WEBVTT Kind: captions Language: es 00:00:05.000 --> 00:00:08.000 Wanda, la comunidad de podcast independientes en español. 00:00:08.000 --> 00:00:14.000 Hola y bienvenidos a un nuevo episodio de Apple Coding Daily. 00:00:16.000 --> 00:00:22.000 Bueno, pues ya ha empezado la w w w DC. 00:00:23.000 --> 00:00:26.000 Efectivamente, ya ha empezado, estamos grabando a miércoles, empezó el 00:00:26.000 --> 00:00:29.000 lunes y durará hasta el próximo viernes, donde Apple irá publicando 00:00:29.000 --> 00:00:32.000 más de, según ellos, más de cien vídeos, pero probablemente, según la 00:00:32.000 --> 00:00:38.000 agenda, estén por encima de los doscientos. 00:00:39.000 --> 00:00:47.000 Vídeos donde nos van a explicar todas las novedades a nivel de desarrollo y cómo poder usarlas, ¿vale? 00:00:47.000 --> 00:00:51.000 La, básicamente, pues la renovación que se hace todos los años. 00:00:51.000 --> 00:00:56.000 Entonces, desde aquí no vamos a hacer un resumen, es decir, si buscan un 00:00:56.000 --> 00:01:01.000 lugar que les explique lo bonito que es el nuevo centro de control o lo 00:01:01.000 --> 00:01:06.000 maravillosos que son los nuevos íconos tintados, han encontrado un lugar 00:01:06.000 --> 00:01:11.000 que no es el apropiado, porque aquí nos vamos a meter debajo del capó, 00:01:11.000 --> 00:01:16.000 como solemos hacer, y aquí vamos a hablarles en distintos programas y 00:01:16.000 --> 00:01:21.000 además en un podcast largo que ya estamos planificando para producir, 00:01:21.000 --> 00:01:26.000 donde les hablaremos en mucho más detalle. 00:01:26.000 --> 00:01:30.000 En estos podcast más cortos iremos más a explicaciones más rápidas, 00:01:30.000 --> 00:01:34.000 pero si quieren entrar más en detalle tendrán que escuchar el próximo 00:01:34.000 --> 00:01:38.000 los próximos podcast que hagamos en Apple Coding, donde ahí sí 00:01:38.000 --> 00:01:42.000 disponemos de horas para poder hablar tranquilamente y explicando cada 00:01:42.000 --> 00:01:49.000 elemento, cada cosa presentada, etcétera. 00:01:49.000 --> 00:01:54.000 En este caso, vamos a iniciar hablando de la novedad más importante, 00:01:54.000 --> 00:01:59.000 novedad que por ahora tenemos en una pequeña parte, muy pequeñita, 00:01:59.000 --> 00:02:04.000 puesto que estamos hablando de Apple Intelligence, y esto en su parte más 00:02:04.000 --> 00:02:09.000 grande, en su parte más importante, no estará disponible para los 00:02:09.000 --> 00:02:14.000 usuarios y no para todos los usuarios hasta el próximo hasta el próximo 00:02:14.000 --> 00:02:21.000 otoño, es decir, hasta finales de septiembre, primeros de octubre. 00:02:21.000 --> 00:02:26.000 Suponemos que con el lanzamiento de la nueva versión Mac OS Sequoia y las 00:02:26.000 --> 00:02:31.000 consecuentes versiones menores de iOS dieciocho y iPadOS dieciocho, para 00:02:31.000 --> 00:02:38.000 que así los tres sistemas estén lanzados al mismo tiempo. 00:02:39.000 --> 00:02:40.000 Insisto, suponemos. 00:02:40.000 --> 00:02:45.000 Así que, ¿qué es exactamente Apple Intelligence? 00:02:45.000 --> 00:02:49.000 Porque hemos escuchado mucha gente hablando del tema y no hemos visto, en 00:02:49.000 --> 00:02:53.000 fin, en lo que hemos mirado, a nadie que lo tenga realmente claro, por lo 00:02:53.000 --> 00:02:57.000 que vamos a meternos, repito, debajo del capó para ver exactamente qué 00:02:57.000 --> 00:03:01.000 es, cómo funciona y la la, digamos, la importancia que tiene Apple 00:03:01.000 --> 00:03:05.000 Intelligence dentro de la estrategia de Apple y todo lo que Apple ha hecho 00:03:05.000 --> 00:03:14.000 para que esto funcione. 00:03:15.000 --> 00:03:23.000 Así que vamos a ello. 00:03:28.000 --> 00:03:31.000 Es que el problema fundamental aquí es que los auriculares son una cosa 00:03:31.000 --> 00:03:34.000 milagrosa, te pones un par de auriculares y puedes tener la misma 00:03:34.000 --> 00:03:38.000 experiencia que con dos buenos altavoces, ¿no? 00:03:38.000 --> 00:03:41.000 Pero no existe nada como unos auriculares para vídeo. 00:03:41.000 --> 00:03:45.000 Para entender qué es Apple Vision Pro, hay que conectar los puntos hacia atrás. 00:03:46.000 --> 00:03:49.000 La semilla fue imaginar unos auriculares para vídeo hace más de quince 00:03:49.000 --> 00:03:52.000 años, incluso antes del iPhone, y luego vimos cómo Apple apostó por 00:03:52.000 --> 00:03:55.000 librerías de machine learning y realidad aumentada en un momento donde 00:03:55.000 --> 00:03:58.000 estas tecnologías aún eran desconocidas para el público general hace 00:03:58.000 --> 00:04:05.000 más de seis años, pero que fueron andando el camino. 00:04:05.000 --> 00:04:09.000 Hoy, Vision Pro continúa ese camino, un camino que Apple ha construido 00:04:09.000 --> 00:04:13.000 hasta aquí, y que ahora toca continuar a los desarrolladores que 00:04:13.000 --> 00:04:17.000 proporcionen apps, experiencias y contenido para la computación espacial. 00:04:17.000 --> 00:04:21.000 Porque, ¿qué es un iPhone sin sus apps? 00:04:21.000 --> 00:04:22.000 ¿O un iPad? 00:04:23.000 --> 00:04:29.000 El dispositivo por sí solo no es nada, son los desarrolladores los que hacen que algo valga la pena. 00:04:29.000 --> 00:04:34.000 ¿Quieres hacer que Vision Pro valga la pena y entrar en un nuevo mercado lleno de oportunidades? 00:04:35.000 --> 00:04:39.000 Aquí tienes la tuya con Vision Developer Program, una formación diseñada 00:04:39.000 --> 00:04:43.000 para desarrolladores en entornos Apple que quieran dar el siguiente paso y 00:04:43.000 --> 00:04:47.000 entrar en la computación espacial, además de ponerse al día con SWIFT 00:04:47.000 --> 00:04:51.000 UI o SWIFTDATA, Sumar todo lo necesario para construir apps que unan 2D y 00:04:51.000 --> 00:04:59.000 3D con RealityGit, ARGit, Reality Composer y mucho más. 00:04:59.000 --> 00:05:06.000 Ah, y no necesitas un dispositivo, con el simulador será más que suficiente, eso sí, necesitarás un Mac con Apple Silicon. 00:05:07.000 --> 00:05:12.000 No dejes pasar esta oportunidad porque la mitad de las empresas del Fortune cien ya están aprovechándola. 00:05:12.000 --> 00:05:16.000 Súmate al mayor cambio de paradigma de los últimos años y comienza desde 00:05:16.000 --> 00:05:20.000 ya a prepararte para el futuro con la única academia que lleva más de 00:05:20.000 --> 00:05:25.000 seis años formando en realidad aumentada machine learning en entornos Apple. 00:05:26.000 --> 00:05:35.000 Entra ahora en Apple Coding Academy e infórmate en acoding punto Academy barra vdp veinticuatro. 00:05:35.000 --> 00:05:38.000 La computación espacial te está esperando. 00:05:46.000 --> 00:05:50.000 Apple Intelligence, ¿Qué es Apple intelligence? 00:05:50.000 --> 00:05:57.000 Pues bien, es la apuesta de Apple por la inclusión de determinados modelos 00:05:57.000 --> 00:06:04.000 generativos, en este caso, de lenguaje y de imágenes dentro del sistema operativo. 00:06:04.000 --> 00:06:10.000 La gran novedad es, precisamente, esa, la integración en el sistema operativo. 00:06:11.000 --> 00:06:16.000 ¿Hay algo que no hagan los demás que Apple haga con este Apple Intelligence? 00:06:17.000 --> 00:06:27.000 No, porque ya estamos cansados de ver distintos tipos de modelos de lenguaje y de generación de imágenes en otras soluciones. 00:06:27.000 --> 00:06:31.000 Aquí, la gran diferencia, porque a nivel funcional Apple no va a hacer 00:06:31.000 --> 00:06:35.000 casi nada nuevo, casi nada, lo realmente importante no es qué es lo que 00:06:35.000 --> 00:06:39.000 hace Apple, sino cómo lo hace, porque está integrado dentro del sistema 00:06:39.000 --> 00:06:43.000 operativo, esa es la gran diferencia y además sin ningún tipo de coste 00:06:43.000 --> 00:06:47.000 para los usuarios. 00:06:47.000 --> 00:06:52.000 Ahora, todo esto tiene truco, porque aunque estará disponible en iOS 00:06:52.000 --> 00:06:57.000 dieciocho, iPad dieciocho y Mako es quince, sequoia, sequoia, el nombre 00:06:57.000 --> 00:07:04.000 está cogido, espectacular, ¿qué es lo que sucede? 00:07:04.000 --> 00:07:12.000 Pues que solamente en en determinados dispositivos estará disponible esta inteligencia de Apple. 00:07:12.000 --> 00:07:20.000 Eso significa que los dispositivos que más van a sufrir y no van a llegar son los iPhones. 00:07:21.000 --> 00:07:25.000 Estamos hablando de que solo el iPhone diecisiete, el iPhone quince Pro, 00:07:25.000 --> 00:07:29.000 perdón, con chip a diecisiete pro, es el único teléfono que va a tener 00:07:29.000 --> 00:07:35.000 disponible este Apple Intelligence. 00:07:37.000 --> 00:07:39.000 Por dos motivos fundamentales. 00:07:39.000 --> 00:07:44.000 El primero, porque los iPhone quince Pro y quince Pro Max son los únicos 00:07:44.000 --> 00:07:49.000 dispositivos que cuentan con ocho gigas de memoria RAM suficiente para 00:07:49.000 --> 00:07:54.000 poder cargar de una manera sin ningún problema y sin que suponga un una 00:07:54.000 --> 00:07:59.000 bajada de rendimiento en el sistema operativo, lo que van a permitir que 00:07:59.000 --> 00:08:04.000 se carguen estos modelos generativos y, además, el A diecisiete Pro es el 00:08:04.000 --> 00:08:09.000 único motor neural dentro de un iPhone que tiene el motor neural de la 00:08:09.000 --> 00:08:14.000 serie m, es decir, un motor neural con una capacidad superior a treinta 00:08:14.000 --> 00:08:19.000 teraflops de cálculo en coma flotante de treinta y dos bits, que es el 00:08:19.000 --> 00:08:29.000 número de operaciones que puede realizar este motor neural ejecutando estos modelos. 00:08:29.000 --> 00:08:35.000 Como toda la implementación se entiende que es en local, gran parte de la 00:08:35.000 --> 00:08:41.000 implementación es en local directamente en tu velocidad, en cuanto a, 00:08:41.000 --> 00:08:47.000 digamos, privacidad, seguridad, etcétera, porque los datos nunca salen de 00:08:47.000 --> 00:08:55.000 tu dispositivo, pues en ese sentido tendríamos el Winwin. 00:08:56.000 --> 00:09:00.000 Pero claro, el único iPhone que tiene esta capacidad es el iPhone quince 00:09:00.000 --> 00:09:04.000 Pro, y suponemos que los próximos iPhones dieciséis también la 00:09:04.000 --> 00:09:08.000 tendrán, no sabemos si solo los Pro o también la gama básica. 00:09:09.000 --> 00:09:14.000 Entendemos que sí, que la gama básica también tendrá este motor neural de más capacidad y también más memoria. 00:09:15.000 --> 00:09:16.000 Ese es el primer punto. 00:09:16.000 --> 00:09:20.000 Luego, en los iPads solamente los iPads con chip m son capaces de ejecutar 00:09:20.000 --> 00:09:24.000 Apple Intelligence, por lo mismo, porque todos los iPad con chip m tienen 00:09:24.000 --> 00:09:30.000 al menos ocho gigas de RAM. 00:09:30.000 --> 00:09:35.000 En el caso del iPad con m cuatro, el iPad Pro, tenemos doce, donde cuatro 00:09:35.000 --> 00:09:40.000 de ellos quedan reservados para estos modelos y así tener mayor 00:09:40.000 --> 00:09:45.000 capacidad, y en el caso de MacOS, igual todos los modelos que sean Apple 00:09:45.000 --> 00:09:50.000 Silicon con chips m uno, m dos, m tres, m cuatro y sus variantes. 00:09:51.000 --> 00:09:55.000 Estos son los únicos dispositivos porque son los únicos que tienen motor neural. 00:09:55.000 --> 00:10:01.000 Los Mac con Intel no pueden, no tienen motor neural, por lo que no pueden ejecutar estos modelos en local. 00:10:02.000 --> 00:10:09.000 Y, de igual manera, tampoco pueden funcionar iPhones anteriores o iPads con chips de serie A. 00:10:09.000 --> 00:10:13.000 Para que se hagan una idea, en un Mac con Apple Silicon generando una 00:10:13.000 --> 00:10:17.000 imagen con Stable Diffusion, el modelo generativo de imágenes en su 00:10:17.000 --> 00:10:21.000 versión XL, tú puedes tardar aproximadamente unos tres a cuatro segundos 00:10:21.000 --> 00:10:25.000 en generar una imagen de una resolución limitada de doscientos cincuenta 00:10:25.000 --> 00:10:29.000 y seis por doscientos cincuenta y seis, como por ejemplo, lo que sería el 00:10:29.000 --> 00:10:33.000 equivalente a un yemoji, que sería la generación de emojis que luego 00:10:33.000 --> 00:10:43.000 hablaremos de ella. 00:10:44.000 --> 00:10:48.000 Entonces, si partimos de la base de que en un Apple Silicon puedes llegar a 00:10:48.000 --> 00:10:52.000 tardar segundos en generar una imagen pequeñita a través de un modelo 00:10:52.000 --> 00:10:56.000 generativo, no podemos olvidar, y de hecho les invito a hacer la prueba, 00:10:56.000 --> 00:11:00.000 que cuando lo ejecuten dentro de un Intel que no tiene motor neural, esos 00:11:00.000 --> 00:11:04.000 segundos pasan a ser minutos, por lo que, obviamente, Apple no puede 00:11:04.000 --> 00:11:10.000 utilizar estos equipos. 00:11:10.000 --> 00:11:13.000 Y, de igual manera, los chips de serie A, aunque cuentan con un motor 00:11:13.000 --> 00:11:16.000 neural, ese motor neural no tiene la potencia suficiente como para dar 00:11:16.000 --> 00:11:19.000 respuestas en un tiempo que sea, bueno, pues, prudencialmente correcto 00:11:19.000 --> 00:11:25.000 para que la experiencia de usuario sea la correcta. 00:11:26.000 --> 00:11:30.000 Por lo tanto, Apple se suma al resto de compañías que están en la misma, 00:11:30.000 --> 00:11:34.000 digamos, en la misma dirección, es decir, Android está ofreciendo 00:11:34.000 --> 00:11:40.000 modelos generativos en local, solo a los últimos dispositivos. 00:11:40.000 --> 00:11:47.000 Los que tienen más tiempo, no, porque necesitan componentes que están poniendo ahora, como los nuevos chips de Qualcomm. 00:11:47.000 --> 00:11:50.000 Microsoft saca nuevas funcionalidades y nuevos ordenadores, los nuevos 00:11:50.000 --> 00:11:53.000 modelos generativos que funcionan en local tampoco funcionan en ningún 00:11:53.000 --> 00:11:58.000 equipo que no sea nuevo. 00:11:58.000 --> 00:12:01.000 O, por ejemplo, Intel, que está sacando nuevos chips de generación 00:12:01.000 --> 00:12:04.000 catorce, pero que que estos sí tienen motor neural, pero que obviamente 00:12:04.000 --> 00:12:09.000 ni siquiera están en el mercado. 00:12:09.000 --> 00:12:12.000 Tendremos que empezar a comprar PCs que tengan estos chips para que la 00:12:12.000 --> 00:12:15.000 inteligencia artificial generativa en local de Windows empiece a funcionar 00:12:15.000 --> 00:12:20.000 directamente con ellos. 00:12:20.000 --> 00:12:31.000 Por lo que volvemos a lo mismo, a pesar de que, o sea, a ver, es una tecnología muy nueva, por lo que, en fin, el hardware no está preparado. 00:12:31.000 --> 00:12:36.000 Aún así, gracias a Jobs, podemos ver cómo Apple, que lleva más tiempo 00:12:36.000 --> 00:12:42.000 en este negocio, está dando soporte a iPads o Macs que tienen tres y cuatro años. 00:12:43.000 --> 00:12:46.000 Yo he estado probando los nuevos modelos generativos en mi Mac mini M uno, 00:12:46.000 --> 00:12:49.000 el primero que compré en noviembre del año dos mil veinte cuando se 00:12:49.000 --> 00:12:52.000 anunció la generación Apple Silicon, y funciona perfectamente, por lo 00:12:52.000 --> 00:12:55.000 que estamos probando esta inteligencia artificial generativa en equipos 00:12:55.000 --> 00:13:02.000 que tienen cuatro años, lo cual, pues oye, no está nada mal. 00:13:03.000 --> 00:13:08.000 Entonces, ese es el kit de la cuestión, no obstante, los iPhone son los que han pagado el pato. 00:13:08.000 --> 00:13:11.000 Pero, ¿podrían funcionar en la nube? 00:13:11.000 --> 00:13:16.000 Sí, podrían funcionar en la nube, pero como ahora después explicaremos, 00:13:16.000 --> 00:13:21.000 es imposible que Apple tenga la capacidad de centros de datos para dar 00:13:21.000 --> 00:13:26.000 servicio a los más de mil doscientos millones de dispositivos que pueden 00:13:26.000 --> 00:13:31.000 instalar iOS dieciocho, por lo que Apple ha tenido que descartar, ya que 00:13:31.000 --> 00:13:39.000 la nube que ellos tienen no está tan capacitada, ¿de acuerdo? 00:13:40.000 --> 00:13:42.000 En fin, vayamos al detalle. 00:13:42.000 --> 00:13:44.000 ¿Qué es Apple Intelligence? 00:13:45.000 --> 00:13:52.000 Básicamente, Apple Intelligence es la forma de ejecutar dentro de los 00:13:52.000 --> 00:13:59.000 dispositivos modelos de lenguaje grande, LLMs, y modelos de generación de imágenes. 00:13:59.000 --> 00:14:05.000 ¿Qué es lo que ha hecho Apple para permitir que estos modelos se puedan ejecutar directamente dentro de un dispositivo? 00:14:05.000 --> 00:14:10.000 Pues bien, ha creado varias técnicas que le han permitido afinar los 00:14:10.000 --> 00:14:15.000 modelos entre los modelos generativos entrenados para ciertas tareas muy 00:14:15.000 --> 00:14:22.000 específicas y que sean lo más eficiente posible ocupando lo menos posible. 00:14:23.000 --> 00:14:26.000 Según ciertos datos que no he podido confirmar al cien por cien, Apple 00:14:26.000 --> 00:14:29.000 estaría utilizando un modelo generativo de lenguaje OpenELM con un 00:14:29.000 --> 00:14:32.000 tamaño de tres mil millones de parámetros, lo que se conoce 00:14:32.000 --> 00:14:38.000 técnicamente como un tres b. 00:14:39.000 --> 00:14:44.000 Este modelo tiene una cuantización a cuatro bits, por lo tanto, su tamaño 00:14:44.000 --> 00:14:49.000 dentro de la memoria viene a ser aproximadamente un par de gigas más o 00:14:49.000 --> 00:14:55.000 menos, dependiendo del número de modelos expertos que esté cargado. 00:14:56.000 --> 00:14:57.000 ¿Y esto qué significa? 00:14:57.000 --> 00:15:00.000 Pues bien, cuando yo tengo un modelo generativo, los modelos generativos, 00:15:00.000 --> 00:15:03.000 cualquier tipo de, ya no solo los generativos, cualquier tipo de modelo de 00:15:03.000 --> 00:15:07.000 machine learning tiene que ser cargado directamente en memoria. 00:15:07.000 --> 00:15:10.000 Si no está cargado en memoria, no puede funcionar, porque tiene que estar 00:15:10.000 --> 00:15:13.000 en la memoria RAM para que pueda ir gestionando, haciendo todo el paso a 00:15:13.000 --> 00:15:18.000 través de la red neuronal, etcétera. 00:15:18.000 --> 00:15:27.000 Apple lo que ha hecho ha sido utilizar una forma muy parecida a la que tiene ChatGPT, pero digamos que lo ha adaptado a las necesidades locales. 00:15:27.000 --> 00:15:31.000 Lo primero que ha hecho Apple es utilizar técnicas de find tuning por el 00:15:31.000 --> 00:15:35.000 que ha ido especializando los modelos con múltiples entrenamientos y 00:15:35.000 --> 00:15:39.000 descartando información redundante y dando información de mucha más 00:15:39.000 --> 00:15:43.000 calidad y mucho más enfocada en aquello que se pretende dar como 00:15:43.000 --> 00:15:51.000 funcionalidad para crear un modelo que no tenga tanta hemorragia. 00:15:52.000 --> 00:15:57.000 Al final, un modelo como ChatGPT es maravilloso, es estupendo, pero GPT 00:15:57.000 --> 00:16:02.000 Four, por ejemplo, GPT cuatro, tiene uno coma ocho t de parámetros 00:16:02.000 --> 00:16:07.000 totales, es decir, tiene un uno coma ocho billones con b, trillon, si 00:16:07.000 --> 00:16:13.000 habláramos en términos americanos, de parámetros en su entrenamiento. 00:16:14.000 --> 00:16:17.000 Esto es una auténtica burrada, porque no podemos olvidar que hemos dicho 00:16:17.000 --> 00:16:20.000 que el modelo de Apple es de tres b, es decir, es de tres mil millones de 00:16:20.000 --> 00:16:25.000 parámetros, y estamos hablando de un modelo de uno coma ocho billones de parámetros. 00:16:26.000 --> 00:16:30.000 Entonces, al final estos modelos tan grandes no tienen una depuración de 00:16:30.000 --> 00:16:34.000 fuentes, sino que se le da un montón de fuentes y se arriesgan a que haya 00:16:34.000 --> 00:16:38.000 un montón de datos duplicados, redundantes, datos que no aportan nada a 00:16:38.000 --> 00:16:42.000 la red neuronal, datos que prácticamente van a datos que van a crear 00:16:42.000 --> 00:16:46.000 caminos dentro de la red neuronal que prácticamente no van a ser 00:16:46.000 --> 00:16:50.000 recorridos casi en ningún elemento, Apple ha ido especializando los 00:16:50.000 --> 00:16:54.000 modelos, se ha ido optimizando durante más de un año y medio estos 00:16:54.000 --> 00:16:58.000 modelos para que así sean lo más eficientes posibles, para que cada dato 00:16:58.000 --> 00:17:02.000 recorra el máximo posible dentro de la red neuronal, analizando cómo 00:17:02.000 --> 00:17:06.000 funciona y que sea lo más eficiente a la hora de dar el objetivo, porque 00:17:06.000 --> 00:17:14.000 ese es el segundo elemento. 00:17:14.000 --> 00:17:19.000 Apple lo que ha hecho es algo parecido a los modelos expertos, a los a los 00:17:19.000 --> 00:17:24.000 mixtors of experts utilizan modelos grandes, creando lo que Apple llama 00:17:24.000 --> 00:17:29.000 los adapters, adaptadores que lo que hacen es utilizar los distintos 00:17:29.000 --> 00:17:35.000 pesados del modelo para tener una especialización dinámica. 00:17:36.000 --> 00:17:45.000 Es decir, que cuando yo, que esto es lo que hace ChatGPT, es decir, ChatGPT no está cargado todo el rato todo el modelo para dar soluciones. 00:17:46.000 --> 00:17:52.000 Si yo estoy hablándole de programación, tiene cargado el modelo general de entendimiento y tiene cargado el modelo de goding. 00:17:52.000 --> 00:17:56.000 Luego, si le empiezo a hablar de matemáticas, carga el modelo de Math, si 00:17:56.000 --> 00:18:00.000 le empiezo a hablar de temas de otro lo que sea, pues cargas, es decir, 00:18:00.000 --> 00:18:04.000 tiene lo que se conoce técnicamente, lo hemos comentado, como un mixture 00:18:04.000 --> 00:18:08.000 of experts, una mezcla de expertos, donde hay un montón de modelos 00:18:08.000 --> 00:18:12.000 expertos dedicados y entrenados a temas muy concretos que se van cargando 00:18:12.000 --> 00:18:16.000 o descargando de memoria según su necesidad. 00:18:16.000 --> 00:18:19.000 Pues bien, Apple ha hecho esto, ha utilizado adapters, que es como lo ha 00:18:19.000 --> 00:18:22.000 llamado él, para que en esa especialización dinámica los modelos vayan, 00:18:22.000 --> 00:18:25.000 o sea, modelos específicamente entrenados para ciertas tareas que se van 00:18:25.000 --> 00:18:31.000 cargando en función de lo que yo necesito. 00:18:31.000 --> 00:18:33.000 ¿Que necesito hacer un resumen de un texto? 00:18:33.000 --> 00:18:35.000 Llama al modelo experto en resúmenes. 00:18:35.000 --> 00:18:40.000 ¿Que necesito hacer un una generación de una conversación? 00:18:40.000 --> 00:18:41.000 Llama al modelo experto en eso. 00:18:41.000 --> 00:18:42.000 ¿Que necesito un email? 00:18:42.000 --> 00:18:45.000 Pues llama al modelo experto para hacer emails, es decir, cada 00:18:45.000 --> 00:18:48.000 funcionalidad tiene un adapter que se encarga de hacer esa tarea de una 00:18:48.000 --> 00:18:51.000 manera más concreta. 00:18:52.000 --> 00:18:56.000 A todo esto le ha unido la compresión, los modelos están realizados con 00:18:56.000 --> 00:19:00.000 dieciséis bits de palabra, es decir, cada uno de los perceptrones, cada 00:19:00.000 --> 00:19:04.000 una de las neuronas de la red neuronal, tiene un tamaño en su 00:19:04.000 --> 00:19:08.000 entrenamiento de, en su entrenamiento real, de dieciséis bits, pero Apple 00:19:08.000 --> 00:19:12.000 lo que ha hecho ha sido cuantizar los modelos a cuatro bits en un proceso 00:19:12.000 --> 00:19:16.000 en el que ha optimizado el rendimiento de esta cuantización para que el 00:19:16.000 --> 00:19:26.000 nivel de eficiencia del modelo se reduzca lo menos posible. 00:19:26.000 --> 00:19:30.000 Ha ido analizando los distintos resultados y ha utilizado cuantización para esto. 00:19:30.000 --> 00:19:31.000 ¿Qué es la cuantización? 00:19:32.000 --> 00:19:36.000 La cuantización es cuando yo cojo la representación de posibles valores 00:19:36.000 --> 00:19:40.000 de un perceptrón, de una neurona dentro de la red neuronal de dieciséis 00:19:40.000 --> 00:19:44.000 bits, que es capaz de representar sesenta y cinco mil quinientos treinta y 00:19:44.000 --> 00:19:48.000 seis valores distintos, y intento conseguir los mismos resultados dentro 00:19:48.000 --> 00:19:52.000 de una red neuronal en el que cada perceptrón solo es capaz de guardar 00:19:52.000 --> 00:19:57.000 valores de dieciséis posibles valores, cuatro bits. 00:19:58.000 --> 00:20:03.000 Esto, lógicamente, lo que hace es que la eficiencia del modelo se reduzca, 00:20:03.000 --> 00:20:08.000 pero si conseguimos que el modelo reduzca la eficiencia lo menos posible, 00:20:08.000 --> 00:20:13.000 imagínense en una predicción de una posible respuesta en un modelo 00:20:13.000 --> 00:20:18.000 generativo de lenguaje, yo cogería y diría, vale, yo pongo este modelo y 00:20:18.000 --> 00:20:23.000 le pido que me complete este texto, y ahora este texto que está 00:20:23.000 --> 00:20:28.000 completando resulta que el perceptrón tiene sesenta y cinco mil 00:20:28.000 --> 00:20:33.000 quinientas treinta y seis posibilidades de datos para sí mismo, que 00:20:33.000 --> 00:20:38.000 combinados con los otros perceptrones dará una salida aleatoria de x calidad. 00:20:38.000 --> 00:20:42.000 Si yo consigo que el resultado sea parecido y, a lo mejor, la predicción 00:20:42.000 --> 00:20:46.000 reduzca su eficiencia en un diez, quince por ciento, pero ahora ya no 00:20:46.000 --> 00:20:50.000 tengo que almacenar dieciséis bits, sesenta y cinco mil quinientos 00:20:50.000 --> 00:20:54.000 treinta y seis valores, sino que con dieciséis la red neuronal me sigue 00:20:54.000 --> 00:20:58.000 dando un resultado lo suficientemente bueno, pues he conseguido que el 00:20:58.000 --> 00:21:06.000 modelo neuronal, la red neuronal, ocupe cuatro veces menos de espacio. 00:21:07.000 --> 00:21:11.000 Esto unido a la propia optimización de el el proceso de cuantización 00:21:11.000 --> 00:21:15.000 eliminando elementos o partes de la red neuronal que puedan ser detectadas 00:21:15.000 --> 00:21:19.000 como redundantes, por lo que al final tenemos una ayuda, en este sentido, 00:21:19.000 --> 00:21:25.000 para hacer este funcionamiento, ¿vale? 00:21:26.000 --> 00:21:29.000 Es decir, son técnicas que, insisto, no son nuevas ni las ha inventado 00:21:29.000 --> 00:21:32.000 Apple, pero Apple las está aplicando de una manera bastante buena para 00:21:32.000 --> 00:21:35.000 que todo esto funcione en local, de hecho, prácticamente esto de la misma 00:21:35.000 --> 00:21:38.000 manera es lo que hará Google y lo que hará Microsoft también para 00:21:38.000 --> 00:21:43.000 ejecutar sus modelos. 00:21:43.000 --> 00:21:47.000 Además, para mejorar el rendimiento de la ejecución de los propios 00:21:47.000 --> 00:21:51.000 modelos, de lo que conocemos técnicamente como la inferencia, lo que hace 00:21:51.000 --> 00:21:55.000 Apple son algunas técnicas que mejoran dicha ejecución. 00:21:56.000 --> 00:21:59.000 Por ejemplo, estaríamos hablando de la decodificación especulativa, que 00:21:59.000 --> 00:22:02.000 básicamente es que yo, a la hora de generar posibles respuestas de 00:22:02.000 --> 00:22:05.000 completado, no olvidemos que el completado de texto, que es los modelos de 00:22:05.000 --> 00:22:08.000 lenguaje, no es más que coger un texto que está inacabado y completarlo, 00:22:08.000 --> 00:22:11.000 aunque yo crea que es una conversación, en realidad no lo es, la 00:22:11.000 --> 00:22:14.000 decodificación especulativa lo que hace es generar distintas 00:22:14.000 --> 00:22:22.000 posibilidades en una misma petición. 00:22:23.000 --> 00:22:27.000 Cuando yo le paso un texto y tiene que completarlo, lo que hace es generar 00:22:27.000 --> 00:22:31.000 varias posibilidades de ese texto, y en función del texto que, en 00:22:31.000 --> 00:22:35.000 función de esas propias posibilidades que ha dado, utiliza una serie de 00:22:35.000 --> 00:22:39.000 filtros que le dan la calidad de cada uno de esos posibles resultados y, 00:22:39.000 --> 00:22:44.000 por lo tanto, va a recoger aquel elemento que sea mejor. 00:22:45.000 --> 00:22:49.000 Es una forma de descartar posibles completados, posibles predicciones, una 00:22:49.000 --> 00:22:53.000 predicción es cuando yo completo el texto, posibles predicciones de más 00:22:53.000 --> 00:22:57.000 baja calidad, por lo que pide varias y filtra y decide cuál es la que 00:22:57.000 --> 00:23:03.000 tiene un una mejor calidad. 00:23:03.000 --> 00:23:06.000 Además, utiliza técnicas de poda de contexto, por lo que descarta 00:23:06.000 --> 00:23:09.000 determinados temas que no tengan que ver, o determinadas completados que 00:23:09.000 --> 00:23:12.000 no tengan que ver con la parte, es decir, si yo tengo un contexto muy 00:23:12.000 --> 00:23:15.000 grande sobre el que tengo que contestar, simplemente se centra en las 00:23:15.000 --> 00:23:18.000 partes más claras o las partes más principales de aquello en lo que 00:23:18.000 --> 00:23:21.000 tiene que contestar, descartando el resto y, por lo tanto, reduce la 00:23:21.000 --> 00:23:30.000 cantidad de contexto que tiene que utilizar para dar las respuestas. 00:23:31.000 --> 00:23:38.000 En fin, una serie de técnicas bastante interesantes que mejoran la eficiencia, la velocidad y el rendimiento de estos modelos. 00:23:38.000 --> 00:23:43.000 Además, estos modelos van a poder integrarse con las aplicaciones, ya lo 00:23:43.000 --> 00:23:48.000 comentamos, yo lo venía vaticinando desde hace bastante tiempo y así se ha confirmado. 00:23:48.000 --> 00:23:52.000 Apple Intelligence será capaz de utilizar las intenciones de Siri, los app 00:23:52.000 --> 00:23:56.000 intents, que son las capacidades que permiten a el sistema, a Siri, poder 00:23:56.000 --> 00:24:00.000 acceder a los menús de las aplicaciones e incluso al texto hay en 00:24:00.000 --> 00:24:04.000 pantalla, por lo que yo voy a poder pedirle cosas a Siri dentro de las 00:24:04.000 --> 00:24:08.000 aplicaciones que entienda lo que hay en la interfaz y que me conteste a 00:24:08.000 --> 00:24:12.000 partir de lo que hay en dicha interfaz o de lo que cierta aplicación 00:24:12.000 --> 00:24:17.000 está haciendo. 00:24:17.000 --> 00:24:21.000 Si yo como desarrollador le comunico a Siri qué es lo que mi usuario hace 00:24:21.000 --> 00:24:25.000 en los distintos elementos de mi app, o qué es lo que está completando a 00:24:25.000 --> 00:24:29.000 nivel de información, o qué información está viendo, entonces, Siri 00:24:29.000 --> 00:24:33.000 será capaz de entender de una manera mucho más concreta y crear todo un 00:24:33.000 --> 00:24:37.000 índice semántico de contenido que le permita entender de una manera 00:24:37.000 --> 00:24:41.000 mucho mejor qué es lo que mi usuario hace con mi app y ayudarlo en esa 00:24:41.000 --> 00:24:45.000 app, pudiendo incluso, en ciertos contenidos, acceder a los elementos de 00:24:45.000 --> 00:24:49.000 la propia aplicación y trabajar con ello, como, por ejemplo, un campo de 00:24:49.000 --> 00:24:53.000 texto en pantalla que yo dentro de una app le pueda pedir a Siri que haga 00:24:53.000 --> 00:25:02.000 cierta cosa y lo complete. 00:25:02.000 --> 00:25:07.000 Por lo tanto, todo esto va a permitir que Siri sea, por fin, un asistente 00:25:07.000 --> 00:25:12.000 real, un asistente que te permita hacer un montón de cosas muy 00:25:12.000 --> 00:25:17.000 interesantes, te permita hacer cosas como, por ejemplo, la generación de 00:25:17.000 --> 00:25:22.000 texto, la generación de texto con los modelos de lenguaje para utilizar 00:25:22.000 --> 00:25:30.000 técnicas de resumen de texto, corrección de texto, ¿vale? 00:25:30.000 --> 00:25:34.000 Es capaz de corregirte un texto, incluso gramaticalmente, generar cierto 00:25:34.000 --> 00:25:38.000 tipo de respuestas a partir del correo, a partir de los mensajes y 00:25:38.000 --> 00:25:42.000 mimetizar la forma en la que tú te expresas, y por lo tanto, todo eso va 00:25:42.000 --> 00:25:46.000 a permitir, con distintos adapters dedicados para cada una de estas tareas 00:25:46.000 --> 00:25:50.000 de control de texto, el hacer que estas estos elementos sean mejores, o 00:25:50.000 --> 00:25:57.000 por ejemplo, todo el tema de la generación de imágenes. 00:25:57.000 --> 00:26:01.000 Tenemos los emojis, la generación de emojis en tiempo real, emojis en los 00:26:01.000 --> 00:26:05.000 que, a partir de una descripción, se genera un pequeño emoji que 00:26:05.000 --> 00:26:09.000 represente lo que se está diciendo, a partir de un modelo entrenado que 00:26:09.000 --> 00:26:15.000 se cargará para dar solución a través del modelo Matrioska. 00:26:16.000 --> 00:26:20.000 Ya hemos hablado aquí del modelo Matrioska y adelantado lo que era esto, ¿vale? 00:26:20.000 --> 00:26:23.000 Les dejo por aquí el el programa, ¿de acuerdo? 00:26:24.000 --> 00:26:33.000 Entonces, en este programa ya estuvimos hablando de que Matryoshka son las muñequitas rusas que se pueden ir metiendo unas dentro de otras. 00:26:33.000 --> 00:26:37.000 Apple lo ha llamado así porque son distintos modelos de generación de 00:26:37.000 --> 00:26:41.000 imágenes para distintas cosas que tienen, en principio, tres 00:26:41.000 --> 00:26:45.000 funcionalidades que Apple ha declarado, la generación de emojis en tiempo 00:26:45.000 --> 00:26:49.000 real, la generación de prompts, de generación de imágenes a través de 00:26:49.000 --> 00:26:53.000 una nueva aplicación llamada image playground, que además yo como 00:26:53.000 --> 00:26:57.000 desarrollador puedo incluir dentro de mi aplicación, porque tenemos un 00:26:57.000 --> 00:27:01.000 image playground view para meter el SWIFT UI, y poder realizar la 00:27:01.000 --> 00:27:05.000 generación de imágenes a partir de prompts contextuales de distintos 00:27:05.000 --> 00:27:09.000 temas, donde yo simplemente pongo un tema y en una nube se van mezclando 00:27:09.000 --> 00:27:13.000 esos temas y se van generando imágenes de una muy buena calidad, a lo 00:27:13.000 --> 00:27:17.000 cual también se añade la posibilidad de coger una imagen ya hecha o 00:27:17.000 --> 00:27:21.000 incluso una fotografía de una persona y adaptarla tomándolo como guía 00:27:21.000 --> 00:27:30.000 de referencia contextual para generar una imagen. 00:27:30.000 --> 00:27:35.000 En principio, estos son las funcionalidades que Apple incluye, sin entrar 00:27:35.000 --> 00:27:40.000 dentro de las que ya por visión cálculos por por visión computerizada y 00:27:40.000 --> 00:27:45.000 que eso ya funciona a día de hoy, o como, por ejemplo, SCODE, que tiene 00:27:45.000 --> 00:27:50.000 un modelo generativo, que ahora mismo lo que permite es un completado de 00:27:50.000 --> 00:27:55.000 código inteligente que funciona realmente bien, yo ya lo he probado en mi 00:27:55.000 --> 00:28:00.000 Mac mini m uno de prueba, que necesita dieciséis gigas de RAM, pero que 00:28:00.000 --> 00:28:05.000 realmente es bastante espectacular. 00:28:05.000 --> 00:28:14.000 Pero todo esto son funcionalidades dentro de las aplicaciones, por lo que tenemos que distinguir muy bien los distintos pilares, ¿vale? 00:28:14.000 --> 00:28:18.000 Con esto vamos viendo lo que sería la conclusión final. 00:28:18.000 --> 00:28:22.000 El primer pilar de todos es el de las funciones de inteligencia artificial 00:28:22.000 --> 00:28:26.000 dentro de aplicaciones o servicios del sistema, como por ejemplo, SCODE 00:28:26.000 --> 00:28:30.000 con la parte de autocompletado, como por ejemplo la calculadora con la 00:28:30.000 --> 00:28:34.000 parte de el cálculo de operaciones escritas, o la parte de la el uso de 00:28:34.000 --> 00:28:38.000 la Apple Pencil para la escritura, en el que es capaz de copiar y pegar 00:28:38.000 --> 00:28:42.000 texto con mi propia letra e incluso mejorarla, y esto está disponible 00:28:42.000 --> 00:28:52.000 también en notas. 00:28:52.000 --> 00:28:55.000 De hecho, las notas matemáticas también podemos usarlas en notas, por lo 00:28:55.000 --> 00:28:58.000 que ese tipo de inteligencia artificial que ya está disponible, al menos 00:28:58.000 --> 00:29:01.000 las notas matemáticas, la del texto todavía no, pero al menos yo no he 00:29:01.000 --> 00:29:04.000 sido capaz de encontrar o de ver cómo funciona porque no me ha aparecido 00:29:04.000 --> 00:29:09.000 en el iPad, ¿vale? 00:29:09.000 --> 00:29:11.000 Pero, bueno, me dice que está, ¿vale? 00:29:11.000 --> 00:29:13.000 Pero yo no he conseguido que funcione, ¿ok? 00:29:14.000 --> 00:29:17.000 Entonces, el tema es que probablemente sea para una próxima beta. 00:29:18.000 --> 00:29:21.000 Entonces, el kit de la cuestión está en que esos son servicios del 00:29:21.000 --> 00:29:24.000 sistema, servicios que funcionan a día de hoy o que están dentro de una 00:29:24.000 --> 00:29:28.000 aplicación concreta como en el caso de SCODE con el modelo generativo, ¿vale? 00:29:28.000 --> 00:29:29.000 Que es un componente más y que además se va actualizando versión a versión. 00:29:29.000 --> 00:29:30.000 Perfecto. 00:29:35.000 --> 00:29:39.000 Ahora, el siguiente paso es el de Apple Intelligence, que se estará en 00:29:39.000 --> 00:29:43.000 otoño, y es el de la ejecución en local, iPhone quince Pro, quince Pro 00:29:43.000 --> 00:29:49.000 Max, todos los Mac con chip Apple Silicon, todos los iPads con chip M. 00:29:50.000 --> 00:29:57.000 Esos son los que van a poder permitir la ejecución en local con todo lo que hemos comentado, cómo funciona, etcétera. 00:29:57.000 --> 00:30:02.000 Esos dispositivos, en ciertas circunstancias, van a tener que salir a la 00:30:02.000 --> 00:30:07.000 nube, pero solo en momentos muy concretos, porque ahí será cuando entra 00:30:07.000 --> 00:30:12.000 en funcionamiento lo que llamamos el private cloud compute, elementos en 00:30:12.000 --> 00:30:19.000 los que ¿qué sucede? 00:30:19.000 --> 00:30:21.000 Pues bien, contexto. 00:30:22.000 --> 00:30:32.000 Cuando yo tengo un modelo generativo que tiene un determinado tamaño, una determinada calidad, se le puede sacar lo que se le puede sacar. 00:30:32.000 --> 00:30:35.000 Para hacer resúmenes, para contestar correos, para contestar mensajes, 00:30:35.000 --> 00:30:38.000 para generar texto, para hacer, en fin, todo ese tipo de cosas que hemos 00:30:38.000 --> 00:30:41.000 comentado que es capaz de hacer lo que sería el modelo de Apple 00:30:41.000 --> 00:30:47.000 Intelligence, el local, genial. 00:30:47.000 --> 00:30:50.000 Pero, ¿qué es lo que sucede cuando yo quiero que me procese un PDF de un 00:30:50.000 --> 00:30:53.000 montón de páginas que supera los, se calcula aproximadamente tres mil 00:30:53.000 --> 00:30:56.000 tokens, tres mil a cuatro mil tokens de contexto completo que puede llegar 00:30:56.000 --> 00:31:02.000 a tener el modelo en local. 00:31:03.000 --> 00:31:04.000 Repito, esto es una estimación, ¿vale? 00:31:04.000 --> 00:31:11.000 No se sabe con seguridad, pero en base a los modelos que ya teníamos, se calcula que sería más o menos ese. 00:31:12.000 --> 00:31:21.000 Si ese contexto de dos mil o tres mil tokens, cuatro mil como mucho, no es suficiente, porque estaríamos hablando, tokens son más o menos palabras. 00:31:21.000 --> 00:31:24.000 Si yo tengo mil tokens, pues vendría a ser, más o menos, unas mil cien 00:31:24.000 --> 00:31:27.000 palabras, porque los tokens son aquellas palabras que realmente son 00:31:27.000 --> 00:31:30.000 importantes dentro de un texto y que van a dar sentido al completado a 00:31:30.000 --> 00:31:36.000 partir del mismo. 00:31:36.000 --> 00:31:40.000 El contexto, por decirlo de alguna manera, sería la memoria, que es capaz 00:31:40.000 --> 00:31:44.000 de recordar o de concatenar ciertas peticiones de un lado o de otro, es 00:31:44.000 --> 00:31:48.000 capaz de que yo le pida a Siria una cosa, le vuelva a pedir otra, le 00:31:48.000 --> 00:31:53.000 vuelva a pedir otra y sepa de lo que le estoy hablando porque lo recuerda. 00:31:53.000 --> 00:31:57.000 Ese contexto tiene un tamaño, insisto, de dos mil, tres mil palabras, se 00:31:57.000 --> 00:32:01.000 estima, por lo que cuando yo necesito algo más grande, cuando yo voy a 00:32:01.000 --> 00:32:05.000 procesar más información, cuando necesito que la respuesta sea de más 00:32:05.000 --> 00:32:09.000 calidad, Apple sale a la nube propia, a una nube propia, solo para Apple 00:32:09.000 --> 00:32:16.000 Intelligence, ¿de acuerdo? 00:32:18.000 --> 00:32:23.000 Esto también porque, repito, podría funcionar en, esto podría hacer que 00:32:23.000 --> 00:32:28.000 dispositivos que no tienen la capacidad de los motores neurales funcionaran. 00:32:28.000 --> 00:32:32.000 El problema es que Apple no tiene la capacidad, ni Apple ni creo que casi 00:32:32.000 --> 00:32:36.000 nadie, tiene la capacidad de manera gratuita de ofrecer servicio a más de 00:32:36.000 --> 00:32:42.000 mil millones de dispositivos en el mundo. 00:32:44.000 --> 00:32:48.000 Sé que yo he defendido durante mucho tiempo que los dispositivos que no 00:32:48.000 --> 00:32:52.000 estén soportados irían en la nube, y sí, me equivoqué, me equivoqué 00:32:52.000 --> 00:32:56.000 porque no caí en ese pequeño detalle de que realmente Apple no tendría 00:32:56.000 --> 00:33:00.000 la capacidad, como casi ninguna empresa que no se dedique cien por cien a 00:33:00.000 --> 00:33:04.000 la nube, con un coste muy alto, a dar servicio a más de mil millones de 00:33:04.000 --> 00:33:08.000 dispositivos, por lo que Apple ha tenido que cortar aquí también, por lo 00:33:08.000 --> 00:33:12.000 que, en principio, no estaría disponible este cloud compute privado, nada 00:33:12.000 --> 00:33:16.000 más que aquellos dispositivos que sí son capaces de hacer las peticiones 00:33:16.000 --> 00:33:20.000 en local, porque Apple ya habrá estimado, a nivel de uso, que esta nube 00:33:20.000 --> 00:33:24.000 privada solo se usará en muy concretas ocasiones y, por lo tanto, habrá 00:33:24.000 --> 00:33:28.000 estimado cuántos dispositivos tiene y cuánto va a suponer a nivel de 00:33:28.000 --> 00:33:32.000 carga y cómo va a tener que cargar sus centros de datos para dar el 00:33:32.000 --> 00:33:44.000 servicio con garantías. 00:33:45.000 --> 00:33:49.000 Un servicio en el que se utilizan técnicas de cifrado de extremo a 00:33:49.000 --> 00:33:53.000 extremo, se utilizan técnicas de procesamiento de peticiones a nivel 00:33:53.000 --> 00:33:57.000 contextual de una manera concreta en el que cuando acaba se borra la 00:33:57.000 --> 00:34:01.000 información, en el que se garantizan los servidores a través de 00:34:01.000 --> 00:34:05.000 técnicas de update station para que, a través de firma digital, se sepa 00:34:05.000 --> 00:34:09.000 que esos servidores son los reales y no haya una suplantación, y todo 00:34:09.000 --> 00:34:13.000 esto además se ha puesto al servicio de la comunidad de de auditores de 00:34:13.000 --> 00:34:17.000 seguridad y de toda la comunidad abierta de seguridad desarrollo de 00:34:17.000 --> 00:34:21.000 software, para que ellos puedan auditar e incluso se les va a recompensar 00:34:21.000 --> 00:34:25.000 si encontraran errores que permitieran filtrar la información, porque 00:34:25.000 --> 00:34:29.000 Apple, toda esta tecnología, la ha hecho abierta para que los expertos en 00:34:29.000 --> 00:34:33.000 seguridad puedan auditarla y puedan dar la garantía de que todo esto 00:34:33.000 --> 00:34:49.000 funciona de manera correcta y que no hay trampa ni cartón por ningún lado. 00:34:50.000 --> 00:34:54.000 Por lo tanto, lo que tendríamos ahí con esas conexiones end to end, con 00:34:54.000 --> 00:34:58.000 esa no retención de datos, con una verificación pública de las 00:34:58.000 --> 00:35:02.000 imágenes, con estos modelos que dan recompensa si se encuentran problemas 00:35:02.000 --> 00:35:06.000 de seguridad, etcétera, lo que harían sería permitir que todo este 00:35:06.000 --> 00:35:10.000 Apple Intelligence funcione para, repito, cuando hay una petición que 00:35:10.000 --> 00:35:14.000 requiere más contexto, salimos a la nube a centros de datos de Apple con 00:35:14.000 --> 00:35:18.000 Mac Studio M dos ultras, que serán capaces de, a través de sus motores 00:35:18.000 --> 00:35:25.000 neurales, procesar la petición y devolverla. 00:35:25.000 --> 00:35:29.000 No será tan rápido, pero para cosas que requieran mucho más contexto se 00:35:29.000 --> 00:35:33.000 hará de esta manera, y Apple ya habrá estimado que esto probablemente 00:35:33.000 --> 00:35:37.000 suponga a lo mejor un cinco o un diez por ciento del total de peticiones 00:35:37.000 --> 00:35:42.000 mensuales, porque la gran mayoría se resolverán en local, ¿vale? 00:35:42.000 --> 00:35:47.000 Por lo tanto, ese sería el funcionamiento de esta parte de private cloud compute, ¿vale? 00:35:47.000 --> 00:35:57.000 Para poder apoyar a estos modelos generativos que no tengan la capacidad del local para manejar un contexto tan amplio, ¿de acuerdo? 00:35:58.000 --> 00:36:06.000 Así que eso sería, en resumen, lo que tendríamos que ver. 00:36:07.000 --> 00:36:09.000 Por último, ¿qué sucede con ChatGPT? 00:36:09.000 --> 00:36:13.000 Pues bien, lo de ChatGPT es algo que se ha cerrado en las últimas semanas, 00:36:13.000 --> 00:36:17.000 por lo que la única información que hay disponible a día de hoy con 00:36:17.000 --> 00:36:21.000 respecto a lo de ChatGPT viene de la propia página de OpenAI o viene de 00:36:21.000 --> 00:36:25.000 la propia presentación de la keynote. 00:36:26.000 --> 00:36:29.000 En los vídeos que Apple está liberando no cuenta nada de ChatGPT. 00:36:30.000 --> 00:36:35.000 Lo de ChatGPT, y repito, todavía no está confirmado, parece que podría 00:36:35.000 --> 00:36:40.000 ser que estuviera disponible para todo el mundo, Es decir, que tú 00:36:40.000 --> 00:36:45.000 pudieras, en un dispositivo que no soporte App Intelligence, pedirle a la 00:36:45.000 --> 00:36:50.000 Siri tradicional, la que ya tenemos ahora, no a la nueva, pedirle que 00:36:50.000 --> 00:36:56.000 cierta petición te la resuelva con ChatGPT. 00:36:56.000 --> 00:37:00.000 Es decir, es como mucha gente se ha habilitado un shortcut que permite ir 00:37:00.000 --> 00:37:05.000 directamente a ChatGPT a resolver, pues esto es como si ya estuviera integrado. 00:37:06.000 --> 00:37:10.000 Por lo que tenemos que tener en cuenta eso que, repito, no está 00:37:10.000 --> 00:37:14.000 confirmado, pero parece ser que sí todos los dispositivos, iPhones, iPad, 00:37:14.000 --> 00:37:18.000 etcétera, que tengan iOS dieciocho, iPad OS dieciocho, etcétera, 00:37:18.000 --> 00:37:25.000 podrían usar ChatGPT a través de Siri. 00:37:25.000 --> 00:37:29.000 En el caso de los dispositivos que tiene Apple Intelligence, que de hecho 00:37:29.000 --> 00:37:33.000 Apple ya confirmó en una entrevista con iJustin en la propia WWC que 00:37:33.000 --> 00:37:37.000 está integrando Google Gemini, por lo tanto, cuando esto salga no solo 00:37:37.000 --> 00:37:41.000 estará ChatGPT, también tendremos a Gemini de Google, lo que hará es 00:37:41.000 --> 00:37:45.000 que a ciertas respuestas de Siri, tú voluntariamente le dices, vale, pero 00:37:45.000 --> 00:37:49.000 ahora empieza a usar ChatGPT, contéstame a partir de ahora con ChatGPT o 00:37:49.000 --> 00:37:53.000 con Gemini, no me contestes como el modelo de Apple Intelligence, y 00:37:53.000 --> 00:37:57.000 entonces eso lo que hará será integrar las APIs de OpenAI y las APIs de 00:37:57.000 --> 00:38:08.000 Gemini, las APIs de Google. 00:38:08.000 --> 00:38:13.000 OpenAI ha dicho, y yo me lo tengo que creer, que va a borrar toda la 00:38:13.000 --> 00:38:18.000 información, que no va a guardar ninguna información de la que venga a 00:38:18.000 --> 00:38:23.000 partir de lo que es los dispositivos de Apple y, además, y esto lo 00:38:23.000 --> 00:38:28.000 confirmó Kreg Federiggi, se podrán utilizar tanto cuentas gratuitas como 00:38:28.000 --> 00:38:33.000 tienes cuenta de pago puedes acceder a las funciones más avanzadas que 00:38:33.000 --> 00:38:40.000 OpenAI vaya lanzando. 00:38:42.000 --> 00:38:46.000 Pero aquí no hay cifrado, es decir, no hay una integración con los 00:38:46.000 --> 00:38:50.000 servidores de Apple, de private cloud compute y tal, no, no hay 00:38:50.000 --> 00:38:56.000 absolutamente nada de eso. 00:38:57.000 --> 00:39:00.000 Simplemente es usar las APIs de OpenAI tal cual las usamos a día de hoy en 00:39:00.000 --> 00:39:03.000 cualquier aplicación de terceros, solo que va a estar integrado en el 00:39:03.000 --> 00:39:06.000 sistema operativo. 00:39:06.000 --> 00:39:09.000 Y lo mismo va a suceder con Yemini, por lo que ahí OpenAI ha firmado un 00:39:09.000 --> 00:39:12.000 acuerdo en el que se compromete a no almacenar ninguna información de de 00:39:12.000 --> 00:39:15.000 las peticiones que vengan de dispositivos Apple de manera nativa, y 00:39:15.000 --> 00:39:21.000 entiendo que Google hará lo mismo, ¿vale? 00:39:22.000 --> 00:39:24.000 Pero repito, esto hay que creérselo, ¿vale? 00:39:24.000 --> 00:39:26.000 Porque esto ya no depende de Apple. 00:39:26.000 --> 00:39:36.000 De hecho, cuando la respuesta viene de chat GPT, me pone de una manera muy clara, ojo que chat GPT se puede equivocar, ¿ok? 00:39:37.000 --> 00:39:43.000 Así que ese sería el, repito, resumen de lo que es Apple Intelligence. 00:39:43.000 --> 00:39:54.000 Nos queda mucho por ver, pero eso será en otro medio distinto porque aquí, pues, ya nos hemos ido a un programa, pues, un poco larguete, ¿vale? 00:39:54.000 --> 00:39:56.000 Pero bueno, es que había que hablar bien de todo esto. 00:40:08.000 --> 00:40:18.000 Y poco más, espero que les haya quedado claro, espero que les haya quedado más claro todo lo que es Apple Intelligence. 00:40:19.000 --> 00:40:25.000 A ver, a mí me parece bien que Apple Intelligence funcione solo en los dispositivos que funciona. 00:40:26.000 --> 00:40:27.000 Pues hombre, obviamente no. 00:40:28.000 --> 00:40:32.000 Obviamente no, porque yo tengo un iPhone catorce Pro y no voy a poder utilizar Apple Intelligence. 00:40:33.000 --> 00:40:37.000 De hecho, probablemente me tenga que cambiar de móvil, porque a nivel de 00:40:37.000 --> 00:40:41.000 trabajo yo necesito trabajar con Apple Intelligence, porque en la 00:40:41.000 --> 00:40:45.000 academia, en Apple Code in Academy, pues el año que viene el módulo de 00:40:45.000 --> 00:40:49.000 machine learning, pues va a ocupar mucho más de lo que ocupa este año, 00:40:49.000 --> 00:40:53.000 porque tendremos toda la implementación de Apple Intelligence, el uso de 00:40:53.000 --> 00:40:57.000 los de las intenciones de Siri, de los ABYTENS, etcétera, todo lo nuevo, 00:40:57.000 --> 00:41:01.000 y por lo tanto yo necesito un dispositivo iPhone, aparte del iPad que sí 00:41:01.000 --> 00:41:05.000 lo soporta o aparte de los Mac que también lo soportan, incluso el 00:41:05.000 --> 00:41:09.000 portátil, pero necesito también que eso funcione en un iPhone para poder 00:41:09.000 --> 00:41:13.000 probarlo para la academia, por lo que me tendré que comprar un iPhone 00:41:13.000 --> 00:41:17.000 dieciséis Pro, probablemente, probablemente, que no tenía pensado 00:41:17.000 --> 00:41:21.000 comprarme y que tampoco necesito, pero ahora sí, por esto. 00:41:21.000 --> 00:41:23.000 Por lo tanto, a mí no me gusta. 00:41:23.000 --> 00:41:26.000 Ahora, ¿entiendo que Apple haya tenido que hacer esto? 00:41:26.000 --> 00:41:30.000 Sí, lo entiendo perfectamente, igual que entiendo lo que ha hecho el resto 00:41:30.000 --> 00:41:34.000 de compañías, porque todo esto es demasiado moderno y el hardware no 00:41:34.000 --> 00:41:38.000 está preparado para hacer todo lo que tiene que hacer, y a a Jobs gracias 00:41:38.000 --> 00:41:42.000 el que los Apple Silicon de iPad y Mac sean capaces de hacerlo, incluso en 00:41:42.000 --> 00:41:48.000 dispositivos de hasta tres y cuatro años de antigüedad. 00:41:48.000 --> 00:41:49.000 Así que lo he dicho. 00:41:49.000 --> 00:41:52.000 Poco más, si les ha gustado, por favor, suscríbanse, compartan el 00:41:52.000 --> 00:41:55.000 episodio, ayúdennos a que se difunda la palabra de Jobs, que eso siempre 00:41:55.000 --> 00:41:59.000 nos ayuda mucho, y nos oímos pronto si Jobs quiere. 00:41:59.000 --> 00:42:03.000 Hasta entonces, un saludo y got, Apple Cody. 00:42:13.000 --> 00:42:20.000 Puedes escuchar más episodios de Apple Coding en Wanda punto com, la comunidad de podcast independientes en español.