supuesto, todo el drama se desató, incluyendo como no podía ser de otra manera, la famosa jugada 37 en la segunda partida, de la cual precisamente estamos conmemorando el aniversario hoy, tal como mencionas. Sí, más adelante te preguntaré sobre…
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 #3 · Palabras #3adn 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 #14alphago 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 #18alphago movimientos creativos gointuición análisis exhaustivo alphagoárbol de juego alphago…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…
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 #4alpha 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…
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 #11alfago 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 #12alphago 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 #7alphago 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 #2 · Palabras #14árbol de monte carlo en alfagodecepción héctor socas alphagoredes neuronales policy value alphagodiseño humano detrás de alphagoárbol de decisiones en alphagoalphago incorpora diseño inteligentemonte carlo contribución humana alphagoconocimiento humano en modelo alphagoárbol monte carlo alpha goalpha cero superó alpha gointeligencia artificial profundidad juegos…a futuro, pero muchísimos otros problemas. Eso no es así y ese es el primer tipo de los problemas, es los que alfa cero y sus descendientes han dominado claramente y en el segundo tipo de problemas es donde empezamos a ver avances en los últimos años. Yo quería comentar una de las cosas que para mí fueron más llamativas de la entrevista y que para mí fue un poco una decepción, que es que explicaron que realmente alfago es un sistema que tiene tres componentes principales, ¿no? tiene dos redes neuronales y tiene un árbol de jugados, un árbol de Monte Carlo. Digo que para mí fue un poco una decepción porque yo pensaba en su momento cuando se hablaba de esto y en medio de todo el "hype" se decía que este era un sistema que, por primera vez desde cero, había aprendido a jugar este juego tan complejo. Entonces yo, desde cero, entendía que esto era: habían hecho una red neuronal, habían puesto a jugar partidas y había aprendido; pero en cambio no, hay algo de diseño humano detrás, o sea, 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…