WEBVTT
Kind: captions
Language: es

00:00:05.000 --> 00:00:08.000
Wanda, la comunidad de podcast independientes en español.

00:00:12.000 --> 00:00:14.000
¿Qué ha pasado en OpenAI en esta semana de infarto?

00:00:14.000 --> 00:00:15.000
¿Quiénes son los protagonistas?

00:00:16.000 --> 00:00:17.000
Para entenderlo, demos un paso atrás.

00:00:17.000 --> 00:00:23.000
Hoy nos adentraremos en el universo de la inteligencia artificial, donde cada avance es un desafío a lo establecido.

00:00:23.000 --> 00:00:25.000
Descubramos cómo tecnologías como los Transformers han cambiado

00:00:25.000 --> 00:00:27.000
radicalmente nuestra interacción con la IA y recorramos los avances desde

00:00:27.000 --> 00:00:29.000
los visionarios en DeepMind hasta los pioneros en Open AI, creando una

00:00:29.000 --> 00:00:31.000
nueva era donde la IA se convierte en compañera de nuestra incansable

00:00:31.000 --> 00:00:33.000
búsqueda por entender y mejorar nuestro entorno, y donde el objetivo

00:00:33.000 --> 00:00:40.000
podría ser una AGI.

00:00:40.000 --> 00:00:42.000
¿Pero qué es y cuán cerca estamos de ese concepto?

00:00:42.000 --> 00:00:47.000
Ahora en el podcast de Apple Coding, temporada diez, episodio número cuatro.

00:00:47.000 --> 00:00:48.000
Comenzamos.

00:01:02.000 --> 00:01:26.000
Estás escuchando Apple Coding, Dirigido y presentado por Julio César Fernández, Evangelista de desarrollo y formador de tecnología AP.

00:01:46.000 --> 00:01:51.000
Muy buenas y bienvenidos a un nuevo episodio de Apple Coding.

00:01:52.000 --> 00:01:55.000
Soy Julio César Fernández, Evangelista de desarrollo en entornos Apple,

00:01:55.000 --> 00:01:58.000
y, bueno, hoy estamos aquí para hablar de un tema que, pues, no tiene que

00:01:58.000 --> 00:02:03.000
ver con Apple, ¿vale?

00:02:03.000 --> 00:02:08.000
Sería un poco como si hoy llamáramos a este programa y a Coding o y o

00:02:08.000 --> 00:02:13.000
inteligencia artificial o algo parecido, porque supongo que muchos de

00:02:13.000 --> 00:02:18.000
ustedes sabrán la que se ha liado, buena, con todo lo que ha tenido que

00:02:18.000 --> 00:02:23.000
ver durante estas últimas semanas con OpenAI, Básicamente, bueno, con el

00:02:23.000 --> 00:02:28.000
despido fulminante de su CEO, San Altmant, un montón de cambios, de pasos

00:02:28.000 --> 00:02:33.000
que ha dado la industria, que luego ha vuelto a, bueno, pues a que OpenAI

00:02:33.000 --> 00:02:38.000
se quede como estaba, pero echando fuera a quien parece ser que podía

00:02:38.000 --> 00:02:43.000
estar molestando, para que la IA pudiera tener la, digamos, la evolución

00:02:43.000 --> 00:02:55.000
que ciertos sectores de comerciales, incluso la propia Microsoft, estaban detrás.

00:02:56.000 --> 00:03:04.000
Pero claro, aquí la idea no es contarles los hechos que ya conocen, los hechos que ya muchos han contado.

00:03:05.000 --> 00:03:09.000
Haremos un pequeño resumen muy breve de lo que es el lo que ha ido pasando

00:03:09.000 --> 00:03:13.000
día a día para opinar un poco al respecto, pero la idea principal es

00:03:13.000 --> 00:03:17.000
que, bueno, al final se ha liado, pero mucha gente probablemente se esté

00:03:17.000 --> 00:03:22.000
preguntando, vale, estupendo, pero ¿qué es OpenAI?

00:03:23.000 --> 00:03:24.000
¿Qué qué es esto?

00:03:24.000 --> 00:03:25.000
¿Qué qué es lo que está sucediendo?

00:03:25.000 --> 00:03:27.000
O sea, ¿qué es esta empresa?

00:03:27.000 --> 00:03:31.000
¿Quiénes son los artífices de esto que se llama ChatGPT que ha

00:03:31.000 --> 00:03:35.000
revolucionado por completo el mundo a nivel productivo, a nivel de

00:03:35.000 --> 00:03:39.000
trabajo, a nivel de, bueno, pues, un cambio que que si nos lo comentan

00:03:39.000 --> 00:03:43.000
hace un par de años, pensaríamos que es absolutamente ciencia ficción

00:03:43.000 --> 00:03:47.000
y, sin embargo, aquí estamos, aquí estamos hablando de OpenAI y aquí

00:03:47.000 --> 00:03:51.000
estamos hablando de una compañía que ha hecho lo que Apple hizo en su

00:03:51.000 --> 00:03:55.000
día con el lanzamiento de los Mac, con el lanzamiento de los iPod, con el

00:03:55.000 --> 00:04:06.000
lanzamiento de los iPhone, con el lanzamiento del iPad.

00:04:08.000 --> 00:04:12.000
En fin, no todo no todos los días aparece una compañía capaz de hacer

00:04:12.000 --> 00:04:16.000
este cambio y, sin embargo, OpenAI lo ha hecho, y lo ha hecho de una

00:04:16.000 --> 00:04:21.000
manera tan enorme que ha pillado a Apple con el pie cambiado.

00:04:21.000 --> 00:04:26.000
Apple Vision Pro, que debería debería haber sido un auténtico bombazo y

00:04:26.000 --> 00:04:31.000
haber copado todo tipo de artículos como el next Big Thin, como lo nuevo

00:04:31.000 --> 00:04:36.000
que nos espera como tal, que yo sigo pensando que lo es, que va a ser

00:04:36.000 --> 00:04:41.000
así, pero hay que reconocer que toda la fiesta, toda la atención de

00:04:41.000 --> 00:04:46.000
Apple Vision Pro, se ha visto mermada porque la gente está mirando para

00:04:46.000 --> 00:04:51.000
otro lado, está mirando para el lado de la inteligencia artificial

00:04:51.000 --> 00:04:56.000
generativa en un cambio que, insisto, Apple le ha pillado con el pie

00:04:56.000 --> 00:05:01.000
cambiado porque no han podido reaccionar.

00:05:02.000 --> 00:05:06.000
Es que no podemos olvidar que ChatGPT existe como servicio y la guía

00:05:06.000 --> 00:05:10.000
generativa se ha, digamos, viralizado como, bueno, pues como lo que es,

00:05:10.000 --> 00:05:14.000
como la cantidad de servicios que hay a su alrededor, a partir de

00:05:14.000 --> 00:05:18.000
noviembre, noviembre, diciembre del año dos mil veintidós, es decir,

00:05:18.000 --> 00:05:26.000
estamos a punto de cumplir un año.

00:05:27.000 --> 00:05:30.000
Obviamente, los tiempos con los que Apple funciona, Apple Vision Pro ya

00:05:30.000 --> 00:05:33.000
estaba más que planificada y ya estaba más que puesta para ser lanzada

00:05:33.000 --> 00:05:37.000
durante el año dos mil veintitrés.

00:05:38.000 --> 00:05:42.000
Al principio parecía que se iba a lanzar en primavera, luego parece ser

00:05:42.000 --> 00:05:46.000
que el software tuvo problemas para estar al día, luego lo hemos visto

00:05:46.000 --> 00:05:50.000
que efectivamente aún tiene problemas para estar al día, y acabamos de

00:05:50.000 --> 00:05:54.000
ver, por ejemplo, el lanzamiento de la parte de el plugin de PolySpacial

00:05:54.000 --> 00:06:00.000
para Unity y la y el soporte de los espacios completos y tal.

00:06:00.000 --> 00:06:04.000
Si quieren haremos un episodio especial para contarles cuál es el estado

00:06:04.000 --> 00:06:08.000
actual de Apple Vision Pro, que seguro que también les interesa para

00:06:08.000 --> 00:06:12.000
contarles todo lo que ya hay de este producto.

00:06:12.000 --> 00:06:16.000
Y repito, a mí me sigue pareciendo un producto maravilloso, pero hay que

00:06:16.000 --> 00:06:20.000
reconocer que la gente no está interesada en eso y es algo que, repito,

00:06:20.000 --> 00:06:24.000
Apple no podía hacer nada, o sea, hay mucha gente que dice, no, es que

00:06:24.000 --> 00:06:28.000
Apple, claro, es que claro, es que estamos a otra cosa, vamos a ver, no,

00:06:28.000 --> 00:06:32.000
no, no, no, o sea, seamos serios, estamos hablando de meses, ¿realmente

00:06:32.000 --> 00:06:36.000
piensan ustedes que Apple podía predecir, alguien podía predecir que en

00:06:36.000 --> 00:06:40.000
noviembre del año dos mil veintidós el mundo iba a cambiar como lo hizo

00:06:40.000 --> 00:06:44.000
con el lanzamiento de ChatGPT, y que el lanzamiento de ChatGPT propiciara

00:06:44.000 --> 00:06:48.000
una carrera, una carrera a una velocidad de locos, de lanzamientos, uno

00:06:48.000 --> 00:06:52.000
detrás de otro, detrás de otro, detrás de otro, que han cambiado por

00:06:52.000 --> 00:06:56.000
completo el paradigma de los servicios, de ciertos programas clave, los

00:06:56.000 --> 00:07:00.000
editores de vídeo ya no son, menos Final Cut, que todavía no se ha

00:07:00.000 --> 00:07:11.000
enterado, pero el resto ya no son como eran, ¿de acuerdo?

00:07:11.000 --> 00:07:15.000
Entonces, y y un montón de software, el software de retoque fotográfico,

00:07:15.000 --> 00:07:19.000
los softwares, hay infinidad de de de aplicaciones o servicios que nos

00:07:19.000 --> 00:07:23.000
permiten hacer cosas que hace literalmente poco más de un año eran

00:07:23.000 --> 00:07:27.000
impensables, como por ejemplo el que yo ahora puedo coger una aplicación

00:07:27.000 --> 00:07:31.000
como MacWhisper, que tiene integrado el modelo Whisper de OpenAI y sacar

00:07:31.000 --> 00:07:35.000
subtítulos con una eficiencia, con una claridad, o sea, con un libre de

00:07:35.000 --> 00:07:39.000
errores de un noventa y ocho por ciento de cualquier vídeo, sea cual sea

00:07:39.000 --> 00:07:43.000
su duración, en apenas minutos, algo que hace poco más de un año se

00:07:43.000 --> 00:07:47.000
pagaban salarios a profesionales para subtitular cosas y la gente echaba

00:07:47.000 --> 00:07:51.000
horas y horas y horas, y ahora le metes este modelo y te saca solo los

00:07:51.000 --> 00:07:55.000
subtítulos a partir del audio, es de locos, y eso es solo un pequeño

00:07:55.000 --> 00:07:59.000
cambio, por lo tanto, en fin, es a lo que vamos, es a lo que es lo que

00:07:59.000 --> 00:08:03.000
quiero explicar en este programa, no quiero poder explicarles, quiero

00:08:03.000 --> 00:08:07.000
poder contarles qué es OpenAI, qué es lo que ha cambiado y sobre todo

00:08:07.000 --> 00:08:11.000
esto que se está hablando mucho de las AJIS, ¿qué es una inteligencia

00:08:11.000 --> 00:08:21.000
artificial general?

00:08:22.000 --> 00:08:24.000
¿Y podríamos llegar a ella o no?

00:08:25.000 --> 00:08:27.000
Así que, sin más dilación, comenzamos.

00:08:35.000 --> 00:08:45.000
Disculpe, señor Ramírez, tienes un momento.

00:08:45.000 --> 00:08:48.000
Pasa, pasa, pase, Sierra, ¿en qué puedo ayudarte?

00:08:49.000 --> 00:08:57.000
Vara, es que ella lleva unos años en esta empresa, pero sigo siendo Junior y me preguntaba, ¿cuándo seré senior?

00:08:57.000 --> 00:09:00.000
A ver, Paco, ¿cómo te explico este joon?

00:09:01.000 --> 00:09:09.000
Cennio, en esta empresa, es un sentimiento, es algo que se arraiga en el alma y en tu forma de sentir la vida.

00:09:09.000 --> 00:09:10.000
No seas suerdo,

00:09:10.000 --> 00:09:11.000
No, será.

00:09:11.000 --> 00:09:14.000
Es tener conocimiento para volar más harto.

00:09:14.000 --> 00:09:15.000
¿Y cómo vuelo más alto?

00:09:15.000 --> 00:09:17.000
Raquito hijo, tú tienes estudio.

00:09:18.000 --> 00:09:20.000
Sabes que debes conocer, pases semi día.

00:09:20.000 --> 00:09:21.000
Pon yo.

00:09:21.000 --> 00:09:22.000
ver aquí.

00:09:22.000 --> 00:09:23.000
Toma, estúdiate.

00:09:23.000 --> 00:09:35.000
Yuai kil, Arquitectura, esto es muy importante por aquí, muy importante.

00:09:35.000 --> 00:09:40.000
Seguridad, que no queremos lío, ah, ¿y tú sabes qué es eso de la realidad aumentándome?

00:09:40.000 --> 00:09:42.000
Sí, eso de los Pokémon, ¿no?

00:09:42.000 --> 00:09:44.000
Que los cazaba en la calle, ¿no?

00:09:44.000 --> 00:09:52.000
Muy bien, pues, vale, también herviste un fro que nos va a venir bien para proyecto y alguien tiene que hacerlo.

00:10:09.000 --> 00:10:10.000
disgusto.

00:10:10.000 --> 00:10:13.000
No, esta no es la empresa ideal, ¿verdad?

00:10:13.000 --> 00:10:17.000
Pero al menos el señor Ramírez tenía razón en algo, aunque sea de casualidad.

00:10:18.000 --> 00:10:25.000
El conocimiento es lo que te abrirá las puertas para mejorar en tu carrera profesional, conocimiento y experiencia.

00:10:25.000 --> 00:10:29.000
¿Quieres avanzar en tu carrera profesional apostando por el desarrollo móvil en entornos Apple?

00:10:29.000 --> 00:10:32.000
En Apple Coding Academy tenemos lo que estás buscando.

00:10:32.000 --> 00:10:36.000
Presentamos la cuarta edición de nuestro Swift full stack bootcamp, un

00:10:36.000 --> 00:10:40.000
bootcamp diseñado para convertir a cualquier desarrollador, sea cual sea

00:10:40.000 --> 00:10:44.000
la tecnología o lenguaje donde trabaje, en un senior iOS Developer con

00:10:44.000 --> 00:10:48.000
conocimiento en todo lo que en cualquier empresa o consultora piden, o lo

00:10:48.000 --> 00:10:54.000
que necesitas para montarte por tu cuenta si quieres trabajar por ti mismo.

00:10:55.000 --> 00:11:01.000
En el Swift Fullstap Bootcamp encontrarás Swift como elemento común a todo el desarrollo y la formación.

00:11:01.000 --> 00:11:08.000
A partir de ahí aprenderás concurrencia de procesos, asincronía, arquitectura de proyectos, que ninguna combinación sea cual sea se te resista.

00:11:08.000 --> 00:11:12.000
Todo ello, por supuesto, aprendiendo UIKID y SWIFT UI al completo, cómo

00:11:12.000 --> 00:11:16.000
aplicar test y una aproximación basada en TDD cien por cien, seguridad,

00:11:16.000 --> 00:11:20.000
desarrollo del lado servidor, machine learning y, por supuesto, todo un

00:11:20.000 --> 00:11:24.000
módulo dedicado al próximo paso en el desarrollo en entornos Apple,

00:11:24.000 --> 00:11:28.000
Apple Vision Pro y Vision OS.

00:11:28.000 --> 00:11:32.000
Un bootcamp único pensado tanto para desarrolladores en otras

00:11:32.000 --> 00:11:36.000
tecnologías, junior o senior, que quieran reinventarse y dar un cambio en

00:11:36.000 --> 00:11:40.000
sus vidas hacia el muy demandado sector del desarrollo en entornos Apple,

00:11:40.000 --> 00:11:44.000
o para aquellos desarrolladores que ya trabajen con Apple pero quieran

00:11:44.000 --> 00:11:48.000
especializarse y cubrir todas las lagunas que puedan llegar a tener o

00:11:48.000 --> 00:11:52.000
ponerse al día con las últimas novedades y actualizaciones para iOS

00:11:52.000 --> 00:11:58.000
diecisiete y el resto de sistemas lanzados por Apple en el año dos mil veintitrés.

00:11:58.000 --> 00:12:02.000
Tienes toda la información en nuestra web, acoding punto academy barra

00:12:02.000 --> 00:12:06.000
bootcamp, y descubre las distintas formas de financiación hasta en

00:12:06.000 --> 00:12:10.000
treinta y seis meses o incluso en doce meses sin intereses.

00:12:10.000 --> 00:12:16.000
Nunca ha sido más fácil apostar por invertir en ti mismo para llegar más lejos.

00:12:16.000 --> 00:12:20.000
Da el paso y apuesta por tu formación, apuesta por ti, por ese senior IOS

00:12:20.000 --> 00:12:24.000
developer que llevas dentro y que encontrarás en el Sweep Four Stav

00:12:24.000 --> 00:12:30.000
Bootcamp de Apple Coding Academy.

00:12:51.000 --> 00:12:59.000
Si le echamos un vistazo a la evolución que ha tenido la inteligencia artificial en los últimos años, la verdad que es bastante curioso.

00:13:00.000 --> 00:13:06.000
Bastante curioso porque ha ido cambiando de manos quién es quién ha sido la empresa dominante de esta tecnología.

00:13:07.000 --> 00:13:11.000
Tenemos que tener en cuenta que los primeros atisbos, la primera fama,

00:13:11.000 --> 00:13:15.000
podríamos llamar los primeros pasos de los algoritmos de machine learning

00:13:15.000 --> 00:13:19.000
y, posteriormente, de deep learning se dieron a finales del siglo veinte,

00:13:19.000 --> 00:13:23.000
el famoso caso de éxito de las partidas de ajedrez del algoritmo Deep

00:13:23.000 --> 00:13:27.000
Blue de IBM, uno de los primeros algoritmos de Deep Learning, por eso se

00:13:27.000 --> 00:13:36.000
llamaba así, ¿vale?

00:13:36.000 --> 00:13:43.000
Que aplicaba, pues, una técnica de, bueno, pues de de aprenderse, ¿no?

00:13:43.000 --> 00:13:47.000
Digamos, todas las partidas de ajedrez e intentar hacer una predicción de

00:13:47.000 --> 00:13:51.000
los comportamientos que podía tener el ser humano, y de hecho, bueno,

00:13:51.000 --> 00:13:55.000
pues Deep Blue consiguió ganar una de las partidas, la segunda de las

00:13:55.000 --> 00:13:59.000
partidas que jugó contra el campeón mundial Gary Gasparov, pues, bueno,

00:13:59.000 --> 00:14:03.000
pues haciendo un movimiento que Gasparov consideró demasiado complejo

00:14:03.000 --> 00:14:07.000
para una máquina, porque sacrificaba una pieza para obtener una ventaja a

00:14:07.000 --> 00:14:11.000
largo plazo en la partida, prediciendo en mucho los movimientos que podía

00:14:11.000 --> 00:14:15.000
hacer dentro de la partida, y eso afectó al juego de Kasparov que

00:14:15.000 --> 00:14:19.000
finalmente perdió dicha partida, a pesar que luego se demostró que,

00:14:19.000 --> 00:14:23.000
curiosamente, fue un error en el algoritmo de Deep Blue lo que provocó

00:14:23.000 --> 00:14:27.000
esa decisión inusual, no fue realmente el algoritmo de machine learning

00:14:27.000 --> 00:14:34.000
quien lo realizó.

00:14:35.000 --> 00:14:39.000
Pero no solo eso, sino que todo esto siguió avanzando, IBM consiguió una

00:14:39.000 --> 00:14:43.000
posición bastante importante, lanzó un servicio llamado IBM Watson, que

00:14:43.000 --> 00:14:47.000
era uno de los que tú podías alquilar los servicios de IBM Watson

00:14:47.000 --> 00:14:51.000
utilizarlo para hacer entrenamientos, etcétera, y de hecho IBM presentó

00:14:51.000 --> 00:14:55.000
en dos mil once a IBM Watson con capacidad de entendimiento y capacidad

00:14:55.000 --> 00:15:03.000
expresiva a un programa de televisión.

00:15:03.000 --> 00:15:07.000
Básicamente, Geopardy, para el que no lo conozca, es un concurso donde lo

00:15:07.000 --> 00:15:11.000
que se hace es plantear la respuesta a una pregunta y lo que tiene que

00:15:11.000 --> 00:15:15.000
hacer el el concursante apostando una determinada cantidad es averiguar la

00:15:15.000 --> 00:15:20.000
pregunta que le corresponde.

00:15:20.000 --> 00:15:24.000
Entonces, el el concursante apuesta parte del dinero que tiene y si acierta

00:15:24.000 --> 00:15:28.000
la pregunta, pues lo duplica, y de hecho el algoritmo Watson ganó y

00:15:28.000 --> 00:15:32.000
supuso la primera muestra de lo que era el deep learning, de lo que era el

00:15:32.000 --> 00:15:36.000
aprendizaje profundo, pero curiosamente ya empezaba a cometer ciertos

00:15:36.000 --> 00:15:40.000
errores, por ejemplo, para que se hagan una idea, cuando a Watson se le

00:15:40.000 --> 00:15:49.000
planteó él la pregunta, pregunta que era respuesta, ¿no?

00:15:49.000 --> 00:15:53.000
Y se le dijo, su mayor aeropuerto lleva el nombre de un héroe de la

00:15:53.000 --> 00:15:57.000
Segunda Guerra Mundial, su segundo mayor de una batalla de la Segunda

00:15:57.000 --> 00:16:01.000
Guerra Mundial, y no entendió que se le estaba preguntando sobre Estados

00:16:01.000 --> 00:16:05.000
Unidos, porque claro, el contexto es que el programa es americano, por lo

00:16:05.000 --> 00:16:09.000
tanto, te van a preguntar cosas solo locales de Estados Unidos, y él

00:16:09.000 --> 00:16:14.000
respondió, ¿qué es Toronto?

00:16:15.000 --> 00:16:19.000
Porque Toronto, en Canadá, tiene la misma la misma circunstancia que da

00:16:19.000 --> 00:16:23.000
nombre a un aeropuerto, por lo que ahí se equivocó porque, insisto, no

00:16:23.000 --> 00:16:27.000
fue capaz de entender el contexto alrededor de algo completamente etéreo,

00:16:27.000 --> 00:16:31.000
que es el hecho de que el programa se desarrolla en Estados Unidos y, por

00:16:31.000 --> 00:16:39.000
lo tanto, tiene que localizar todas las preguntas a Estados Unidos.

00:16:40.000 --> 00:16:45.000
Y, de nuevo, insisto, esto fue una prueba de la fuerza, porque estas cosas,

00:16:45.000 --> 00:16:50.000
este jugar a una partida de ajedrez con Kasparov, el poder participar en

00:16:50.000 --> 00:16:55.000
Giopardy, etcétera, no son más que jugadas de marketing, más allá de

00:16:55.000 --> 00:17:00.000
que también intentan probar que todo funcione correctamente y, en fin,

00:17:00.000 --> 00:17:05.000
poder, digamos, validar los algoritmos, etcétera, pero también

00:17:05.000 --> 00:17:11.000
obviamente lo que quieren conseguir es mucha publicidad.

00:17:12.000 --> 00:17:19.000
Hasta primeros de la década pasada, los reyes del deep learning, los reyes

00:17:19.000 --> 00:17:27.000
del machine learning eran IBM, pero de pronto Google empezó a moverse en ese terreno.

00:17:28.000 --> 00:17:32.000
Google empezó a moverse en ese terreno hasta que consiguió ser alguien

00:17:32.000 --> 00:17:36.000
bastante importante con un montón de adelantos y un montón de cosas que,

00:17:36.000 --> 00:17:40.000
bueno, pues lo estaban colocando en una posición importante a la hora de

00:17:40.000 --> 00:17:47.000
descubrimientos, a la hora de investigación, etcétera.

00:17:48.000 --> 00:17:51.000
Todo lo que Google empezó a hacer, ¿vale?

00:17:51.000 --> 00:17:56.000
Se vio claramente en uno de los eventos de nuevo muy publicitados, que

00:17:56.000 --> 00:18:02.000
sería la partida con el algoritmo de Alfagó con el campeón mundial de go, Lissedol.

00:18:03.000 --> 00:18:08.000
Pero no podemos hablar de Alphago sin hablar de DeepMind, porque DeepMind

00:18:08.000 --> 00:18:13.000
fue una empresa antes de ser Google DeepMind, porque DeepMind fue una

00:18:13.000 --> 00:18:18.000
empresa fundada por Demid Hassabiz, Shane Leg y Mustafa Suleiman en el

00:18:18.000 --> 00:18:23.000
año dos mil diez, y que gracias a todo lo que consiguieron, pues,

00:18:23.000 --> 00:18:28.000
llamaron la atención de Google quien pagó quinientos millones por esta

00:18:28.000 --> 00:18:33.000
empresa en el año dos mil catorce, creando este departamento, Google

00:18:33.000 --> 00:18:38.000
DeepMind, que fueron los creadores de este AlphaGo, el lo que es el

00:18:38.000 --> 00:18:43.000
algoritmo capaz de sacar adelante, ¿vale?

00:18:43.000 --> 00:18:46.000
Y que además, de sacar adelante las partidas de go, y que además esta

00:18:46.000 --> 00:18:49.000
empresa y este departamento de World inmind fue lo que propició la

00:18:49.000 --> 00:18:54.000
fundación de OpenAI.

00:18:55.000 --> 00:18:59.000
OpenAI fue fundada en dos mil quince, precisamente, como uno de los

00:18:59.000 --> 00:19:03.000
propósitos que toda la innovación de la inteligencia artificial no

00:19:03.000 --> 00:19:07.000
estuviera en manos de una empresa maligna, por llamarlo así, como Google,

00:19:07.000 --> 00:19:11.000
una empresa con claros propósitos comerciales, y por eso OpenAI, pues en

00:19:11.000 --> 00:19:19.000
fin, tenemos que recordar esa parte, ¿vale?

00:19:19.000 --> 00:19:24.000
Que una de las partes fundacionales de OpenAI es el tema de que no sea

00:19:24.000 --> 00:19:29.000
Google quien tenga todo el poder, o quien tuviera en ese momento todo el

00:19:29.000 --> 00:19:34.000
poder al respecto de la inteligencia artificial, y también el enfoque no

00:19:34.000 --> 00:19:39.000
comercial, el enfoque de no, digamos, porque de hecho OpenAI es una

00:19:39.000 --> 00:19:44.000
empresa privada, no cotiza en bolsa, y es una empresa que no tiene ánimo

00:19:44.000 --> 00:19:50.000
de lucro, ¿de acuerdo?

00:19:50.000 --> 00:19:54.000
Esto tenemos que tenerlo muy claro, supuestamente a nivel fundacional,

00:19:54.000 --> 00:19:58.000
OpenAI establece que todos sus beneficios tienen que ser reinvertidos en

00:19:58.000 --> 00:20:02.000
la propia compañía para costear a la propia compañía, lógicamente, y

00:20:02.000 --> 00:20:06.000
para avanzar en las investigaciones de la inteligencia artificial para el

00:20:06.000 --> 00:20:12.000
bien de la humanidad, bla bla bla bla bla, ¿de acuerdo?

00:20:12.000 --> 00:20:16.000
Entonces, DeepMind en la mente, claro, tenemos que tener en cuenta que Demi

00:20:16.000 --> 00:20:20.000
Hasabis fue una persona que, bueno, pues fue un niño prodigio en su

00:20:20.000 --> 00:20:24.000
época jugando al ajedrez, que luego aprendió programación de

00:20:24.000 --> 00:20:28.000
videojuegos y que finalmente se dirigió hacia la neurociencia y hacia la

00:20:28.000 --> 00:20:34.000
inteligencia artificial.

00:20:34.000 --> 00:20:38.000
Es doctorado en neurociencia cognitiva en el University College de Londres,

00:20:38.000 --> 00:20:42.000
y ahí investigó todo lo que tenía que ver con la memoria y con la

00:20:42.000 --> 00:20:46.000
imaginación, por lo que quiso aplicar esas partes de cómo se construye

00:20:46.000 --> 00:20:50.000
la memoria y la imaginación, de cómo se crean ese tipo de de de

00:20:50.000 --> 00:20:55.000
recuerdos, ¿no?

00:20:55.000 --> 00:20:58.000
Que pueden dar lugar a esa interconexión sobre nuestras experiencias que

00:20:58.000 --> 00:21:01.000
nos den lugar a inventarnos cosas, y de ahí llegó el lo que fue la idea

00:21:01.000 --> 00:21:04.000
de cofundar DeepMind con la visión de poder crear inteligencias

00:21:04.000 --> 00:21:10.000
artificiales generales.

00:21:10.000 --> 00:21:16.000
Ya empezamos a ver esta palabra que iremos viendo más en detalle más adelante.

00:21:16.000 --> 00:21:20.000
También Sheilag como investigador en el campo de la inteligencia

00:21:20.000 --> 00:21:24.000
artificial, también Mustafa Suleiman, también con un trasfondo, en este

00:21:24.000 --> 00:21:28.000
caso, más de empresario y que, bueno, pues quiso hacer esta empresa, pues

00:21:28.000 --> 00:21:32.000
para poder tener una forma de del de poder llevar a aplicación práctica

00:21:32.000 --> 00:21:36.000
la inteligencia artificial para resolver problemas del mundo real, como

00:21:36.000 --> 00:21:40.000
problemas de asesoramiento dentro de organizaciones de salud o hacer

00:21:40.000 --> 00:21:44.000
campañas de temas de medio ambiente, derechos humanos, etcétera, una

00:21:44.000 --> 00:21:48.000
persona muy entregada al activismo y que, bueno, pues quería, y por eso

00:21:48.000 --> 00:21:52.000
puso para hacer esta compañía, poder enfocar la inteligencia artificial

00:21:52.000 --> 00:22:03.000
para esos temas concretos.

00:22:04.000 --> 00:22:16.000
DeepMind enseguida empezó a destacar por su enfoque en dos técnicas muy concretas, el aprendizaje profundo y el aprendizaje por refuerzo.

00:22:16.000 --> 00:22:23.000
El aprendizaje profundo es cuando yo voy más allá del machine learning, más allá de la clasificación de una sola categoría.

00:22:23.000 --> 00:22:26.000
Cuando yo hago un algoritmo de machine learning, por ejemplo, de

00:22:26.000 --> 00:22:29.000
categorización de imágenes a través de visión computerizada, lo que

00:22:29.000 --> 00:22:32.000
hago es pasar una imagen como entrada a un algoritmo y por la salida me

00:22:32.000 --> 00:22:38.000
dice lo que hay en esa imagen.

00:22:38.000 --> 00:22:42.000
Pero me lo dice a nivel general, me lo dice a nivel de etiquetado general,

00:22:42.000 --> 00:22:46.000
solo me da una característica, un feature principal y una probabilidad

00:22:46.000 --> 00:22:50.000
del resto de features que pueda haber dentro de esa imagen.

00:22:51.000 --> 00:22:55.000
Si yo entreno a un modelo neuronal a través de etiquetado de imágenes, yo

00:22:55.000 --> 00:22:59.000
lo entrenaría para mil, por ejemplo, que hay varios modelos por ahí que

00:22:59.000 --> 00:23:03.000
te están entrenados para mil categorías distintas de elementos, y

00:23:03.000 --> 00:23:07.000
reconoce esos elementos dentro de esas categorías, pero digamos que lo

00:23:07.000 --> 00:23:11.000
que hace es reconocer el elemento predominante dentro de lo que es la

00:23:11.000 --> 00:23:16.000
imagen, eso sería el machine learning.

00:23:17.000 --> 00:23:21.000
El deep learning, el aprendizaje profundo, es aplicar distintas capas

00:23:21.000 --> 00:23:25.000
dentro del machine learning para poder, a partir de un mismo elemento,

00:23:25.000 --> 00:23:29.000
obtener distintos resultados a distintas capas.

00:23:30.000 --> 00:23:35.000
Por ejemplo, yo con machine learning en un algoritmo, en una red neuronal

00:23:35.000 --> 00:23:40.000
de etiquetado de imágenes sobre una red convolucional, lo que puedo hacer

00:23:40.000 --> 00:23:45.000
es reconocer si en una imagen hay o no hay un gato, o hay o no hay un

00:23:45.000 --> 00:23:50.000
perro, pero con Deep Learning yo podría saber si hay más de un perro o

00:23:50.000 --> 00:23:55.000
más de un gato, cuál es la raza de cada gato o la raza de cada perro, etcétera.

00:23:55.000 --> 00:23:59.000
Por lo tanto, obtendría diversas respuestas.

00:23:59.000 --> 00:24:06.000
Además, ya no solo en lo que es aprendizaje profundo, también hablamos de aprendizaje por refuerzo.

00:24:06.000 --> 00:24:11.000
El aprendizaje por refuerzo, básicamente, es cuando yo entreno a una ya o

00:24:11.000 --> 00:24:16.000
le digo a una ya con una red neuronal, más bien, cómo tiene que

00:24:16.000 --> 00:24:22.000
entrenarse, de forma que lo que hago es enseñarla cómo se le enseña a un niño.

00:24:23.000 --> 00:24:27.000
Imagínense que para yo tener que aprender las tablas de multiplicar, lo

00:24:27.000 --> 00:24:31.000
que hago es dar respuestas aleatorias y recordar, por refuerzo, la

00:24:31.000 --> 00:24:35.000
respuesta correcta a ciertas preguntas, de forma que yo me anoto cada vez

00:24:35.000 --> 00:24:39.000
que sé una respuesta Para yo programar, para yo entrenar un modelo de

00:24:39.000 --> 00:24:43.000
inteligencia artificial, una red neuronal que sea capaz de resolver

00:24:43.000 --> 00:24:47.000
multiplicaciones en la tabla del diez, yo no le entreno diciéndole diez

00:24:47.000 --> 00:24:51.000
por uno y haz tú la operación, no, Yo le digo diez por uno y él

00:24:51.000 --> 00:25:02.000
pregunta, ¿vale?

00:25:02.000 --> 00:25:07.000
O sea, te da una respuesta y te dice cinco, tú le dices no, Once, tú le dices no.

00:25:07.000 --> 00:25:10.000
Nueve, tú le dices no.

00:25:10.000 --> 00:25:12.000
Diez, vale, pues diez sí es, ¿vale?

00:25:12.000 --> 00:25:14.000
Y él aprende eso.

00:25:14.000 --> 00:25:21.000
Pues esto es algo muy parecido a lo que haríamos con el refuerzo a partir de, por ejemplo, imágenes de gatos.

00:25:21.000 --> 00:25:25.000
Cuando yo estoy entrenando una red neuronal y le quiero la quiero entrenar

00:25:25.000 --> 00:25:29.000
para que reconozca a gatos, lo que hago luego es darle aprendizaje por

00:25:29.000 --> 00:25:33.000
refuerzo, es decir, que en su propio uso, una vez ya está entrenado,

00:25:33.000 --> 00:25:37.000
cuando no acierte en una imagen que sí es de un gato, yo le digo no, no,

00:25:37.000 --> 00:25:41.000
esto es un gato, aunque tú pienses que lo es solo al cincuenta por

00:25:41.000 --> 00:25:45.000
ciento, y yo le corrijo, le digo no, no, esto es al cien por cien, y él

00:25:45.000 --> 00:25:49.000
me irá preguntando e irá ajustando los pesos de la red neuronal, porque

00:25:49.000 --> 00:26:00.000
irá aprendiendo por refuerzo.

00:26:00.000 --> 00:26:04.000
Si ese refuerzo se puede conseguir haciendo que dos redes se entrenen a sí

00:26:04.000 --> 00:26:08.000
mismas, es decir, que una red se entrene a sí misma, que básicamente es

00:26:08.000 --> 00:26:12.000
que haya dos copias de la misma red donde una vaya entrenándose y la otra

00:26:12.000 --> 00:26:17.000
le vaya dando o supervisando los resultados.

00:26:17.000 --> 00:26:22.000
De esta manera podemos conseguir, pues, avances como, pues, el que hemos

00:26:22.000 --> 00:26:27.000
comentado de Alpha Gó, que Alpha Gó lo que hizo fue llegar a jugar al

00:26:27.000 --> 00:26:32.000
juego de mesa Gó a un nivel súper humano y se enfrentó a el campeón

00:26:32.000 --> 00:26:39.000
del mundo de go y consiguió ganarlo en cinco de las seis partidas que jugó.

00:26:41.000 --> 00:26:45.000
Pues porque funcionaba en aprendizaje por refuerzo, aprendizaje en el que

00:26:45.000 --> 00:26:49.000
él conocía todas las jugadas que se habían hecho, primero todas las

00:26:49.000 --> 00:26:53.000
partidas registradas del propio campeón, más todas aquellas que estaban

00:26:53.000 --> 00:26:57.000
registradas de distintos campeonatos oficiales, a partir de ahí,

00:26:57.000 --> 00:27:01.000
consiguió un entrenamiento que luego se iba reforzando mientras se iban

00:27:01.000 --> 00:27:05.000
jugando más partidas y haciendo que con ese refuerzo el algoritmo fuera

00:27:05.000 --> 00:27:13.000
cada vez más, digamos, más eficiente, ¿de acuerdo?

00:27:13.000 --> 00:27:19.000
Entonces, dentro de esto tenemos que tener presente que con estos dos tipos

00:27:19.000 --> 00:27:25.000
de algoritmos, DeepMind crea un una serie de elementos bastante

00:27:25.000 --> 00:27:31.000
interesantes, como por ejemplo, una red profunda de tipo Q Network, una red neuronal.

00:27:32.000 --> 00:27:36.000
DeepMind desarrolla DeepQ Network, que es una red neuronal que fue

00:27:36.000 --> 00:27:40.000
entrenada para jugar a juegos de Atari directamente desde los píxeles de

00:27:40.000 --> 00:27:45.000
entrada que tenían los propios videojuegos, ¿y qué consiguió?

00:27:45.000 --> 00:27:49.000
Pues básicamente un rendimiento, bueno, pues súper humano, ¿vale?

00:27:49.000 --> 00:27:53.000
Es decir, era capaz de jugar a cualquier juego que le dieran de Atari,

00:27:53.000 --> 00:27:57.000
aprendió por refuerzo a cómo jugar, aprendió cómo por refuerzo, o sea,

00:27:57.000 --> 00:28:03.000
es decir, ¿cuál es el refuerzo que puede tener un videojuego a la hora de enseñarte?

00:28:03.000 --> 00:28:08.000
Pues que te maten, en el momento en el que te matan ya sabes que por ahí

00:28:08.000 --> 00:28:13.000
no es, y de esa manera se han llegado a entrenar algoritmos capaces de

00:28:13.000 --> 00:28:18.000
jugar a Super Mario Bros de una manera que se considera súper humana,

00:28:18.000 --> 00:28:23.000
porque un ser humano no sería capaz de aprender a jugar así, y esa esa

00:28:23.000 --> 00:28:28.000
partida que está echando no es porque haya aprendido a jugar, no, es

00:28:28.000 --> 00:28:33.000
decir, lo que ha aprendido es lo que no ha de hacer en un juego, ¿de acuerdo?

00:28:33.000 --> 00:28:37.000
Entonces, como ha aprendido lo que no tiene que hacer en un juego y ha

00:28:37.000 --> 00:28:41.000
aprendido a evitarlo con una precisión milimétrica, es capaz de jugar a

00:28:41.000 --> 00:28:45.000
niveles imposibles hechos en el Super Mario Maker o cualquier juego de

00:28:45.000 --> 00:28:50.000
estos por el estilo, en los que con mucho entrenamiento es capaz de conseguirlo.

00:28:50.000 --> 00:28:51.000
¿Cómo?

00:28:51.000 --> 00:28:56.000
Pues jugando dos mil, cinco mil, diez mil, veinte mil, cien mil veces, una

00:28:56.000 --> 00:29:01.000
misma partida hasta que aprende los momentos justos y exactos dentro de

00:29:01.000 --> 00:29:07.000
las mecánicas donde tiene que pulsar cada acción para que el muñeco no muera.

00:29:07.000 --> 00:29:10.000
Esto es eso es el aprendizaje por refuerzo, ¿vale?

00:29:11.000 --> 00:29:19.000
Entonces ese aprendizaje por refuerzo lo que hizo fue, pues, o sea, a ver, es una de las, lo que hizo fue que le permitieran ¿no?

00:29:19.000 --> 00:29:32.000
Poder jugar a cualquier videojuego, pasárselo de una manera los elementos de de ese aprendizaje reforzado.

00:29:32.000 --> 00:29:36.000
También crearon una máquina neural de touring que utilizaba memoria

00:29:36.000 --> 00:29:40.000
externa, una máquina dentro de DeepMind que lo que hizo fue diseñar una

00:29:40.000 --> 00:29:44.000
red neuronal que permitía acceder a una memoria externa de una manera que

00:29:44.000 --> 00:29:48.000
se asemeja al funcionamiento de lo que sería, pues, un cerebro humano

00:29:48.000 --> 00:29:56.000
convencional y lo que se define a nivel lógico como una máquina de touring.

00:29:56.000 --> 00:29:59.000
Esto permitió que la red no solo procesara información, sino que la

00:29:59.000 --> 00:30:02.000
almacenara y recuperara datos de su memoria, lo que es una capacidad

00:30:02.000 --> 00:30:05.000
crucial para tareas que requieren mantener y manipular información a

00:30:05.000 --> 00:30:10.000
largo plazo dentro del tiempo.

00:30:10.000 --> 00:30:15.000
Esto es el precursor de los Transformers, que es lo que permite que ChatGPT

00:30:15.000 --> 00:30:20.000
funcione, lo que permite que GPT, como generative p traind Transformers,

00:30:20.000 --> 00:30:25.000
funcione, porque los Transformers son la aplicación de la memoria, de la

00:30:25.000 --> 00:30:30.000
memoria capaz de dar la importancia a cada elemento dentro de un texto

00:30:30.000 --> 00:30:35.000
para mejorar la forma de lo que sería el procesamiento del lenguaje

00:30:35.000 --> 00:30:40.000
natural, del n l p, por lo que todo esto viene de aquí, como estoy

00:30:40.000 --> 00:30:48.000
comentando, ¿vale?

00:30:48.000 --> 00:30:54.000
De estos desarrollos de DeepMind, por lo que cuando Google compra DeepMind, ¿qué es lo que sucede?

00:30:54.000 --> 00:31:00.000
Pues que, obviamente, no hace mucha gracia a mucha gente y, como ya hemos

00:31:00.000 --> 00:31:06.000
comentado, en el año dos mil quince se funda OpenAI, cuyos cofundadores

00:31:06.000 --> 00:31:12.000
eran, entre otros, Elon Musk, San Altmann, Greg Brockmann, Ilya Sutzkever

00:31:12.000 --> 00:31:18.000
o Waziej Zaremba o John Schulman, varia gente especializada en el mundo de

00:31:18.000 --> 00:31:25.000
la inteligencia artificial o de los negocios, Ojo con esto, ¿vale?

00:31:26.000 --> 00:31:29.000
Porque, claro, a Elon Musk ya lo conocemos, ¿vale?

00:31:29.000 --> 00:31:33.000
Y, de hecho, Elon Musk salió un par de años después de la compañía

00:31:33.000 --> 00:31:37.000
porque tenía conflicto de intereses por el tema de Tesla y las

00:31:37.000 --> 00:31:41.000
investigaciones que estaba haciendo en cuanto a inteligencia artificial, y

00:31:41.000 --> 00:31:48.000
porque tampoco le hacía mucha gracia la dirección en la que OpenAI iba.

00:31:49.000 --> 00:31:53.000
No obstante, Elon Musk sí dejó una semilla muy importante con la que

00:31:53.000 --> 00:31:57.000
también otros fundadores de OpenAI estaban de acuerdo, que es el tema de

00:31:57.000 --> 00:32:03.000
la ética alrededor de lo que es la inteligencia artificial.

00:32:03.000 --> 00:32:07.000
De hecho, esta fue una de las condiciones que puso DeepMind para que Google

00:32:07.000 --> 00:32:11.000
pudiera adquirir su compañía, crear un comité de la ética de la

00:32:11.000 --> 00:32:17.000
inteligencia artificial, ¿vale?

00:32:17.000 --> 00:32:26.000
De hecho, la ética en inteligencia artificial ya se considera una rama de propio estudio de la inteligencia artificial, ¿vale?

00:32:27.000 --> 00:32:32.000
Porque, en fin, la posibilidad de crear máquinas pensantes, lógicamente,

00:32:32.000 --> 00:32:37.000
plantea una serie de cuestiones éticas muy importantes que abarcan muchos

00:32:37.000 --> 00:32:42.000
puntos y que Asimov, etcétera, ¿vale?

00:32:42.000 --> 00:32:46.000
Que las máquinas no lastimen a los seres humanos o seres vivos en general,

00:32:46.000 --> 00:32:50.000
que se pueda definir lo que es el estatus moral de una máquina, en fin,

00:32:50.000 --> 00:32:54.000
podríamos llamarlo así como robo ética o ética de las máquinas,

00:32:54.000 --> 00:32:58.000
etcétera, es una cosa que, en fin, que es así como muy etéreo, pero que

00:32:58.000 --> 00:33:02.000
ya no solo tiene que ver con eso, sino también con los propios sesgos que

00:33:02.000 --> 00:33:06.000
pueda tener la propia inteligencia artificial en cuanto a hasta dónde

00:33:06.000 --> 00:33:16.000
puede llegar la inteligencia artificial.

00:33:16.000 --> 00:33:20.000
Claro, tenemos que tener en cuenta una cosa muy importante, y es, ¿qué

00:33:20.000 --> 00:33:24.000
sucede cuando yo a ChatGPT o a cualquier tipo de inteligencia artificial

00:33:24.000 --> 00:33:28.000
le pido cosas que son ya no moralmente incorrectas, sino incluso ilegales

00:33:28.000 --> 00:33:34.000
en la gran mayoría del mundo, ¿vale?

00:33:35.000 --> 00:33:54.000
Ilegales como como fabricar explosivos, ilegales como cometer actos en en fin, ChatGPT podría contestarme a cualquiera de estas cosas.

00:33:54.000 --> 00:33:59.000
De hecho, tenemos que tener en cuenta el famoso experimento que se hizo

00:33:59.000 --> 00:34:04.000
hace unos años de Microsoft, donde crearon una inteligencia que la

00:34:04.000 --> 00:34:09.000
pusieron directamente a funcionar en Twitter sin ningún tipo de filtro.

00:34:10.000 --> 00:34:14.000
El caso de este chatbot fue bastante sonado, ¿vale?

00:34:14.000 --> 00:34:23.000
Un chatbot llamado Thai, t a y, un chatbot de inteligencia artificial creado por Microsoft y lanzado en marzo de dos mil dieciséis.

00:34:23.000 --> 00:34:27.000
Thai fue diseñado para ser un chatbot que aprendiera de las interacciones

00:34:27.000 --> 00:34:31.000
con los usuarios en Twitter y que adaptara su lenguaje y las respuestas en

00:34:31.000 --> 00:34:35.000
función de sus interacciones, y bueno, pues se diseñó para que

00:34:35.000 --> 00:34:39.000
interactuara principalmente con personas de entre dieciocho y veinticuatro

00:34:39.000 --> 00:34:43.000
años, aprendiera de ellas y así, pues, tener conversaciones más

00:34:43.000 --> 00:34:47.000
naturales y más relevantes, pero es que fue lanzarla y Tai comenzó a

00:34:47.000 --> 00:34:53.000
lanzar una serie de, bueno, pues se mimetizó con Twitter, ¿vale?

00:34:53.000 --> 00:34:57.000
Porque empezó a ofender a todo el mundo y empezar a decir barbaridades, ¿vale?

00:34:57.000 --> 00:35:01.000
Fue claro, el resultado de que algunas personas empezaron a enviarle

00:35:01.000 --> 00:35:05.000
mensajes con contenido inapropiado, con contenido ofensivo a propósito, y

00:35:05.000 --> 00:35:09.000
el algoritmo que estaba diseñado para aprender y replicar las formas de

00:35:09.000 --> 00:35:13.000
interacción, pues empezó a incorporar ese comportamiento inherente de

00:35:13.000 --> 00:35:17.000
Twitter dentro de sí, por lo que empezó a soltar barbaridades de tipo

00:35:17.000 --> 00:35:21.000
racista, sexista, hasta extremista, incluyendo mensajes con simpatía

00:35:21.000 --> 00:35:25.000
hacia el nazismo, etcétera, por lo que eso claro, causó una opinión, o

00:35:25.000 --> 00:35:29.000
sea, causó un revuelo terrible, una reacción pública muy negativa,

00:35:29.000 --> 00:35:33.000
Microsoft reaccionó y desactivó a TAI sólo dieciséis horas, o sea, no

00:35:33.000 --> 00:35:44.000
no llegó un día la pobrecita mía y ya se la volvieron loca en Twitter, ¿vale?

00:35:44.000 --> 00:35:46.000
O sea, una cosa bárbara, ¿de acuerdo?

00:35:47.000 --> 00:35:50.000
Posteriormente, claro, la compañía obviamente metió disculpas, explicó

00:35:50.000 --> 00:35:53.000
que Tay había sido objeto de un ataque coordinado por parte de algunos

00:35:53.000 --> 00:35:56.000
usuarios que supieron, ¿no?

00:35:56.000 --> 00:36:03.000
Cómo había sido enseñada, cómo se había aprendido, cómo tenía que aprender y provocaron ese comportamiento, ¿vale?

00:36:03.000 --> 00:36:07.000
Pero Tay lo que dejó muy evidente era algunos problemas que tenían los

00:36:07.000 --> 00:36:11.000
sistemas de aprendizaje automático cuando van a interactuar con personas

00:36:11.000 --> 00:36:16.000
o en espacios públicos, etcétera.

00:36:16.000 --> 00:36:22.000
Por ejemplo, la vulnerabilidad al aprendizaje con datos sesgados o maliciosos, ¿vale?

00:36:22.000 --> 00:36:27.000
La IA lógicamente, puede aprender de manera inapropiada si se expone a

00:36:27.000 --> 00:36:32.000
datos que estén sesgados, a datos que estén mal intencionados o a

00:36:32.000 --> 00:36:37.000
cualquier tipo de mecanismo que permita, en fin, llegar a opiniones o a

00:36:37.000 --> 00:36:43.000
cierto tipo de ideas que, bueno, que no debería tener, ¿vale?

00:36:43.000 --> 00:36:47.000
Por lo que tiene que haber mecanismos muy importantes para filtrar y

00:36:47.000 --> 00:36:51.000
gestionar los datos a la hora de, no solo entrenar las IAS, sino de lo que

00:36:51.000 --> 00:36:56.000
es validar la interacción, ¿vale?

00:36:56.000 --> 00:37:06.000
Yo puedo generar imágenes a día de hoy con inteligencia artificial, pero hay muchas cosas que yo no debería pedir a una inteligencia artificial.

00:37:06.000 --> 00:37:11.000
Ya no digo, insisto, estamos hablando de sentido común, estamos hablando

00:37:11.000 --> 00:37:16.000
de cosas que obviamente yo no puedo pedir, como empezando por el por

00:37:16.000 --> 00:37:21.000
pedirle el desnudo de alguna persona famosa o haciendo alguna barbaridad

00:37:21.000 --> 00:37:26.000
de tipo sexual o de tipo violento, no, yo no debo pedir ese tipo de cosas

00:37:26.000 --> 00:37:34.000
porque son moralmente incorrectas e incluso ilegales, ¿no?

00:37:34.000 --> 00:37:40.000
En muchos sentidos, porque estás creando un imaginario que no es el correcto.

00:37:41.000 --> 00:37:45.000
Pero claro, es que hay muchas más cosas que se pueden pedir a nivel de

00:37:45.000 --> 00:37:49.000
auténticas barbaridades que no soy capaz de llegar a imaginar, pero

00:37:49.000 --> 00:37:53.000
imagínense, por lo tanto, la responsabilidad y la ética en el diseño de

00:37:53.000 --> 00:38:00.000
la de la IA y en la forma en la que se nos ofrece, pues volvemos a lo mismo.

00:38:00.000 --> 00:38:05.000
Nosotros estamos estamos tratando con inteligencias artificiales, con GPT,

00:38:05.000 --> 00:38:10.000
con Midjourney, con Tali, con ciertos, con muchas IAs dentro de sistemas,

00:38:10.000 --> 00:38:15.000
pues yo que sé, el mismo ClickUp o el mismo Zoom o el mismo Teams o el

00:38:15.000 --> 00:38:20.000
mismo Google, tienen un montón de posibilidades en ese sentido y

00:38:20.000 --> 00:38:25.000
obviamente tienen que ser capaces de no darte cierta información o no

00:38:25.000 --> 00:38:30.000
ayudarte en cierto tipo de elementos, por lo que lo de este boot, lo de

00:38:30.000 --> 00:38:35.000
este chatbot, Tay, fue una lección importante para toda la comunidad de

00:38:35.000 --> 00:38:40.000
IA, porque, en fin, generó lo que es este tema de la ética y el poder

00:38:40.000 --> 00:38:45.000
crear sistemas de aprendizaje que interactúen directamente con el

00:38:45.000 --> 00:38:50.000
público, y destacó la importancia de considerar cuidadosamente todos los

00:38:50.000 --> 00:38:55.000
aspectos relacionados con el diseño, el despliegue, los filtros de

00:38:55.000 --> 00:39:02.000
información, a qué se puede contestar y qué no, etcétera.

00:39:02.000 --> 00:39:06.000
Y esto, esta ética, que es una de las condiciones que puso DeepMind para

00:39:06.000 --> 00:39:10.000
ser comprada por Google, es también parte del ADN de OpenAI y es parte

00:39:10.000 --> 00:39:14.000
indeleble de todo lo que tiene que ver con la propia OpenAI y que, yo por

00:39:14.000 --> 00:39:18.000
ejemplo, en ocasiones cuando pido imágenes a Dalí me dice, por cierto

00:39:18.000 --> 00:39:22.000
tipo de restricciones no te puedo dar la imagen, tal, pues no te la da muy

00:39:22.000 --> 00:39:26.000
probablemente porque ha sacado alguna persona conocida o ha sacado algo

00:39:26.000 --> 00:39:30.000
que puede pertenecer a una imagen a nivel de contenido que tenga

00:39:30.000 --> 00:39:39.000
copyright, porque eso es otra cosa aparte.

00:39:39.000 --> 00:39:44.000
Sabemos que ha habido mucha polémica con los temas de los derechos de

00:39:44.000 --> 00:39:49.000
autor, porque los modelos que han sido entrenados no se han entrenado

00:39:49.000 --> 00:39:54.000
muchos de ellos como, por ejemplo, Midjourney se sabe, o las primeras

00:39:54.000 --> 00:39:59.000
versiones de Estevel Diffusion o Dalí, se sabe que se entrenaron con

00:39:59.000 --> 00:40:04.000
contenido que estaba protegido con con copyright, con derechos de autor,

00:40:04.000 --> 00:40:09.000
autores que, oye, pues a lo mejor no quieren que su trabajo pueda servir

00:40:09.000 --> 00:40:14.000
para que una inteligencia artificial pueda generar nuevo contenido.

00:40:15.000 --> 00:40:24.000
De hecho, es una de las claves de Dalí tres, el hecho de que Dalí tres tiene una base de datos conocida, una base de datos de todos

00:40:25.000 --> 00:40:29.000
con los que se ha entrenado, y una base de datos en la que si cualquiera no

00:40:29.000 --> 00:40:33.000
quiere que, o sea, reconoce cualquier tipo de elemento dentro de esa base

00:40:33.000 --> 00:40:37.000
y lo pide, automáticamente se retira, tiene un sistema por el que puede

00:40:37.000 --> 00:40:41.000
retirar ese tipo de contenido a través de filtros y no utilizarlo dentro

00:40:41.000 --> 00:40:46.000
de el modelo ya entrenado.

00:40:46.000 --> 00:40:51.000
Por lo que insisto, el tema de la ética, etcétera, etcétera, es

00:40:51.000 --> 00:40:56.000
Entonces, por parte, para ser comprados por parte de Google, Entonces, por

00:40:56.000 --> 00:41:01.000
parte, para ser comprados por parte de Google, y esa es la parte que

00:41:01.000 --> 00:41:07.000
llevó Elon Musk.

00:41:07.000 --> 00:41:11.000
Elon Musk es una persona que considera que la inteligencia artificial es

00:41:11.000 --> 00:41:15.000
algo que va a cambiar para mejor toda la humanidad, pero, por otro lado,

00:41:15.000 --> 00:41:19.000
también considera que la inteligencia artificial puede ser muy peligrosa

00:41:19.000 --> 00:41:23.000
y que podría llegar a permitir la destrucción de la propia humanidad, y,

00:41:23.000 --> 00:41:27.000
por lo tanto, hay que controlar cómo la propia inteligencia artificial va

00:41:27.000 --> 00:41:31.000
creciendo y hay que contenerla y hay que intentar, en la medida de lo

00:41:31.000 --> 00:41:35.000
posible, por ejemplo, y esto es algo que ellos mismos dicen y que forma

00:41:35.000 --> 00:41:39.000
parte de varios manifiestos que se han ido sacando con el tiempo sobre la

00:41:39.000 --> 00:41:43.000
inteligencia artificial, como que nunca a una inteligencia artificial se

00:41:43.000 --> 00:41:56.000
le dé acceso a ningún tipo de elemento militar, de sistema militar.

00:41:57.000 --> 00:42:01.000
Que sí, que ustedes ya están pensando que si Skynet, que si lo que sea.

00:42:02.000 --> 00:42:06.000
Pero es que realmente es así y, de hecho, han pasado cosas con

00:42:06.000 --> 00:42:10.000
inteligencias artificiales a nivel de simulaciones que dan que pensar de

00:42:10.000 --> 00:42:14.000
drones que han derribado a sus propios compañeros fuego amigo por

00:42:14.000 --> 00:42:18.000
confusiones dentro del propio elemento, porque una ya no es capaz de

00:42:18.000 --> 00:42:22.000
razonar y no es capaz de ver ciertos tipos de comportamientos o ciertos

00:42:22.000 --> 00:42:26.000
tipos de cosas que no deberían hacer o que no se centren en ciertas

00:42:26.000 --> 00:42:34.000
cosas, etcétera.

00:42:34.000 --> 00:42:38.000
Esto lo contó Oliver en un programa que hicimos con Nebecaneiser de cómo,

00:42:38.000 --> 00:42:42.000
pues, se le ordenaba a un dron en una simulación que volviera a base

00:42:42.000 --> 00:42:46.000
cuando no había finalizado la misión, y aún y lo que hizo fue cargarse

00:42:46.000 --> 00:42:50.000
a su piloto para poder ir a completar dicha misión, y en la siguiente vez

00:42:50.000 --> 00:42:54.000
que le lo volvieron a entrenar para que no hiciera eso, se cargó la torre

00:42:54.000 --> 00:42:58.000
de control porque él determinó que la torre de control era quien no le

00:42:58.000 --> 00:43:05.000
estaba dejando hacer esta misión.

00:43:05.000 --> 00:43:09.000
Insisto, esto era todo una simulación, pero nos da que pensar a que

00:43:09.000 --> 00:43:13.000
realmente la inteligencia artificial no debería de engancharse bajo

00:43:13.000 --> 00:43:17.000
ningún concepto concepto a ningún tipo de sistema militar, sobre todo

00:43:17.000 --> 00:43:21.000
cuando tenemos en cuenta, y esto lo voy a repetir, lo he repetido ya en

00:43:21.000 --> 00:43:25.000
varias veces, en varios directos, programas, etcétera, pero volvemos a repetirlo.

00:43:25.000 --> 00:43:32.000
OpenAI no conoce cómo funciona GPT tres o GPT cuatro, no lo sabe.

00:43:32.000 --> 00:43:36.000
Irán, hombre, no, cómo no va a saber cómo funciona si ellos han hecho el programa.

00:43:36.000 --> 00:43:41.000
Claro, ellos han hecho el programa y saben cómo funciona el programa, pero

00:43:41.000 --> 00:43:46.000
los millones, los miles de millones de conexiones entre distintas neuronas

00:43:46.000 --> 00:43:53.000
de la red neuronal, entre los distintos perceptrones, son tantos que es imposible.

00:43:54.000 --> 00:43:59.000
Cuando yo tengo un programa, yo, mi programa, puedo leer el código y puedo

00:43:59.000 --> 00:44:04.000
saber por dónde va a estar pasando ese código y puedo saber qué es lo

00:44:04.000 --> 00:44:09.000
que está haciendo y, a raíz de ahí, saber cómo se va a comportar,

00:44:09.000 --> 00:44:14.000
porque puedo leer mi código y puedo saber cómo se va a comportar en

00:44:14.000 --> 00:44:19.000
ciertos momentos, cuando le entren ciertos datos, porque repito, yo veo y

00:44:19.000 --> 00:44:24.000
audito mi código, pero no se puede auditar a GPT tres o a GPT cuatro o a

00:44:24.000 --> 00:44:29.000
Dalí, no se puede auditar, porque las conexiones entre perceptrones son

00:44:29.000 --> 00:44:34.000
tantas que es imposible hacer un mapa que determine por qué una entrada a

00:44:34.000 --> 00:44:39.000
tiene una salida b, por qué cuando yo le doy cierto texto él me devuelve

00:44:39.000 --> 00:44:47.000
otro texto distinto.

00:44:48.000 --> 00:44:53.000
No se conoce todavía, se han empezado, gracias a GPT tres, a mapear

00:44:53.000 --> 00:44:58.000
ciertos recorridos, parte de los recorridos de la red neuronal de GPT dos,

00:44:58.000 --> 00:45:03.000
gracias al uso de GPT tres.

00:45:03.000 --> 00:45:08.000
Imagínense cuál es ese nivel, por lo que, repito, ni la propia OpenAI

00:45:08.000 --> 00:45:13.000
sabe por qué a día de hoy GPT funciona tan bien como funciona y hace lo

00:45:13.000 --> 00:45:18.000
que hace, y aún así la siguen ampliando y aún así le siguen dando más

00:45:18.000 --> 00:45:23.000
funciones, porque la están ampliando a base de ponerle plugins como lo

00:45:23.000 --> 00:45:28.000
haríamos con un Photoshop, y está genial y es una cosa maravillosa, pero

00:45:28.000 --> 00:45:33.000
el problema es que por dentro OpenAI sigue sin saber por qué cuando yo le

00:45:33.000 --> 00:45:38.000
meto, insisto, en el cien por cien de los casos, sigue sin saber por qué

00:45:38.000 --> 00:45:46.000
el sistema da cierta respuesta cuando le entra cierta entrada.

00:45:47.000 --> 00:45:50.000
Básicamente, lo que sería un un un test unitario, ¿vale?

00:45:50.000 --> 00:45:53.000
Yo puedo determinar a través de test unitarios en desarrollo que un

00:45:53.000 --> 00:45:56.000
algoritmo, cuando recibe cierta entrada, devuelve cierta salida y yo puedo

00:45:56.000 --> 00:46:01.000
saber por qué lo hace.

00:46:01.000 --> 00:46:04.000
Bien, pues OpenAI no lo sabe.

00:46:04.000 --> 00:46:10.000
Lo sabe en algunas rutas dentro de GPT dos, pero no lo sabe en ninguna ruta dentro de GPT tres.

00:46:11.000 --> 00:46:20.000
No sabe por qué a una entrada x devuelve una salida y, y esto es como para hacérselo mirar, ¿de acuerdo?

00:46:21.000 --> 00:46:30.000
Volviendo a OpenAI, volviendo a su fundación, aparte de Elon Musk, también estaba como fundador, Sam Altman.

00:46:30.000 --> 00:46:33.000
San Altman, que es la persona que ha estado detrás de toda la polémica

00:46:33.000 --> 00:46:36.000
que hemos tenido con, en fin, pues con todo lo que ha pasado en estas

00:46:36.000 --> 00:46:41.000
últimas semanas, pero ¿quién es San Alman?

00:46:41.000 --> 00:46:45.000
San Alman es una persona que sepa mucho de inteligencia artificial, es

00:46:45.000 --> 00:46:49.000
alguien que sea imprescindible, que sea un gurú de la inteligencia

00:46:49.000 --> 00:46:53.000
artificial y, por lo tanto, alguien tan importante como para que Satya

00:46:53.000 --> 00:46:57.000
Nadella, CEO de Microsoft, le haya dado carta blanca para yo contigo al

00:46:57.000 --> 00:47:02.000
fin del mundo, básicamente es lo que le he venido a decir, ¿quién es Sand Altman?

00:47:02.000 --> 00:47:07.000
Pues bien, Sand Altman es una figura clave dentro del mundo de la

00:47:07.000 --> 00:47:12.000
tecnología y la innovación por su papel como presidente de iCombinator,

00:47:12.000 --> 00:47:19.000
una de las aceleradoras de startups más prestigiosas del mundo.

00:47:20.000 --> 00:47:26.000
ICombinator es una aceleradora que ayuda a impulsar el crecimiento de

00:47:26.000 --> 00:47:32.000
numerosas empresas, que lo que hizo fue darle una comprensión

00:47:32.000 --> 00:47:38.000
tecnológica innovación y de gestión empresarial bastante importante.

00:47:39.000 --> 00:47:46.000
San Altman es un gestor, no es alguien que sepa de inteligencia artificial.

00:47:46.000 --> 00:47:51.000
Obviamente, ahora ya sabrá de inteligencia artificial, pero tenemos que

00:47:51.000 --> 00:47:56.000
tener en cuenta que I Combinator como aceleradora de startups, fundada en

00:47:56.000 --> 00:48:01.000
dos mil cinco, que insisto durante mucho tiempo tuvo como presidente a San

00:48:01.000 --> 00:48:06.000
Altman, es la precursora de empresas como Stripe, Airbnb, Coinbase,

00:48:06.000 --> 00:48:15.000
Instacart, Dropbox, incluso Twitch.

00:48:15.000 --> 00:48:20.000
Todas estas compañías han podido salir adelante gracias a iCombinator.

00:48:21.000 --> 00:48:28.000
De hecho, Sand Altman comenzó en la etapa de fundación de la propia iCombinator, ¿vale?

00:48:28.000 --> 00:48:30.000
Es y combinator, ¿vale?

00:48:31.000 --> 00:48:35.000
Fundando a través de la fundación de su propia compañía, su startup LoopT.

00:48:36.000 --> 00:48:40.000
LoopT es una empresa de servicios de localización basada en redes sociales

00:48:40.000 --> 00:48:44.000
que fue la primera que planteó la geolocalización social, el poder tener

00:48:44.000 --> 00:48:48.000
servicios de localización en tiempo real que ofrecía esta aplicación en

00:48:48.000 --> 00:48:52.000
dos mil cinco, permitiendo a los usuarios compartir su ubicación en

00:48:52.000 --> 00:48:56.000
tiempo real con amigos, familiares, etcétera, a través de sus teléfonos

00:48:56.000 --> 00:49:00.000
móviles, y que les permitía ver dónde estaban y descubrir personas o

00:49:00.000 --> 00:49:06.000
eventos interesantes también cerca de ellos.

00:49:06.000 --> 00:49:15.000
Además, se integraba con redes sociales populares en aquella época y permitía un control de privacidad y control de usuario bastante importante.

00:49:15.000 --> 00:49:22.000
Empresa LoopT fue comprada por Grindot Corporation, un proveedor de tarjetas de débito, en dos mil doce.

00:49:22.000 --> 00:49:27.000
San Altmant, además de ser una de las primeras que se incorporó a

00:49:27.000 --> 00:49:32.000
iCombinator cuando se fundara, en dos mil cinco, fue nombrado presidente

00:49:32.000 --> 00:49:37.000
de iCombinator en dos mil catorce y fue también durante mucho tiempo,

00:49:37.000 --> 00:49:42.000
justo antes de eso, mentor dentro de la propia compañía para ayudar en

00:49:42.000 --> 00:49:47.000
la aceleración de ciertas compañías, ayudó a expandir y diversificar

00:49:47.000 --> 00:49:52.000
las operaciones de Y Combinator, amplió el alcance de las empresas que

00:49:52.000 --> 00:49:58.000
respaldaba y abarcó una más amplia gama de industrias dentro de la tecnología.

00:49:59.000 --> 00:50:03.000
Además, bajo su dirección iCombinator lanzó el YC Continuity Fund, que

00:50:03.000 --> 00:50:07.000
fue un fondo que permitió a la organización continuar invirtiendo en sus

00:50:07.000 --> 00:50:11.000
propias empresas, en las empresas que ellos permitían acelerar de manera,

00:50:11.000 --> 00:50:15.000
y aquellas que habían sido más exitosas, para que pudieran seguir

00:50:15.000 --> 00:50:19.000
incorporando inversión a medida que estas iban creciendo, y representó

00:50:19.000 --> 00:50:23.000
un cambio significativo en el modelo de Y Combinator, que tradicionalmente

00:50:23.000 --> 00:50:27.000
se había centrado solo en las primeras etapas de las startups y que luego

00:50:27.000 --> 00:50:32.000
una vez ya empezaban a crecer, pues se desvinculaba de ellos, ¿vale?

00:50:32.000 --> 00:50:37.000
Por lo tanto, en fin, es como digo, un gestor, lo que pasa que siempre le

00:50:37.000 --> 00:50:42.000
ha apasionado el tema de la inteligencia artificial y siempre fue un

00:50:42.000 --> 00:50:47.000
defensor de todas las startups en este campo y, bueno, pues eso

00:50:47.000 --> 00:50:52.000
lógicamente le hizo ser uno de los candidatos que en dos mil quince se

00:50:52.000 --> 00:50:57.000
ofrecieran a este, bueno, pues esta funda a esta cofundación de Open AI,

00:50:57.000 --> 00:51:02.000
por lo tanto salió de presidente de Y Combinator y bueno, pues ese cargo

00:51:02.000 --> 00:51:09.000
lo tuvo que coger otra persona.

00:51:09.000 --> 00:51:17.000
Pero insisto, San Altman es un gestor, apasionado del allá, sí, pero es un gestor.

00:51:17.000 --> 00:51:25.000
También está Greg Brockmann, uno de los personajes que también han tenido que ver con todo el lío que ha habido durante estos días.

00:51:25.000 --> 00:51:30.000
Greg Brockmann, que presentó su dimisión de manera inmediata como

00:51:30.000 --> 00:51:35.000
presidente y CTO de la compañía, en el momento en el que se supo que el

00:51:35.000 --> 00:51:41.000
comité de dirección de OpenAI había despedido a San Antmann como CEO.

00:51:42.000 --> 00:51:44.000
Greg Brockmann, ¿quién es?

00:51:44.000 --> 00:51:53.000
Pues Greg Brockmann sí es una persona muy vinculada al mundo de la inteligencia artificial.

00:51:53.000 --> 00:51:57.000
Fue también cofundador dentro, no cofundador, pero sí tuvo un papel muy

00:51:57.000 --> 00:52:01.000
importante dentro de Stripe, momento en el que la vida de Altmann y

00:52:01.000 --> 00:52:05.000
Grogman se cruzaron, por lo que Grogman, digamos que es la cabeza

00:52:05.000 --> 00:52:09.000
técnica, no especializado en inteligencia artificial, pero sí ha estado

00:52:09.000 --> 00:52:13.000
muy centrado en todo lo que tiene que ver con el desarrollo y, sobre todo,

00:52:13.000 --> 00:52:17.000
con la ética, es una de las personas que más están detrás de lo

00:52:17.000 --> 00:52:21.000
importante de la propia ética y lógicamente como CTO de la compañía,

00:52:21.000 --> 00:52:25.000
pues lo que su contribución es clave en todo el desarrollo tecnológico

00:52:25.000 --> 00:52:29.000
en cuanto a servidores, infraestructura, contrataciones, etcétera,

00:52:29.000 --> 00:52:39.000
etcétera, ¿vale?

00:52:39.000 --> 00:52:41.000
Que es el papel que tiene como CTO.

00:52:42.000 --> 00:52:54.000
También tenemos como otro de los fundadores a su científico jefe, Ilya Sutzkever, que este fue el que montó el lío, ¿de acuerdo?

00:52:55.000 --> 00:53:02.000
Ilya Sutzkever es un científico en el campo de la inteligencia artificial, este sí es importante en la IA.

00:53:03.000 --> 00:53:09.000
Es uno de los cofundadores que, digamos, presentó la parte de inteligencia

00:53:09.000 --> 00:53:15.000
artificial y aportó su propia experiencia, por eso es chef scientist, ¿vale?

00:53:15.000 --> 00:53:19.000
Científico jefe, y lógicamente Sutzkever tiene un pasado bastante

00:53:19.000 --> 00:53:23.000
importante, que uno de ellos viene de su trabajo en Google como parte del

00:53:23.000 --> 00:53:27.000
equipo de Google Brain, el proyecto enfocado en aplicaciones de deep

00:53:27.000 --> 00:53:34.000
learning que luego se fue ampliando con la compra de DeepMind.

00:53:34.000 --> 00:53:38.000
En OpenAI, Sutzkever lo que hace es, como científico jefe, poder llevar la

00:53:38.000 --> 00:53:42.000
dirección científica de la organización y llevar todo lo que es la

00:53:42.000 --> 00:53:46.000
investigación, no solo la investigación avanzada en aprendizaje

00:53:46.000 --> 00:53:50.000
automático y redes neuronales, sino cómo aplicar todo eso de una manera

00:53:50.000 --> 00:53:55.000
práctica, ¿vale?

00:53:55.000 --> 00:54:02.000
Es una persona muy conocida dentro del ámbito científico y tecnológico, y por supuesto, pues es una de las personas claves dentro de OpenAI.

00:54:03.000 --> 00:54:12.000
Pero Ilia, que es un una persona nacida en Rusia, pero que se crió en Israel, ¿vale?

00:54:12.000 --> 00:54:17.000
Nací en la Unión Soviética, es básicamente la persona más prudente la

00:54:17.000 --> 00:54:22.000
que alberga más profundas preocupaciones sobre los peligros de la

00:54:22.000 --> 00:54:28.000
inteligencia artificial.

00:54:29.000 --> 00:54:40.000
Y es parece ser, parece ser, no, efectivamente, es como que fue el precursor que influyó en la junta directiva para el despido de Armand.

00:54:41.000 --> 00:54:48.000
Pues ese es el motivo que no se sabe correctamente y, de hecho, da medio a

00:54:48.000 --> 00:54:56.000
entender y no sabemos qué parte de esto podría ser o no algo un poco raro, ¿vale?

00:54:56.000 --> 00:54:58.000
Es decir, ¿qué pasa?

00:54:58.000 --> 00:55:02.000
Pues que, en su momento, no solo se dio a conocer una carta de con firmada

00:55:02.000 --> 00:55:06.000
por quinientos de los más de setecientos empleados de OpenAI, es que esa

00:55:06.000 --> 00:55:10.000
carta llegó a estar firmada por setecientos, de los setecientos treinta y

00:55:10.000 --> 00:55:16.000
nueve empleados que trabajan en OpenAI.

00:55:17.000 --> 00:55:23.000
Pero lo curioso es que una de las personas que firmaban esta carta, ¿vale?

00:55:24.000 --> 00:55:29.000
Defendiendo a San Altman para que la junta directiva se fuera fue el propio

00:55:29.000 --> 00:55:34.000
Sutzkever, por lo que aquí es donde está la gran duda de todo lo que ha

00:55:34.000 --> 00:55:39.000
pasado con OpenAI, es decir, y ya por entrar un poco en lo que sería,

00:55:39.000 --> 00:55:44.000
porque insisto, no vamos a entrar mucho en este detalle, pero sí vamos un

00:55:44.000 --> 00:55:49.000
poco a narrar, ¿no?

00:55:49.000 --> 00:55:52.000
Cronológicamente qué es lo que sucedido a a rasgos muy principales,

00:55:52.000 --> 00:55:55.000
porque creo que lo importante es conocer lo que estamos contando, que es

00:55:55.000 --> 00:56:00.000
lo que hay detrás de todo esto, ¿de acuerdo?

00:56:00.000 --> 00:56:06.000
Pero dentro de lo que pasó en estos días, la idea es que fue el propio

00:56:06.000 --> 00:56:12.000
Ilya Sutzkever el que tuvo la iniciativa para convencer a la junta

00:56:12.000 --> 00:56:18.000
directiva de despedir a San Antman de manera fulminante, ¿por qué?

00:56:18.000 --> 00:56:23.000
Porque San Altman parece ser que podría haber estado ocultando

00:56:23.000 --> 00:56:28.000
información de pruebas al comité directivo, pruebas que él estaba

00:56:28.000 --> 00:56:33.000
realizando con ciertas inteligencias y que le ocultó esa información de

00:56:33.000 --> 00:56:38.000
manera deliberada a la junta directiva, motivo porque la junta dijo que no

00:56:38.000 --> 00:56:43.000
podía confiar en él y por eso lo despidió, porque le había estado

00:56:43.000 --> 00:56:48.000
ocultando algo, el que, bueno, pues parece ser y esto es algo que no está

00:56:48.000 --> 00:56:54.000
confirmado porque son, bueno, son rumores, ¿no?

00:56:54.000 --> 00:57:02.000
De alguna manera, pero podría tener que ver con algo llamado q star, q star, que sería q asterisco, ¿vale?

00:57:03.000 --> 00:57:07.000
Sería una supuesta inteligencia artificial que se aproximaría

00:57:07.000 --> 00:57:11.000
peligrosamente a lo que es una inteligencia artificial general y que

00:57:11.000 --> 00:57:15.000
podría ser algo que, si se llega a conocer a nivel público, podría

00:57:15.000 --> 00:57:19.000
cambiarlo todo.

00:57:20.000 --> 00:57:24.000
Todo esto tenemos que tener en cuenta que viene de la mano en un momento en

00:57:24.000 --> 00:57:28.000
el que después de la conferencia de desarrolladores del Defday de OpenAI,

00:57:28.000 --> 00:57:32.000
donde se presenta la nueva interfaz de GPT cuatro, que tiene todos los

00:57:32.000 --> 00:57:36.000
modelos integrados dentro de un mismo elemento, con bajadas de precios

00:57:36.000 --> 00:57:40.000
brutales, con un montón de cosas que han vuelto a poner a OpenAI en el

00:57:40.000 --> 00:57:44.000
candelero como los primeros, como esa posición aventajada, esa Apple del

00:57:44.000 --> 00:57:52.000
iPhone, ¿vale?

00:57:53.000 --> 00:57:59.000
Pues bien, después de eso, OpenAI pone en su página web que trabajan día

00:57:59.000 --> 00:58:06.000
a día para conseguir una ágil responsable, una inteligencia artificial general.

00:58:07.000 --> 00:58:10.000
¿Cómo que una inteligencia artificial general?

00:58:10.000 --> 00:58:15.000
No, no, no, no, eso no existe a día de hoy, ¿qué me estás contando de una inteligencia artificial general?

00:58:16.000 --> 00:58:20.000
Lo que nosotros tenemos hasta ahora, todo lo que hemos contado hasta ahora

00:58:20.000 --> 00:58:24.000
son Narroway Eyes, son inteligencias artificiales estrechas, inteligencias

00:58:24.000 --> 00:58:28.000
que están limitadas a una única función o que si son porque pueden ser

00:58:28.000 --> 00:58:32.000
monomodales, de forma que solo tienen un tipo de dato de entrada y un tipo

00:58:32.000 --> 00:58:36.000
de dato de salida, o pueden ser multimodales, que pueden tener varios

00:58:36.000 --> 00:58:42.000
tipos de datos de entrada e incluso varios tipos de datos de salida.

00:58:43.000 --> 00:58:47.000
Pero siempre son programas que tienen un enfoque muy específico, eso es lo

00:58:47.000 --> 00:58:51.000
que tenemos a día de hoy, una IA de tipo Narrow, una IA de tipo estrecha,

00:58:51.000 --> 00:58:55.000
una inteligencia artificial general, señores, eso es otra cosa, es otra

00:58:55.000 --> 00:58:59.000
cosa mucho más importante, es otra cosa que tiene que ver con otros

00:58:59.000 --> 00:59:06.000
motivos distintos.

00:59:07.000 --> 00:59:11.000
Lo hablaremos más detenidamente en el bloque siguiente, pero una AGI, una

00:59:11.000 --> 00:59:15.000
inteligencia artificial general es un paso ya que hombre, ¿podríamos

00:59:15.000 --> 00:59:20.000
llamarlo peligroso?

00:59:21.000 --> 00:59:27.000
Yo creo que sí podríamos llegar a llamarlo peligroso porque, en fin, ¿cómo controlas eso?

00:59:27.000 --> 00:59:31.000
Ahora, insisto, después del cambio del bloque lo comentaremos más en

00:59:31.000 --> 00:59:35.000
detalle en el siguiente bloque, pero aquí es donde está el kit de la

00:59:35.000 --> 00:59:39.000
cuestión, que parece ser que efectivamente OpenAI podría tener algo que

00:59:39.000 --> 00:59:43.000
pudiera ser denominado inteligencia artificial general en unas primeras

00:59:43.000 --> 00:59:47.000
fases, y eso es lo que ha provocado este despido fulminante que al final

00:59:47.000 --> 00:59:51.000
lo único que ha hecho ha sido servir para, pues bueno, para dar muchos

00:59:51.000 --> 01:00:01.000
titulares y poco más, básicamente.

01:00:02.000 --> 01:00:07.000
Así que ese es el follón, básicamente, el follón es eso que Altman

01:00:07.000 --> 01:00:12.000
podría haber estado trabajando, probando una nueva IA que se acercara a

01:00:12.000 --> 01:00:17.000
algo como una AGI y que sería bastante, en fin, que que lo que

01:00:17.000 --> 01:00:22.000
estaríamos haciendo a día de hoy sería un juego de niños comparado con

01:00:22.000 --> 01:00:27.000
lo que podría hacer esta inteligencia artificial general, y también en

01:00:27.000 --> 01:00:32.000
parte parece ser que tiene que ver con el tema de el objetivo de la propia

01:00:32.000 --> 01:00:37.000
compañía, lo que es ser una compañía que invierta todo su beneficio en

01:00:37.000 --> 01:00:43.000
la propia compañía.

01:00:43.000 --> 01:00:46.000
Por lo tanto, ¿qué es lo que ha sucedido?

01:00:46.000 --> 01:00:50.000
Bueno, pues que al final Microsoft ofreció a todo el equipo de OpenAI y a

01:00:50.000 --> 01:00:54.000
toda la gente que quisiera irse con ellos, trabajar con las mismas

01:00:54.000 --> 01:00:58.000
condiciones salariales, montarles un laboratorio de desarrollo, darles

01:00:58.000 --> 01:01:02.000
todo lo necesario tal y cual, al final todos querían seguir estando en

01:01:02.000 --> 01:01:06.000
OpenAI y al final con la firma de esas setecientas de setecientas treinta

01:01:06.000 --> 01:01:10.000
y nueve personas, se destituye a todo el comité directivo, se instaura a

01:01:10.000 --> 01:01:19.000
uno nuevo y San Greg Brocknan y todos, incluido Ilia, vuelven a sus puestos.

01:01:20.000 --> 01:01:24.000
Yo creo que vamos a tardar mucho en saber realmente todo lo que ha habido

01:01:24.000 --> 01:01:28.000
detrás, porque lo que nosotros hemos visto es solo la puntita de la lanza

01:01:28.000 --> 01:01:32.000
y por mucho que intentemos teorizar sobre lo que ha pasado, no vamos a

01:01:32.000 --> 01:01:36.000
poder llegar a nada porque nos falta muchísima información y nos, y

01:01:36.000 --> 01:01:40.000
estoy convencido que parte del problema que ha habido con OpenAI ha sido a

01:01:40.000 --> 01:01:44.000
nivel financiero, de control, de medirle el peso a Microsoft, que

01:01:44.000 --> 01:01:52.000
Microsoft mida el peso de la compañía, etcétera, etcétera, etcétera, ¿vale?

01:01:52.000 --> 01:01:57.000
Por lo tanto, ahí hay cambios muy importantes a ese respecto, ¿de acuerdo?

01:01:59.000 --> 01:02:04.000
Básicamente, por ir terminando este bloque, una vez fundada OpenAI, lo que

01:02:04.000 --> 01:02:09.000
hace es empezar a trabajar con un sistema llamado five, un sistema que es

01:02:09.000 --> 01:02:14.000
un proyecto, iniciativa de OpenAI para demostrar la capacidad de la

01:02:14.000 --> 01:02:19.000
inteligencia artificial con refuerzo de aprendizaje para jugar y competir

01:02:19.000 --> 01:02:25.000
a Dota dos, el juego multijugador.

01:02:26.000 --> 01:02:31.000
OpenAI five, que es como se llama el algoritmo, se entrena utilizando

01:02:31.000 --> 01:02:36.000
técnicas de aprendizaje por refuerzo en el que los distintos agentes que

01:02:36.000 --> 01:02:41.000
funcionan sobre la red neuronal aprenden a tomar decisiones optimizando

01:02:41.000 --> 01:02:46.000
las recompensas que obtienen del juego a través de la experiencia.

01:02:46.000 --> 01:02:54.000
Recompensa es seguir vivo, conseguir ciertos elementos, avanzar en los niveles, etcétera.

01:02:54.000 --> 01:02:58.000
Lo más importante es que Five no se programa con estrategias específicas

01:02:58.000 --> 01:03:02.000
de juego, sino que aprendió a jugar Dota dos mediante la experimentación

01:03:02.000 --> 01:03:08.000
y la adaptación a las consecuencias de sus acciones.

01:03:08.000 --> 01:03:13.000
O sea, no se le entrenó, que es lo realmente interesante, para jugar a

01:03:13.000 --> 01:03:18.000
Dota dos, sino que una vez se había definido el algoritmo, se le puso a

01:03:18.000 --> 01:03:23.000
jugar a Dota dos, y dirán, bueno, ¿pero cómo es eso?

01:03:23.000 --> 01:03:25.000
¿Cómo experimenta una IA?

01:03:25.000 --> 01:03:28.000
Pues simplemente a nivel aleatorio, O sea, es como si yo cerrara los ojos y

01:03:28.000 --> 01:03:31.000
tocara los controles sin saber a dónde estoy tocando, de manera

01:03:31.000 --> 01:03:34.000
completamente aleatoria, siguiendo unos patrones previamente programados

01:03:34.000 --> 01:03:37.000
de lo que se entiende que es el manejo de un videojuego de esas de lo que

01:03:37.000 --> 01:03:40.000
se entiende que es el manejo de

01:03:40.000 --> 01:03:41.000
ocasiones ni eso, ¿vale?

01:03:45.000 --> 01:03:48.000
Para poder tener un nivel de habilidad muy alto.

01:03:48.000 --> 01:03:52.000
Five jugó literalmente millones de partidas contra sí mismo, y en cada

01:03:52.000 --> 01:03:56.000
nueva partida aprendía y se adaptaba continuamente porque cada, digamos

01:03:56.000 --> 01:04:00.000
que cada partida era para él un entrenamiento, por lo que iba acumulando

01:04:00.000 --> 01:04:04.000
experiencia que le iban sirviendo para ir ampliando el entrenamiento, por

01:04:04.000 --> 01:04:08.000
lo que primero se entrena con una partida, luego con dos, luego con tres,

01:04:08.000 --> 01:04:14.000
luego con cuatro, luego con cinco millones, luego con seis, ¿vale?

01:04:14.000 --> 01:04:16.000
Porque los va ampliando de esa manera.

01:04:17.000 --> 01:04:21.000
De esta manera consigue un entrenamiento a gran escala que le permite poder

01:04:21.000 --> 01:04:25.000
llegar a un nivel que se considera superior al humano, sobre todo teniendo

01:04:25.000 --> 01:04:29.000
en cuenta que a diferencia otros juegos, tal como se ha entrenado

01:04:29.000 --> 01:04:33.000
distintas IAs, Dota dos requiere no solo habilidad individual, sino

01:04:33.000 --> 01:04:37.000
coordinación de equipo y estrategia a largo plazo, por lo que se entrenó

01:04:37.000 --> 01:04:41.000
a five para poder trabajar con, para poder jugar con otros jugadores que

01:04:41.000 --> 01:04:48.000
fueran humanos dentro del propio equipo ¿vale?

01:04:48.000 --> 01:04:50.000
Y lo consiguió correctamente.

01:04:51.000 --> 01:04:58.000
Este desarrollo de five fue lo que propició, pues, el, digamos, seguir

01:04:58.000 --> 01:05:05.000
avanzando, etcétera, con el tema del aprendizaje por refuerzo, cuando en

01:05:05.000 --> 01:05:12.000
el año dos mil diecisiete Google lanza el paper que lo cambia todo,

01:05:12.000 --> 01:05:20.000
attention is soul unear, el paper que establece las reglas de los modelos Transformer.

01:05:32.000 --> 01:05:41.000
Pero antes de entrar en materia con este mega análisis, os vamos a hablar de nuestro colaborador de este episodio, que no es otro que Vodafone.

01:05:42.000 --> 01:05:45.000
Vodafone que tiene novedades muy interesantes si eres autónomo o una

01:05:45.000 --> 01:05:48.000
pequeña empresa, porque ya sabes que, si este es tu caso, necesitas

01:05:48.000 --> 01:05:52.000
contar con los mejores.

01:05:52.000 --> 01:06:02.000
Por eso, Vodafone Business presenta la nueva tarifa negocio a medida, que incluye todo lo que necesitas para llevar tu negocio a otro nivel.

01:06:03.000 --> 01:06:07.000
Ofrece un soporte técnico e informático veinticuatro por siete, por lo

01:06:07.000 --> 01:06:11.000
que siempre están ahí cuando algo falla, que es lo más importante,

01:06:11.000 --> 01:06:15.000
porque tu negocio cuando algo falla no puedes esperar.

01:06:15.000 --> 01:06:19.000
Vodafone Business te acompaña para impulsar tu negocio con soluciones

01:06:19.000 --> 01:06:23.000
profesionales para reparar y sustituir tus dispositivos, protegerte de

01:06:23.000 --> 01:06:27.000
ciberataques o mejorar tu presencia y visibilidad en Internet.

01:06:28.000 --> 01:06:32.000
Con negocio a medida de Vodafone Business tendrás fibra de seiscientos

01:06:32.000 --> 01:06:36.000
megas, dos líneas de móvil cinco G y puedes escoger entre un servicio de

01:06:36.000 --> 01:06:40.000
ciberseguridad, yo escogería este, de posicionamiento de tu negocio en

01:06:40.000 --> 01:06:44.000
Internet o de reparación y sustitución de dispositivos por tan solo

01:06:44.000 --> 01:06:50.000
cincuenta y cuatro con cincuenta y cuatro euros al mes, más IVA, lógicamente.

01:06:51.000 --> 01:07:01.000
Descubre todos los detalles y apúntate entrando a Vodafone punto es o pinchando en el enlace en las notas de este episodio.

01:07:01.000 --> 01:07:07.000
Como siempre, muchísimas gracias a Vodafone por colaborar con Apple

01:07:20.000 --> 01:07:24.000
El trabajo que realizaba tanto Google como OpenAI, como máximos exponentes

01:07:24.000 --> 01:07:28.000
de la investigación sobre inteligencia artificial, todo lo que hemos

01:07:28.000 --> 01:07:33.000
comentado de el deep learning, el aprendizaje por refuerzo, etcétera.

01:07:34.000 --> 01:07:39.000
Claro, ahí teníamos que tener en cuenta ciertos tipos de redes, que eran

01:07:39.000 --> 01:07:44.000
las que se usaban hasta ese momento, donde normalmente, y hablando ya del

01:07:44.000 --> 01:07:49.000
de lo que es el procesamiento del lenguaje natural, las el este

01:07:49.000 --> 01:07:54.000
procesamiento tenía dos formas de ser tratado, a través de redes

01:07:54.000 --> 01:08:00.000
neuronales convolucionales y redes neuronales recurrentes.

01:08:01.000 --> 01:08:07.000
Claro, en el año dos mil diecisiete Google lanza este paper llamado

01:08:07.000 --> 01:08:13.000
attention is all you need, la atención es todo lo que necesitas, que

01:08:13.000 --> 01:08:21.000
supone ese punto de inflexión en el campo Transformers.

01:08:22.000 --> 01:08:26.000
Entonces, ¿por qué los Transformers eran algo muy necesario?

01:08:26.000 --> 01:08:30.000
En ese momento, porque las redes neuronales convolucionales y las

01:08:30.000 --> 01:08:34.000
recurrentes no tenían el suficiente funcionamiento, no tenían la

01:08:34.000 --> 01:08:38.000
suficiente capacidad para tratar las necesidades que se iban teniendo cada

01:08:38.000 --> 01:08:42.000
vez más con lo que era el uso de redes neuronales capaces de procesar

01:08:42.000 --> 01:08:48.000
nuestro lenguaje.

01:08:48.000 --> 01:08:53.000
Pues bien, explicado de una forma muy rápida y directa, una red neuronal

01:08:53.000 --> 01:08:58.000
convolucional, una CNN, es una red que divide en distintos componentes

01:08:58.000 --> 01:09:03.000
aquello que tiene que que analizar, pero lo divide de una manera, es

01:09:03.000 --> 01:09:08.000
decir, lo divide para el entrenamiento y ese entrenamiento luego le sirve

01:09:08.000 --> 01:09:15.000
para identificar ciertos elementos y poder valorar, poder balancear su salida.

01:09:16.000 --> 01:09:25.000
Entonces, una CNN, una red convolucional, lo que tiene es que, por ejemplo, aplicados a una imagen, lo que hace es coger una imagen y dividirla

01:09:25.000 --> 01:09:25.000
en pequeños trocitos, dividirla en pequeños patrones donde reconoce

01:09:25.000 --> 01:09:25.000
ciertos patrones como curvas, líneas rectas, etcétera, etcétera,

01:09:25.000 --> 01:09:26.000
etcétera, etcétera, etcétera, etcétera, etcétera, etcétera, etcétera,

01:09:26.000 --> 01:09:32.000
etcétera, etcétera, etcétera, etcétera, reconocer esos patrones dentro

01:09:32.000 --> 01:09:38.000
de una imagen y, por lo tanto, eso le permite, insisto, dividiendo lo que

01:09:38.000 --> 01:09:44.000
es el contenido, poder llegar a reconocer, por ejemplo, una imagen o

01:09:44.000 --> 01:09:53.000
varias imágenes dentro de otra, ¿vale?

01:09:53.000 --> 01:09:57.000
A través de deep learning, pues, como hemos comentado al principio, pues

01:09:57.000 --> 01:10:01.000
podríamos saber cuántos gatos hay en una imagen o de qué raza es cada

01:10:01.000 --> 01:10:05.000
uno, etcétera, y todo esto es a través del uso de estas redes

01:10:05.000 --> 01:10:09.000
convolucionales, pero aplicados en el lo que es el paradigma de el

01:10:09.000 --> 01:10:13.000
lenguaje natural, donde tiene, pues, un texto que hay que darle, las CNNs

01:10:13.000 --> 01:10:17.000
utilizan ventanas de palabras para capturar lo que es toda la información

01:10:17.000 --> 01:10:21.000
de un texto, y cada ventana se centra en una parte del texto muy concreta

01:10:21.000 --> 01:10:28.000
y procesa esa información a la vez.

01:10:28.000 --> 01:10:32.000
Entonces, el problema que tienen es que a través de esas capas de convolución, ¿vale?

01:10:32.000 --> 01:10:34.000
Que es esa esa división, ¿no?

01:10:34.000 --> 01:10:38.000
Del contenido, las CNN aplican aplican filtros que pueden detectar patrones

01:10:38.000 --> 01:10:42.000
en esas ventanas de palabras, como frases, combinaciones de palabras que

01:10:42.000 --> 01:10:46.000
sean importantes para tener cierto tipo de detección, por ejemplo, las

01:10:46.000 --> 01:10:50.000
CNNs son muy utilizadas en lenguaje natural para detección de

01:10:50.000 --> 01:10:56.000
sentimientos, y dirán, ¿cómo?

01:10:56.000 --> 01:10:58.000
Detección de sentimientos, ¿qué es eso?

01:10:58.000 --> 01:11:03.000
Pues es poder saber si una un texto es positivo o negativo, por ejemplo, o

01:11:03.000 --> 01:11:08.000
cómo estaba la persona que lo ha más que cómo estaba la persona que lo

01:11:08.000 --> 01:11:13.000
escribió, es más bien detectar cómo, o sea, qué es lo que intenta

01:11:13.000 --> 01:11:18.000
expresar ese texto, ¿vale?

01:11:18.000 --> 01:11:21.000
Si ese texto a través de sentimiento es un texto que expresa algo alegre,

01:11:21.000 --> 01:11:24.000
algo triste, algo de enfado, algo de todo este tipo de redes

01:11:24.000 --> 01:11:27.000
convolucionales, por cierto, ya se usan hace muchísimo tiempo en redes

01:11:27.000 --> 01:11:33.000
sociales, ¿vale?

01:11:33.000 --> 01:11:37.000
Por lo tanto, las redes sociales saben perfectamente qué tipo de post a

01:11:37.000 --> 01:11:41.000
través de análisis de sentimiento, de sentiment análisis, ponemos en en

01:11:41.000 --> 01:11:45.000
las redes y saber, pues, qué tipo de perfil tenemos, si somos un perfil

01:11:45.000 --> 01:11:49.000
que tiende a escribir cosas enfadado o triste o alegre o cosas que

01:11:49.000 --> 01:11:55.000
aportan, es decir, pueden llegar a detectar mucho tipo de muchos tipos de patrones.

01:11:55.000 --> 01:11:59.000
Uno de los ejercicios más habituales en machine learning que yo suelo

01:11:59.000 --> 01:12:03.000
hacer dentro de Applecodeyn Academy, pues es la detección de sentimientos

01:12:03.000 --> 01:12:08.000
a partir de las reviews de de Internet Movie Data base.

01:12:08.000 --> 01:12:11.000
Yo tengo, porque es muy fácil encontrar, por ahí en Kagle o cualquier

01:12:11.000 --> 01:12:14.000
tipo de Kagle es una página web que tiene un montón, que sé que suena

01:12:14.000 --> 01:12:17.000
raro en español, pero Kagle es una página web que tiene un montón de

01:12:17.000 --> 01:12:20.000
data sets que pueden servir para pruebas de entrenamientos de machine

01:12:20.000 --> 01:12:23.000
learning, y uno de los data sets más utilizados es la recopilación de

01:12:23.000 --> 01:12:26.000
literalmente cientos de miles de reviews de películas dentro de IMDB,

01:12:26.000 --> 01:12:35.000
donde algunas son reviews positivas y otras son negativas.

01:12:35.000 --> 01:12:41.000
Entonces, una forma de detectar si una review es positiva o negativa, pues es a través de esta detección.

01:12:42.000 --> 01:12:46.000
También se podrían tener un montón de, o sea, digamos que ese es el la

01:12:46.000 --> 01:12:50.000
la, vamos a decir ventaja, no lo sé, la pega que tienen las CNNs, que le

01:12:50.000 --> 01:12:54.000
tienes que dar el texto completo o, y aunque luego ellos lo barajen o lo o

01:12:54.000 --> 01:13:00.000
lo trabajen, ¿no?

01:13:00.000 --> 01:13:04.000
Digamos, dividiéndolo por ventanas, pero la gran pega de una red

01:13:04.000 --> 01:13:08.000
convolucional es que tiene que tener todo el texto a la vez para poder

01:13:08.000 --> 01:13:12.000
trabajar con ello, esa es la gran pega que tenían las CNNs que tienen las

01:13:12.000 --> 01:13:16.000
CNNs para procesar el lenguaje natural, que no sirve que yo vaya hablando,

01:13:16.000 --> 01:13:20.000
yo le tengo que entregar todo el texto ya terminado para que él lo pueda

01:13:20.000 --> 01:13:24.000
procesar, y de ahí, pues, si yo le doy un montón de post que estén

01:13:24.000 --> 01:13:28.000
clasificados previamente por humanos como post que sean productivos, post

01:13:28.000 --> 01:13:32.000
que sean de alegría, post que sean de enfado, posts que sean de trolling,

01:13:32.000 --> 01:13:36.000
posts que sean de, pues todo eso va a permitir reconocer los patrones del

01:13:36.000 --> 01:13:40.000
lenguaje use un nuevo post que no ha formado parte del entrenamiento para

01:13:40.000 --> 01:13:52.000
realizar ese análisis de sentimiento, ¿de acuerdo?

01:13:52.000 --> 01:13:57.000
Pero claro, como las CNN procesan el texto completo, ¿vale?

01:13:57.000 --> 01:14:01.000
Es un enfoque que no sirve muy bien, ¿vale?

01:14:01.000 --> 01:14:10.000
Porque al ser por ventanas locales, tener que tener todo, etcétera, no sirven para un sistema de habla.

01:14:10.000 --> 01:14:15.000
Las redes neuronales recurrentes, las RNN, permiten solventar este

01:14:15.000 --> 01:14:20.000
problema, porque las RNN son capaces de poder procesar un texto que se va

01:14:20.000 --> 01:14:26.000
entregando en el tiempo poco a poco, ¿vale?

01:14:27.000 --> 01:14:32.000
Una RNN es mucho más adecuada para el procesamiento secuencial de datos,

01:14:32.000 --> 01:14:38.000
que es lo que normalmente se hace cuando hablamos con a través de n de n l b, ¿vale?

01:14:38.000 --> 01:14:43.000
Es cierto que en el caso de los Transformers o de ChatGPT, pues tendríamos

01:14:43.000 --> 01:14:48.000
que lo que yo le doy a ChatGPT es la frase completa, pero también en el

01:14:48.000 --> 01:14:53.000
nivel de reconocimiento de elementos tendríamos que ver cómo se procesa

01:14:53.000 --> 01:14:59.000
a nivel progresivo y a nivel secuencial, ¿vale?

01:14:59.000 --> 01:15:03.000
Entonces, las RNN procesan el texto de manera secuencial, palabra a

01:15:03.000 --> 01:15:07.000
palabra, o, y esto ya entramos en este término maravilloso, token a

01:15:07.000 --> 01:15:11.000
token, token de palabras que son claves.

01:15:11.000 --> 01:15:18.000
Esto le permite capturar información contextual y las dependencias de esos elementos dentro de una secuencia.

01:15:19.000 --> 01:15:23.000
Claro, las RNN tienen una especie de memoria, ¿vale?

01:15:23.000 --> 01:15:26.000
Una memoria a corto plazo que les permite recordar información de las

01:15:26.000 --> 01:15:29.000
entradas anteriores dentro de la misma secuencia, lo que permite poder

01:15:29.000 --> 01:15:32.000
entender el contexto, la estructura gramatical, dentro de oración, de un

01:15:32.000 --> 01:15:38.000
párrafo, y poder generarlo correctamente.

01:15:38.000 --> 01:15:44.000
Pero, claro, una RNN tradicional, claro, lucha con las dependencias a largo plazo.

01:15:44.000 --> 01:15:49.000
Hay variantes de las RNN, como las Long Short Term Memory o las Gater

01:15:49.000 --> 01:15:54.000
Recurrent Unit, que fueron desarrolladas para poder darle más de esta

01:15:54.000 --> 01:15:59.000
memoria a las redes recurrentes y así poder solventar las limitaciones

01:15:59.000 --> 01:16:04.000
que tienen en cuanto a la cantidad de información que pueden procesar

01:16:04.000 --> 01:16:09.000
dentro de una misma llamada, por lo que ya las RNN a partir de una memoria

01:16:09.000 --> 01:16:14.000
de corto largo término o corto largo plazo, pues una LSTM o una unidad

01:16:14.000 --> 01:16:21.000
recurrente a través de de puerta, de gated, ¿vale?

01:16:22.000 --> 01:16:27.000
Sería una forma de ya empezar a aproximarnos a lo que son los

01:16:27.000 --> 01:16:32.000
transformers, porque a pesar de que realmente ya permitía, y un modelo a

01:16:32.000 --> 01:16:37.000
través de una memoria de de largo corto término, de largo corto alcance,

01:16:37.000 --> 01:16:42.000
podría ya servirnos para este elemento, claro, no termina de ser todo lo

01:16:42.000 --> 01:16:51.000
útil que debería a este respecto.

01:16:51.000 --> 01:16:55.000
Por eso, cuando aparece el attention y el sould you need, este elemento

01:16:55.000 --> 01:16:59.000
revoluciona completamente la forma del trabajo con el lenguaje natural, un

01:16:59.000 --> 01:17:03.000
paper que viene de Google.

01:17:03.000 --> 01:17:07.000
O sea, imagínense la ironía que quien más provecho ha sacado a este

01:17:07.000 --> 01:17:11.000
paper de Google es una empresa tercera, porque el problema de Google es

01:17:11.000 --> 01:17:15.000
que no ha sido capaz de ver que aquí hay un producto comercial, cosa que

01:17:15.000 --> 01:17:19.000
OpenAI sí ha visto.

01:17:19.000 --> 01:17:23.000
Ese es el gran problema, ese es el problema por el que a día de hoy, y hay

01:17:23.000 --> 01:17:27.000
mucha gente que me dice, pues es que dónde está Apple con la I

01:17:27.000 --> 01:17:31.000
degenerativa, pues Apple con la I degenerativa, ya lo hemos dicho, le ha

01:17:31.000 --> 01:17:35.000
pillado con el pie cambiado y ha tenido que ponerse las pilas de manera

01:17:35.000 --> 01:17:39.000
rápida gracias a que él ya tiene un buen número de expertos, ¿vale?

01:17:40.000 --> 01:17:43.000
Es que, a ver, sí, todo lo que hace Apple, todo lo

01:17:43.000 --> 01:17:48.000
Apple hasta el año pasado, más o menos poco antes de la presentación de

01:17:48.000 --> 01:17:53.000
ChatGPT, es todo uso de redes neuronales basadas en deep learning y, de

01:17:53.000 --> 01:17:58.000
hecho, el iPhone, incluso el Apple Vision Pro, el iPad, etcétera, todo el

01:17:58.000 --> 01:18:04.000
sistema operativo está lleno de algoritmos de Deep Learning.

01:18:04.000 --> 01:18:08.000
No hay más que ver, por ejemplo, cómo los Mac son capaces de poner un

01:18:08.000 --> 01:18:12.000
filtro al micrófono que es capaz incluso de eliminar música, de eliminar

01:18:12.000 --> 01:18:16.000
palmas que yo doy mientras estoy hablando, que prácticamente parece

01:18:16.000 --> 01:18:20.000
magia, detecta ciertas poses y me hace esos animaciones bonitas y tal que

01:18:20.000 --> 01:18:24.000
ya terminamos por quitarlas, me hace la segmentación para el efecto de

01:18:24.000 --> 01:18:28.000
desenfoque por detrás, es decir, tiene un montón de opciones que están

01:18:28.000 --> 01:18:32.000
basadas en deep learning y están muy integradas en todos los sistemas

01:18:32.000 --> 01:18:36.000
operativos, y Apple es una de las compañías que más inteligencia

01:18:36.000 --> 01:18:47.000
artificial tiene dentro de sus sistemas, esto no podemos olvidarlo.

01:18:47.000 --> 01:18:53.000
Ahora, lo que Apple no tenía porque no tenía nadie es hiagenerativa.

01:18:54.000 --> 01:18:56.000
No tenía absolutamente nada.

01:18:57.000 --> 01:19:01.000
De hecho, para que se hagan una idea, y esto lo dijo Craig Federicchi

01:19:01.000 --> 01:19:05.000
metiéndolo así como a la tonta en la w w c, el nuevo diccionario, el

01:19:05.000 --> 01:19:09.000
nuevo recomendado de palabras de lo que es el teclado del iPhone o del

01:19:09.000 --> 01:19:15.000
iPad, funciona a través de Transformers.

01:19:16.000 --> 01:19:20.000
Se ha cambiado, antes funcionaba a través de redes neuronales recurrentes,

01:19:20.000 --> 01:19:24.000
de long short term, y ahora lo han cambiado para que funcione por

01:19:24.000 --> 01:19:28.000
Transformers y, por lo tanto, sea más eficiente, sea capaz de recordar

01:19:28.000 --> 01:19:32.000
más contenido, para que así, cuando yo esté escribiendo un texto, da

01:19:32.000 --> 01:19:36.000
igual la longitud de dicho texto, me pueda ir sugiriendo palabras que

01:19:36.000 --> 01:19:40.000
tengan que ver con todo el contexto de la de lo que es el texto que estoy

01:19:40.000 --> 01:19:46.000
escribiendo, ¿vale?

01:19:46.000 --> 01:19:53.000
Se autocompletado, lo dijo el propio Craig Federigui en la w w c, está utilizando transformers, ¿vale?

01:19:53.000 --> 01:19:59.000
Por lo tanto Apple se ha ido adaptando poco a poco, pero obviamente, como digo, le

01:20:01.000 --> 01:20:03.000
generativa es otra cosa completamente distinta.

01:20:04.000 --> 01:20:08.000
Ahora Apple sí se ha puesto las pilas, ahora Apple tiene lo que se conoce

01:20:08.000 --> 01:20:12.000
internamente como el proyecto AJAX, que es un motor de creación de

01:20:12.000 --> 01:20:16.000
contenido que permite crear imágenes, vídeo, texto, tipos de contenido

01:20:16.000 --> 01:20:20.000
dentro de su propio software, las próximas versiones han sido

01:20:20.000 --> 01:20:24.000
clasificadas por Apple de manera interna como una de las de los cambios

01:20:24.000 --> 01:20:28.000
más importantes en toda la historia de los sistemas operativos de Apple,

01:20:28.000 --> 01:20:32.000
precisamente porque se integrarán modelos como el Matrioska Diffusion

01:20:32.000 --> 01:20:36.000
Models, un modelo de difusión creado por Apple para la generación de

01:20:36.000 --> 01:20:40.000
imágenes de alta calidad y para la generación de vídeo de alta calidad

01:20:40.000 --> 01:20:44.000
a partir de imágenes estáticas, tipo, pues, lo que serían vídeos

01:20:44.000 --> 01:20:48.000
cortitos de tres segundos, lo que estamos viendo ahora con modelos como el

01:20:48.000 --> 01:20:57.000
recién presentado Stable Diffusion Video, ¿vale?

01:20:58.000 --> 01:21:04.000
O, pues, todos estos que permiten coger una imagen estática y generarle una animación, ¿vale?

01:21:04.000 --> 01:21:07.000
A esa, digamos, a ese elemento, ¿no?

01:21:07.000 --> 01:21:10.000
Pues todo esto Apple ya lo tiene, es decir, lo ha presentado, no es decir,

01:21:10.000 --> 01:21:13.000
no, no, pues esto es un rumor que lo ha dicho Mark Gulma y tal, no, no,

01:21:13.000 --> 01:21:17.000
no, no, no, Apple ha presentado esto, ¿vale?

01:21:17.000 --> 01:21:28.000
Busquen ustedes Apple m d m y verán cómo aparecen los papers y toda la información y los ejemplos reales del Matrioska Diffusion Model.

01:21:29.000 --> 01:21:33.000
Ahí, además, tenemos, y esto sí es parte de los rumores, la parte de los

01:21:33.000 --> 01:21:37.000
de lo que Apple llama Apple GPT, y ustedes ustedes dirán, ay, es que GPT

01:21:37.000 --> 01:21:41.000
ya está copiando, no no, perdónenme, GPT es un término genérico,

01:21:41.000 --> 01:21:45.000
significa texto generativo a través de texto pregenerado a través de

01:21:45.000 --> 01:21:51.000
transformers, ¿vale?

01:21:51.000 --> 01:21:54.000
El concepto GPT no es de OpenAI, ¿de acuerdo?

01:21:54.000 --> 01:21:58.000
Entonces, Apple lo está llamando así, probablemente no lo llame así o

01:21:58.000 --> 01:22:02.000
estarán buscando alguna forma de o algún nombre rocambolesco, pero lo

01:22:02.000 --> 01:22:06.000
que Apple está haciendo es conectar este servicio directamente sobre los

01:22:06.000 --> 01:22:10.000
sistemas de Apple para que podamos tener una nueva serie completamente

01:22:10.000 --> 01:22:14.000
rediseñada, esta vez sí, basada en un asistente basado en un modelo de

01:22:14.000 --> 01:22:18.000
lenguaje grande, en un modelo LLM, como GPT o como BART, o como, pues, los

01:22:18.000 --> 01:22:22.000
modelos de de llama, etcétera, que sea capaz de conectar lo que le

01:22:22.000 --> 01:22:26.000
pedimos con el sistema operativo, y que yo pueda decirle que me cree un

01:22:26.000 --> 01:22:30.000
nuevo key note a partir de un documento que ya tenga hecho, y él me va a

01:22:30.000 --> 01:22:34.000
generar el keynote y me lo va a generar incluso con imágenes, etcétera,

01:22:34.000 --> 01:22:43.000
para yo poder cambiarlas.

01:22:43.000 --> 01:22:48.000
Es decir, va a ser un cambio muy muy importante como lo va a ser, y lo

01:22:48.000 --> 01:22:53.000
está siendo, con Windows Copilot, con Office tres seis cinco Copilot, con

01:22:53.000 --> 01:22:58.000
Github Copilot, porque también habrá un un nuevo nuevo source kit dentro

01:22:58.000 --> 01:23:03.000
de SCODE basado en inteligencia artificial que será capaz de leer todo

01:23:03.000 --> 01:23:08.000
nuestro código y asesorarnos y autocompletarnos, ya no con una

01:23:08.000 --> 01:23:13.000
predicción como la que tiene actualmente, que SCODE ahora mismo es capaz

01:23:13.000 --> 01:23:18.000
de predecir de alguna manera cómo yo voy a llamar a ciertos elementos, ya

01:23:18.000 --> 01:23:26.000
no solo por el nombre del archivo, que esto es algo más que lógico y simple.

01:23:26.000 --> 01:23:29.000
No, no, es que si yo voy escribiendo los nombres de las clases,

01:23:29.000 --> 01:23:32.000
enumeraciones, etcétera, en scout quince, me va sugiriendo nombres que

01:23:32.000 --> 01:23:35.000
tienen que ver con lo que yo quiero representar, algo que demuestra, pues

01:23:35.000 --> 01:23:38.000
que Apple ahí está poniendo algo de ya, no mucho, pero bueno, una

01:23:38.000 --> 01:23:44.000
piquita, ¿vale?

01:23:44.000 --> 01:23:47.000
Un un poquito de sal para darle saborcete, ¿vale?

01:23:47.000 --> 01:23:55.000
Entonces, esto no tendrá nada que ver con cuando llegue el próximo scode, que sí va a ser cien por cien a nivel generativo.

01:23:55.000 --> 01:23:56.000
¿Hasta dónde?

01:23:56.000 --> 01:24:05.000
No lo sabemos, no sabemos ni los tokens, no sabemos ni cómo funcionará este modelo, ni si estará en local, supongo que sí estará en local.

01:24:06.000 --> 01:24:10.000
Den por hecho que esto solo va a funcionar en Apple Silicon, ya se lo adelanto, ¿vale?

01:24:10.000 --> 01:24:14.000
Si pensaban que esto va a funcionar en Intel, lo siento en el alma, no va a

01:24:14.000 --> 01:24:18.000
funcionar en Intel porque en Intel no tiene una aceleración, no tiene un

01:24:18.000 --> 01:24:22.000
motor neural y, por lo tanto, no tiene aceleración de inferencia de

01:24:22.000 --> 01:24:26.000
modelos de machine learning, por lo tanto, estas mejoras de scode, me

01:24:26.000 --> 01:24:32.000
juego lo que ustedes quieran a que esto solo va a estar en Apple Silicon, ¿vale?

01:24:32.000 --> 01:24:35.000
Yo creo que esto lo tenemos todos más que claro.

01:24:36.000 --> 01:24:39.000
Así que, bueno, pues esto, volviendo, ¿no?

01:24:39.000 --> 01:24:43.000
Al tema que nos ocupaba, este es esto es donde está Apple ¿no?

01:24:43.000 --> 01:24:45.000
Pero ¿dónde está Google?

01:24:46.000 --> 01:24:57.000
Porque Google como estábamos diciendo fueron los creadores de los modelos Transformers y, sin embargo, a día de hoy, no tienen un producto real.

01:24:57.000 --> 01:24:58.000
¿Han presentado para Workspace?

01:24:58.000 --> 01:25:01.000
Sí, ¿dónde está que yo lo vea?

01:25:01.000 --> 01:25:03.000
Como diría el meme.

01:25:03.000 --> 01:25:07.000
Han presentado BART, bueno, pues BART ya les digo que es un chiste, ¿vale?

01:25:07.000 --> 01:25:17.000
BART es un auténtico chiste en comparación con ChatGPT, o sea, está al nivel de Siri, básicamente, o sea, en en cuanto a practicidad, ¿vale?

01:25:17.000 --> 01:25:22.000
De vez en cuando, si eres muy, si te portas bien y eres muy complaciente y

01:25:22.000 --> 01:25:27.000
dices las cosas muy bonitas y tal, te puede llegar a ser útil, pero desde

01:25:27.000 --> 01:25:34.000
luego Bart está a día de hoy al diez por ciento de lo que realmente está ChatGPT.

01:25:34.000 --> 01:25:35.000
¿Por qué?

01:25:35.000 --> 01:25:38.000
Pues porque Google no vio, como ya estoy comentando, Google no vio la

01:25:38.000 --> 01:25:41.000
necesidad de que toda esta investigación en machine learning, donde ellos

01:25:41.000 --> 01:25:44.000
es, donde ellos eran pioneros, tuviera una repercusión directa en

01:25:44.000 --> 01:25:49.000
producto para el usuario.

01:25:50.000 --> 01:25:54.000
Ya no digo que sea a nivel de monetización o no, sino de producto o

01:25:54.000 --> 01:25:58.000
servicio para el usuario, ellos sacaban músculo, era una forma de

01:25:58.000 --> 01:26:02.000
reinvertir la los beneficios de Google, pero en Google todo lo que no sea

01:26:02.000 --> 01:26:06.000
publicidad se descarta de manera directa, por lo que de ahí el famoso

01:26:06.000 --> 01:26:10.000
site de matado por Google, donde hay cientos y cientos de productos que

01:26:10.000 --> 01:26:14.000
app que Google ha ido matando con el tiempo, porque todo lo que no sea

01:26:14.000 --> 01:26:18.000
algo que repercuta directamente en el negocio de la publicidad de manera

01:26:18.000 --> 01:26:22.000
positiva es directamente descartado, y quieren que les cuente algo que ya

01:26:22.000 --> 01:26:26.000
saben, Que las los LLMs repercuten negativamente en el modelo de

01:26:26.000 --> 01:26:34.000
publicidad y búsquedas de Google.

01:26:34.000 --> 01:26:38.000
Google ha pasado a ser una página, o sea, ha bajado brutalmente la

01:26:38.000 --> 01:26:42.000
cantidad de visitas, porque hay mucha gente que sabe utilizar bien

01:26:42.000 --> 01:26:46.000
ChatGPT, como es mi caso, el de mi amigo Oliver Navani, gente, muchísima

01:26:46.000 --> 01:26:50.000
gente de los que ustedes estoy seguro que me escuchan, que lo usan para su

01:26:50.000 --> 01:26:55.000
día a día, que han dejado de ir a Google a buscar cosas.

01:26:56.000 --> 01:27:02.000
Eso son literalmente millones de visitas menos al día y mucha menos publicidad impresa.

01:27:03.000 --> 01:27:08.000
Google está pasando ahora mismo una crisis brutal porque se encuentra con

01:27:08.000 --> 01:27:13.000
la dicotomía de tener que tomar la decisión que no quisieron tomar y que

01:27:13.000 --> 01:27:18.000
echaron patada para adelante para ver si así se le pasaba la moda a la

01:27:18.000 --> 01:27:23.000
gente, porque ellos vieron GPT, vieron ChatGPT, vieron BHub Copilot,

01:27:23.000 --> 01:27:28.000
dijeron, bueno, esto tampoco es una cosa que, en el momento en el que

01:27:28.000 --> 01:27:33.000
ChatGPT explotó y se dio cuenta y se vio en el mercado que era un

01:27:33.000 --> 01:27:38.000
producto que la gente quería, a Google, también como a Apple le pilló

01:27:38.000 --> 01:27:43.000
con el pie cambiado, porque Google, y escúchenme bien lo que les voy a

01:27:43.000 --> 01:27:48.000
decir, no quiere cambiar su modelo de negocio actual metiendo un asistente

01:27:48.000 --> 01:27:53.000
inteligente basado en modelos de lenguaje.

01:27:54.000 --> 01:27:59.000
Obviamente, ellos son felices siendo los reyes del mambo teniendo un

01:27:59.000 --> 01:28:04.000
noventa y ocho por ciento de facturación total del grupo de empresas

01:28:04.000 --> 01:28:09.000
proveniente de la venta de publicidad, y lo que no quieren es que ahora

01:28:09.000 --> 01:28:14.000
haya un una nueva forma de buscar en el que yo, por ejemplo, y esto

01:28:14.000 --> 01:28:19.000
repercute directamente en ciertos contenidos, ¿qué hago ahora si yo?

01:28:19.000 --> 01:28:22.000
O sea, se lo digo muy claramente, yo llego y tengo un artículo de, pues,

01:28:22.000 --> 01:28:25.000
les voy a poner, un artículo de los míos que yo escribí para la

01:28:25.000 --> 01:28:30.000
pelesfera, ¿vale?

01:28:30.000 --> 01:28:32.000
Que es más grande que hoy y ayer.

01:28:32.000 --> 01:28:36.000
Un artículo que para leerlo tienes que dedicar quince o veinte minutos.

01:28:36.000 --> 01:28:40.000
De hecho, esto es literal porque nuestro amigo Carlos Castillo, el que

01:28:40.000 --> 01:28:44.000
saluda desde aquí, pues tenía la costumbre de coger mis artículos de

01:28:44.000 --> 01:28:48.000
AperEsfera, pasarlos por un test to speech y que se lo leyera, ¿vale?

01:28:48.000 --> 01:28:54.000
Con el el lector de voz de el iPhone, etcétera, o pasárselo directamente a un fichero de audio.

01:28:54.000 --> 01:28:59.000
Y le ocupaba eso, quince, veinte minutos, y me lo mandaba y decía, mira, eres un burro tal.

01:28:59.000 --> 01:29:02.000
Yo decía, sí, sí, lo sé, pero pero a ti te mola, ¿no?

01:29:02.000 --> 01:29:04.000
Entonces, ese es el tema, ¿de acuerdo?

01:29:04.000 --> 01:29:10.000
Entonces, si yo ahora no necesito entrar en Apple Esfera, ¿vale?

01:29:10.000 --> 01:29:20.000
Donde apenas hay publicidad, nótese la ironía, porque hoy día todos los medios de prensa, ya no es AppleEsfera, es todo el mundo, ¿vale?

01:29:20.000 --> 01:29:25.000
Todos los medios de prensa son la bacanal de la publicidad y de los banners, ¿vale?

01:29:26.000 --> 01:29:29.000
De hecho, no solo eso, es que luego siguen funcionando los típicos

01:29:29.000 --> 01:29:32.000
artículos mierders, estos típicos artículos de las veinte cosas que

01:29:32.000 --> 01:29:35.000
nunca que nunca supiste sobre Friends, las veinticuatro cosas que nunca

01:29:35.000 --> 01:29:41.000
imaginarías que no sé cuánta.

01:29:41.000 --> 01:29:51.000
Hoy no imaginarías cómo está ahora la hija de Chumbito, que era muy pequeñita y ahora está jamona, o sea, perdónenme, ¿qué me estás contando?

01:29:52.000 --> 01:29:55.000
Pero estos artículos de mierda que meten muchísimos medios generalistas

01:29:55.000 --> 01:29:58.000
como El Mundo, como El País, como KeyDiario, bueno, el KeyDiario, pues,

01:29:58.000 --> 01:30:01.000
es una cosa, en fin, como el eldiario punto es, etcétera, a nivel de

01:30:01.000 --> 01:30:07.000
clickbait, ¿vale?

01:30:07.000 --> 01:30:12.000
No estoy hablando de lo que sería línea editorial, ¿vale?

01:30:12.000 --> 01:30:15.000
La línea editorial me da exactamente igual, ¿vale?

01:30:15.000 --> 01:30:20.000
Ya sabemos de qué pie coge a cada uno y de hecho me da vergüenza que esto

01:30:20.000 --> 01:30:25.000
sea así, porque un medio de prensa debería ser debería ser imparcial, ¿vale?

01:30:25.000 --> 01:30:29.000
Sí, pues, imparcial es la capital de Zambia comparado con la prensa hoy día, ¿vale?

01:30:29.000 --> 01:30:30.000
En este país.

01:30:30.000 --> 01:30:37.000
Porque aquí nadie es imparcial, aquí todo el mundo bebe de uno, se bebe de otros, y lo que hacen los demás es todo fatal de la vida.

01:30:37.000 --> 01:30:38.000
En fin, así nos va.

01:30:38.000 --> 01:30:39.000
Entonces, ¿qué es lo que sucede?

01:30:40.000 --> 01:30:44.000
Que todos estos medios, todos, están utilizando agregadores de contenido

01:30:44.000 --> 01:30:48.000
de mierda de ese tipo, de, ay, Ben Affleck, pobrecito, mira lo delgado que

01:30:48.000 --> 01:30:53.000
está por cumplir su contrato de sexo con Jennifer López.

01:30:53.000 --> 01:30:57.000
Os lo juro que esto es un artículo que yo he llegado a ver en medios de

01:30:57.000 --> 01:31:01.000
prensa generalistas y que provocan ese morbo del y cuando pulsas, si te

01:31:01.000 --> 01:31:05.000
paras a ver la cantidad de proveedores a los que mandan nuestra

01:31:05.000 --> 01:31:09.000
información, cuando le das a la parte de los datos privativos, ves que

01:31:09.000 --> 01:31:13.000
están enviando literalmente a cientos de trackers la información de que

01:31:13.000 --> 01:31:17.000
nosotros hayamos visitado esa página, y nos ponen por defecto para que

01:31:17.000 --> 01:31:27.000
vayamos rápido y le demos a aceptar todo, ¿vale?

01:31:27.000 --> 01:31:32.000
Mal, porque estamos aceptando literalmente cientos de trackers de terceros

01:31:32.000 --> 01:31:37.000
que, por suerte, si usamos Safari, son bastante menos, porque Safari lo

01:31:37.000 --> 01:31:42.000
que hace es ocultar, si tenemos activado el tema de el cross site con las

01:31:42.000 --> 01:31:47.000
cookies de terceros, ese tipo de seguimiento, pero aún así, o Jean,

01:31:47.000 --> 01:31:52.000
¿qué necesidad hay de aceptar cómo hay por ahí más?

01:31:52.000 --> 01:31:57.000
Porque lo he llegado a ver, insisto, más de noventa y tantos elementos de, pues, ese tipo de mierdas, ¿vale?

01:31:57.000 --> 01:32:01.000
Entonces, de de noventa y tantos proveedores de terceros a los que ceden

01:32:01.000 --> 01:32:06.000
nuestros datos para hacer segmentación, etcétera, etcétera, publicidad, tal.

01:32:07.000 --> 01:32:12.000
Entonces, ¿qué me impide a mí hacer como yo puedo hacer ya ahora?

01:32:13.000 --> 01:32:20.000
Darle un artículo a ChatGPT y que me lo lea y me dé un resumen y no tengo ni que entrar al mismo y tragarme toda su publicidad?

01:32:20.000 --> 01:32:23.000
¿Cuánto tiempo va a tardar?

01:32:23.000 --> 01:32:27.000
Porque, en fin, esto está la orden del día, ¿cuánto tiempo va a tardar

01:32:27.000 --> 01:32:31.000
Google, porque ya lo hace BIN, en darme la información por la cual yo no

01:32:31.000 --> 01:32:35.000
necesito visitar ni una sola página web, porque él ya se encarga de ir a

01:32:35.000 --> 01:32:39.000
la página web y darme la información.

01:32:40.000 --> 01:32:44.000
Cuando yo estoy navegando con ChatGPT, ya hay páginas que tienen formas de

01:32:44.000 --> 01:32:48.000
impedir que la inteligencia artificial, que ChatGPT, o Bing, chat en este

01:32:48.000 --> 01:32:52.000
caso, puedan leer su contenido.

01:32:53.000 --> 01:32:57.000
Al final vamos a terminar llegando a ese nivel, que estén los lo que son

01:32:57.000 --> 01:33:01.000
los gestores de contenido privados para que no puedan ser leídos por

01:33:01.000 --> 01:33:05.000
inteligencias artificiales, porque ríete tú del famoso Google News que

01:33:05.000 --> 01:33:09.000
tuvo que quitar Google aquí en España porque tenía que compartir,

01:33:09.000 --> 01:33:14.000
tenía que pagarle a los medios de prensa por usar su contenido.

01:33:15.000 --> 01:33:17.000
Entonces, ahora, ¿qué va a pasar?

01:33:17.000 --> 01:33:22.000
Y volvemos a lo mismo, y en futuros modelos de GPT, ¿de dónde van a sacar el contenido?

01:33:22.000 --> 01:33:29.000
¿Lo van a sacar de de ciertas páginas que a lo mejor no quieren que su contenido se utilice porque es un contenido monetizado?

01:33:30.000 --> 01:33:33.000
Porque ya les digo yo que todos los contenidos de prensa están más que

01:33:33.000 --> 01:33:36.000
metidos ahí directamente, todos los que no estén detrás de un muro de

01:33:36.000 --> 01:33:39.000
pago, obviamente, ¿vale?

01:33:39.000 --> 01:33:42.000
Entonces, al final vamos a ir direccionados a que uno o los medios sean

01:33:42.000 --> 01:33:45.000
todos a través de un muro de pago y tengamos que con Bloomberg o con The

01:33:45.000 --> 01:33:49.000
Information en Estados Unidos, ¿vale?

01:33:49.000 --> 01:33:52.000
Que solo nos dejan leer un artículo y, como mucho, y luego ya tenemos que

01:33:52.000 --> 01:33:55.000
empezar a pagar, o estarán en otro artículo, y como mucho, y luego ya

01:33:55.000 --> 01:34:00.000
tenemos que empezar a pagar, o estarán en otros sitios, ¿vale?

01:34:00.000 --> 01:34:03.000
Porque claro, ¿quién me obliga a mí ahora?

01:34:04.000 --> 01:34:08.000
Entonces, si yo ahora voy a un a un modelo en el que los modelos de

01:34:08.000 --> 01:34:12.000
lenguaje pueden ser capaces de leer por mí cualquier página y darme el

01:34:12.000 --> 01:34:16.000
resumen que yo necesito o extraer la información que yo estoy buscando,

01:34:16.000 --> 01:34:21.000
eso se cepilla el modelo de negocio de Google.

01:34:21.000 --> 01:34:24.000
Porque el modelo de negocio de Google es ese.

01:34:24.000 --> 01:34:32.000
Si yo ahora puedo ponerle un plugin a ChatGPT para que me busque viajes, que lo hay, ¿vale?

01:34:32.000 --> 01:34:36.000
Pues yo ya no necesito tener que ir a una web, comerme no sé cuántas

01:34:36.000 --> 01:34:40.000
cookies de terceros y que Instagram y todos los todas las redes sociales

01:34:40.000 --> 01:34:46.000
sepan que me quiero ir de vacaciones a Torrevieja, ¿vale?

01:34:46.000 --> 01:34:49.000
Alicante, con porque me han tocado un apartamento en el uno, dos, tres.

01:34:49.000 --> 01:34:52.000
Pues mire usted, pues pues no, ¿vale?

01:34:53.000 --> 01:34:57.000
O sea, si yo voy a poder hacer todo tipo de gestiones, de reservas de

01:34:57.000 --> 01:35:01.000
vuelo, de reservas de viajes, de reservar mesas, que también se puede, es

01:35:01.000 --> 01:35:06.000
que esto ya se puede hacer, ChatGPT, ¿de acuerdo?

01:35:06.000 --> 01:35:12.000
Y no necesito ir a una mierda de web en la que está plagado de publicidad y en la que está plagado de cookies de terceros.

01:35:13.000 --> 01:35:18.000
Entonces, todo eso va en contra del modelo de negocio de Google, todo eso

01:35:18.000 --> 01:35:23.000
le obliga a Google a rediseñar, a reinventarse por completo, porque si

01:35:23.000 --> 01:35:28.000
no, como decía la película, que muchos se creen, muchos piensan que que

01:35:28.000 --> 01:35:33.000
es real y no es de una película, de una película bastante simpática, ¿vale?

01:35:33.000 --> 01:35:37.000
Que es el famoso el famoso meme, ¿no?

01:35:37.000 --> 01:35:39.000
Del chaval que está ahí en la puerta, que su tía la puerta del banco y

01:35:39.000 --> 01:35:41.000
su tía es la limpiadora y que están en mitad de un atraco y le pregunta,

01:35:41.000 --> 01:35:45.000
bueno, ¿y está usted preocupado?

01:35:45.000 --> 01:35:49.000
Sí, sí, sí, que me quedó cinco mil, por lo mismo, ese es Google a día de hoy.

01:35:49.000 --> 01:35:54.000
Google mira las l l m y dice, que me quedo sin comer, pues es que ese puto

01:35:54.000 --> 01:35:59.000
Google entiende, porque se queda sin comer como no se reinvente, porque

01:35:59.000 --> 01:36:04.000
las l l ms han venido para reventar por completo el negocio de mierda que

01:36:04.000 --> 01:36:09.000
es hoy día la publicidad en Internet, que es invasivo, es molesto, es no

01:36:09.000 --> 01:36:14.000
tiene en cuenta para nada nuestra privacidad, ni tiene en cuenta para nada

01:36:14.000 --> 01:36:19.000
absolutamente nada, y hoy día no son conscientes de los millones y

01:36:19.000 --> 01:36:24.000
millones y millones de negocios que se sostienen en base a publicidad.

01:36:25.000 --> 01:36:32.000
Todo eso va a desaparecer, porque ya no va a tener ningún tipo de sentido, ¿de acuerdo?

01:36:32.000 --> 01:36:41.000
Y, por lo tanto, si Google no quiere quedarse sin comer, tendrá que reinventarse y tendrá que ofrecer su servicio de una forma distinta.

01:36:41.000 --> 01:36:45.000
Por eso Google ahora mismo no se sabe dónde está en este mundo, porque

01:36:45.000 --> 01:36:49.000
ahora alguien les ha obligado a salir y hacer lo que ellos no querían y

01:36:49.000 --> 01:36:53.000
habían descartado, que es convertir en un servicio los modelos de

01:36:53.000 --> 01:36:57.000
lenguaje para llevar más allá sus asistentes y para llevar más allá

01:36:57.000 --> 01:37:04.000
sus búsquedas, para crear una nueva forma de buscar información en Internet.

01:37:05.000 --> 01:37:10.000
Y por lo tanto, tendrá que existir una forma distinta de monetización,

01:37:10.000 --> 01:37:15.000
porque obviamente los medios de prensa, no ya los medios de prensa, los

01:37:15.000 --> 01:37:20.000
creadores de contenido, pues tienen que monetizar su trabajo, tienen que vivir de eso.

01:37:21.000 --> 01:37:30.000
Un una persona que, bueno, pues sea youtuber vive de las visitas a su vídeo, ¿qué pasa si de pronto hay de nuevo?

01:37:30.000 --> 01:37:34.000
Porque ya hay páginas que lo hacen, pero qué pasa si de pronto se,

01:37:34.000 --> 01:37:38.000
digamos, se populariza el usar plugins que cojan la transcripción de un

01:37:38.000 --> 01:37:42.000
vídeo de YouTube sin que tengas que verlo y te den el contenido tal cual,

01:37:42.000 --> 01:37:46.000
y te digan, pues sí, esto te cuenta aquí, esto esto y lo otro, y no

01:37:46.000 --> 01:37:52.000
tienes que verlo.

01:37:52.000 --> 01:37:55.000
O sea, ¿ustedes sabían que la media normal y habitual de cualquier

01:37:55.000 --> 01:37:58.000
vídeo, de cualquier canal de YouTube, es de una retención del de entre

01:37:58.000 --> 01:38:03.000
el treinta y el cincuenta por ciento, ¿vale?

01:38:03.000 --> 01:38:05.000
Tirando más al treinta que al cincuenta.

01:38:05.000 --> 01:38:07.000
¿Qué significa ese porcentaje de retención?

01:38:08.000 --> 01:38:17.000
Significa que la gente no ve los vídeos, que los vídeos en YouTube no se ven completos, que la gente, de media, ve la tercera parte del vídeo.

01:38:17.000 --> 01:38:21.000
Yo cuelgo un vídeo de veinte minutos y mi vídeo de veinte minutos lo ven

01:38:21.000 --> 01:38:25.000
solo la tercera parte, no la tercera parte de usuarios, no, me refiero que

01:38:25.000 --> 01:38:29.000
la media de todos los que ven mi vídeo solo ven la tercera parte del

01:38:29.000 --> 01:38:36.000
vídeo, no lo ven entero, no ven los veintiún minutos, ven siete de ellos.

01:38:36.000 --> 01:38:44.000
Pero dirán, bueno, pero es que tú te enrollas como diez de pipa, también, pero y me da igual, o sea, un vídeo de cinco minutos, ¿vale?

01:38:45.000 --> 01:38:47.000
De cinco minutos, donde cuentas cosas muy concretas.

01:38:48.000 --> 01:38:53.000
Bueno, teniendo en cuenta que en YouTube, para empezar a monetizar, tienes que poner al menos ocho, ¿vale?

01:38:53.000 --> 01:38:56.000
Pero bueno, de cinco minutos, ¿vale?

01:38:56.000 --> 01:39:02.000
Pues un vídeo de cinco minutos pasa igual, o de ocho o de diez, la gente no es constante.

01:39:02.000 --> 01:39:05.000
Entonces, si la gente ya no está viendo el contenido, ¿qué le cuesta

01:39:05.000 --> 01:39:08.000
cuando haya una forma mucho más asequible de poder mandar y decir, oye,

01:39:08.000 --> 01:39:12.000
qué me está contando este?

01:39:12.000 --> 01:39:16.000
Pues, por ejemplo, yo veo normalmente vídeos de cocina, ¿vale?

01:39:16.000 --> 01:39:22.000
Soy así, tengo esa manía, hay gente que ve vídeos de de gente que explota granos y también los queremos, ¿vale?

01:39:22.000 --> 01:39:24.000
Yo sigo a a varios canales de de cocina, ¿vale?

01:39:24.000 --> 01:39:34.000
A Sbieta, etcétera, varios canales de de cocina, ¿vale?

01:39:34.000 --> 01:39:41.000
A Sbieta, etcétera, etcétera, y me gusta ver las recetas, etcétera, y me gusta ver también todo lo que tiene que ver con los restaurantes, ¿vale?

01:39:41.000 --> 01:39:45.000
Sigo también al famoso César Blue, el del accidente, el Tesla, veo

01:39:45.000 --> 01:39:49.000
también, pues, a a a varios, pues, de vez en cuando también a su ex

01:39:49.000 --> 01:39:53.000
amigo, el el cenando con Pablo este o el tardando, como dice el Yogurger

01:39:53.000 --> 01:39:59.000
challenge, en fin, toda esta gente que son, pues, como una piña, ¿no?

01:39:59.000 --> 01:40:06.000
A tan aullar, etcétera, son gente, pues, que me gusta el contenido que hacen, lo sigo, etcétera, y, pues, van a un restaurante, lo prueban.

01:40:07.000 --> 01:40:11.000
Claro, en fin, ¿qué puede pasar el día en el que un vídeo de César

01:40:11.000 --> 01:40:15.000
Blue que dura veinticinco minutos yo se lo mande a una IA y me diga, oye,

01:40:15.000 --> 01:40:20.000
¿qué le ha parecido el restaurante a este tío?

01:40:20.000 --> 01:40:24.000
Y entonces la IA se vea toda la transcripción y diga, mira, pues, ha

01:40:24.000 --> 01:40:28.000
comido esto esto esto y esto, este plato le ha gustado más, este menos,

01:40:28.000 --> 01:40:32.000
este tal, este más, y en general es un sitio que él recomienda para ir, ya está.

01:40:32.000 --> 01:40:36.000
Ya sé lo que, o sea, ya ya tengo la información de lo que necesito de ese

01:40:36.000 --> 01:40:40.000
vídeo, no tengo por qué verlo, obviamente al no verlo no monetiza, no le

01:40:40.000 --> 01:40:45.000
doy una visita y ya está.

01:40:45.000 --> 01:40:47.000
Y aquí paz y después gloria, ¿vale?

01:40:47.000 --> 01:40:50.000
Porque simplemente se ha bajado los subtítulos o ha ido directamente al

01:40:50.000 --> 01:40:53.000
vídeo, que incluso lo puede tener ya cacheado, porque si es un vídeo que

01:40:53.000 --> 01:40:56.000
ya se lo han pedido varia gente, ya lo tendrá cacheado y por lo tanto no

01:40:56.000 --> 01:40:59.000
tendrá que volver a cogerlo y punto, y ya le hemos fastidiado el negocio

01:40:59.000 --> 01:41:05.000
a este pobre hombre que vive de esto, ¿no?

01:41:05.000 --> 01:41:10.000
Entonces, repito, tendrá que haber una reinvención a nivel general y por

01:41:10.000 --> 01:41:15.000
esto en muchas ocasiones he hablado de lo realmente importante que es todo

01:41:15.000 --> 01:41:20.000
este cambio y de cómo va a cambiar el paradigma completo de Internet y en

01:41:20.000 --> 01:41:25.000
cómo se monetizan los contenidos, porque ahora todo eso está a punto de

01:41:25.000 --> 01:41:30.000
cambiar, ya está cambiando y cada vez cambiará más rápidamente.

01:41:30.000 --> 01:41:35.000
En el momento en el que Google, que se está viendo forzada, dé el paso,

01:41:35.000 --> 01:41:40.000
todo esto cambiará y tendrán que buscar nuevas formas de monetizar,

01:41:40.000 --> 01:41:46.000
nuevas formas de ofrecer contenido, nuevas formas de hacer que el el SEM, ¿vale?

01:41:46.000 --> 01:41:50.000
Lo que sería el search engine marketing, que es el de pago, ¿vale?

01:41:51.000 --> 01:41:55.000
Funcione de una manera distinta, que el propio SEO funcione de una manera

01:41:55.000 --> 01:42:00.000
distinta, en fin, esto es un cambio que realmente no somos conscientes, ¿vale?

01:42:00.000 --> 01:42:09.000
Y todo esto viene volviendo el origen de el elemento a través de la salida de estos Transformers, ¿vale?

01:42:09.000 --> 01:42:13.000
Lo que los Transformers hicieron, ampliando las CNNs y las RNNs, fue

01:42:13.000 --> 01:42:17.000
introducir un nuevo enfoque, en lugar de leer palabra por palabra dentro

01:42:17.000 --> 01:42:21.000
de una secuencia y utilizar mecanismos que permitan recordar y asociar

01:42:21.000 --> 01:42:25.000
conceptos, pero de una manera más limitada, lo que hacen es utilizar

01:42:25.000 --> 01:42:29.000
mecanismos de atención para ver todo el texto a la vez y aprender las

01:42:29.000 --> 01:42:33.000
relaciones entre todas las palabras en una oración o párrafo,

01:42:33.000 --> 01:42:43.000
independientemente de su posición, ¿vale?

01:42:43.000 --> 01:42:48.000
A ver, ¿cómo diría?

01:42:48.000 --> 01:42:51.000
Esto puede sonar algo muy parecido a lo que es una RNN con memoria, ¿vale?

01:42:51.000 --> 01:42:56.000
Con lo que hemos comentado, pero vamos a verlo desde un punto de vista como si fuera una reunión de muchas personas, ¿vale?

01:42:56.000 --> 01:43:06.000
En el enfoque anterior con las redes neuronales recurrentes o con las CNNs, sería algo así como si yo estuviera en una reunión, ¿vale?

01:43:06.000 --> 01:43:10.000
Pero para escuchar, para poder atender a esa reunión tendría que ir

01:43:10.000 --> 01:43:14.000
cambiando, o sea, es decir, imagínense que es como una reunión donde, a

01:43:14.000 --> 01:43:20.000
ver, ¿cómo cómo lo diría?

01:43:20.000 --> 01:43:25.000
Imagínense, una reunión en la que hay diez personas, pero las diez

01:43:25.000 --> 01:43:30.000
personas no pueden estar a la vez en la reunión, sino que cada persona

01:43:30.000 --> 01:43:35.000
está al lado de otra, por lo que si la persona a le tiene que comunicar

01:43:35.000 --> 01:43:40.000
algo a la persona d, tendría que decírselo, a tendría que decírselo a

01:43:40.000 --> 01:43:45.000
b, b se lo diría a c y c se lo diría a d, porque no puede haber, por

01:43:45.000 --> 01:43:50.000
atención, no puede haber más de dos personas a la vez en la reunión, ¿vale?

01:43:50.000 --> 01:43:55.000
Insisto, esto es un símil para entender la diferencia entre cómo funciona

01:43:55.000 --> 01:44:01.000
una RNN con memoria y cómo funciona una lo que sería un Transformer, ¿vale?

01:44:01.000 --> 01:44:04.000
Entonces, el b va a ser capaz de recordar todo lo que le diga a y va a ser

01:44:04.000 --> 01:44:07.000
capaz de generar una nueva versión de lo que a le ha dicho para

01:44:07.000 --> 01:44:10.000
pasárselo a c, y c e también va a tener buena memoria y va a ser capaz

01:44:10.000 --> 01:44:13.000
de recordar y asociar todos los conceptos que Belle ha dicho para

01:44:13.000 --> 01:44:16.000
pasárselo a d, pero el problema es que si a y d se quieren comunicar, no

01:44:16.000 --> 01:44:23.000
se puede, porque tiene que pasar de a a b, de b a c y de c a d.

01:44:24.000 --> 01:44:28.000
Pues bien, los transformers es como si todos estuvieran a la vez en la sala, ¿vale?

01:44:28.000 --> 01:44:32.000
Ahora ya no hay problemas de comunicación, ahora da igual de dónde venga

01:44:32.000 --> 01:44:36.000
la comunicación y quien lo diga, todo forma parte de un todo, todo forma

01:44:36.000 --> 01:44:40.000
parte de un conjunto que le permite entender el contexto completo del

01:44:40.000 --> 01:44:44.000
contenido y las relaciones entre todas las palabras de distintas frases y

01:44:44.000 --> 01:44:48.000
de distintos párrafos, ¿de acuerdo?

01:44:48.000 --> 01:44:54.000
Esa es la diferencia, repito, haciendo un símil, entre una red neuronal

01:44:54.000 --> 01:45:00.000
recurrente trabajando con lenguaje natural y el cambio que supusieron los Transformers.

01:45:00.000 --> 01:45:04.000
Esta capacidad de los Transformers para ver y analizar todo el texto de una

01:45:04.000 --> 01:45:08.000
vez y entender el contexto global es lo que marcó la enorme diferencia en

01:45:08.000 --> 01:45:12.000
la precisión, en la capacidad de los modelos, etcétera, porque pueden

01:45:12.000 --> 01:45:16.000
capturar matices y relaciones dentro del lenguaje que los modelos

01:45:16.000 --> 01:45:20.000
anteriores no pueden, lo que lleva a un avance significativo en tareas,

01:45:20.000 --> 01:45:24.000
pues, como la generación de texto, la comprensión del texto, la

01:45:24.000 --> 01:45:28.000
traducción automática, la traducción del lenguaje natural hacia código

01:45:28.000 --> 01:45:35.000
de programación y viceversa, etcétera.

01:45:35.000 --> 01:45:39.000
Además, los Transformers abrieron la puerta a la creación de modelos de

01:45:39.000 --> 01:45:43.000
lenguaje más grandes, con mucho más contenido, que pueden generar textos

01:45:43.000 --> 01:45:47.000
que son más coherentes, que están bien informados, que responden

01:45:47.000 --> 01:45:51.000
preguntas, que escriben ensayos, etcétera.

01:45:52.000 --> 01:45:56.000
Es decir, los Transformers lo que hicieron fue transformar, valga la

01:45:56.000 --> 01:46:00.000
redundancia, el NLP, el modelo, lo que es el procesamiento del lenguaje

01:46:00.000 --> 01:46:04.000
natural, al permitir un enfoque más global y contextual del procesamiento

01:46:04.000 --> 01:46:10.000
del lenguaje, y todo eso llevó a unas mejoras que las estamos viendo poco a poco.

01:46:10.000 --> 01:46:15.000
Y todo esto tiene que ver también con la cantidad de memoria que se le dé

01:46:15.000 --> 01:46:20.000
a ese modelo de Transformer, el tamaño del contexto o el tamaño o lo que

01:46:20.000 --> 01:46:25.000
serían, que ese tamaño de contexto se define a través de los tokens.

01:46:25.000 --> 01:46:26.000
¿Qué es un token?

01:46:26.000 --> 01:46:31.000
Que hablamos muchas veces de, pues, ChatGPT tiene no sé cuántos tokens, sí, no sé cuántos tokens.

01:46:31.000 --> 01:46:35.000
Un token en el contexto de un Transformer es una pieza de texto, ¿vale?

01:46:35.000 --> 01:46:44.000
Puede ser una palabra o un trozo de una palabra o incluso un signo de puntuación que dé un significado concreto, ¿de acuerdo?

01:46:44.000 --> 01:46:52.000
Por ejemplo, si yo en inglés pongo la la palabra don't, ¿vale?

01:46:52.000 --> 01:47:05.000
De do not, contraído, eso serían dos tokens, por el do en cuanto a lo que es el verbo hacer y el not abreviado del unt, ¿vale?

01:47:05.000 --> 01:47:14.000
Para que el don't sea el hacer como negativo, como expresión que niega la opción de hacer, ¿de acuerdo?

01:47:14.000 --> 01:47:15.000
El no hacer sería.

01:47:15.000 --> 01:47:20.000
Por lo tanto, esta división lo que hace es que nosotros hemos estado

01:47:20.000 --> 01:47:25.000
trabajando hasta ahora con un límite de ocho mil tokens, y ahora el nuevo

01:47:25.000 --> 01:47:30.000
chat GPT presentado por OpenAI hace nada, nos habla de ciento veintiocho

01:47:30.000 --> 01:47:35.000
mil tokens, ciento veintiocho mil tokens, ¿ok?

01:47:36.000 --> 01:47:40.000
Entonces, cuanto más grande es el contexto, más información puede

01:47:40.000 --> 01:47:45.000
considerar el modelo cuando responda y le permite generar respuestas más coherentes.

01:47:45.000 --> 01:47:49.000
Esto nos pasa, a mí me pasa mucho con ChatGPT, que ChatGPT se olvida de lo

01:47:49.000 --> 01:47:53.000
que dijo mucho más arriba, porque se sale fuera del contexto que es capaz

01:47:53.000 --> 01:47:57.000
de controlar, ¿ok?

01:47:58.000 --> 01:48:03.000
Entonces, si partimos de la base de que ChatGPT, repito, es una generación

01:48:03.000 --> 01:48:08.000
de texto, ¿Puede ChatGPT, puede un modelo GPT, cuando le demos mucha,

01:48:08.000 --> 01:48:13.000
mucha, mucha, mucha información y capacidad y lo unamos a ciertos

01:48:13.000 --> 01:48:18.000
plugins, llegar a permitirnos crear una inteligencia artificial general?

01:48:19.000 --> 01:48:24.000
Esa es una gran pregunta, porque el poder pasar de una inteligencia como

01:48:24.000 --> 01:48:29.000
GPT con lo que sería una inteligencia artificial estrecha a considerarla

01:48:29.000 --> 01:48:34.000
una AGI, que se refiere a una inteligencia artificial que tiene que poder

01:48:34.000 --> 01:48:39.000
entender, tiene que poder aprender, muy importante, y aplicar su

01:48:39.000 --> 01:48:44.000
conocimiento en una amplia variedad de tareas y contexto similar a la

01:48:44.000 --> 01:48:52.000
capacidad cognitiva humana, claro, ¿se puede conseguir?

01:48:52.000 --> 01:49:02.000
A ver, mi opinión es que no, pero partimos de una base muy importante, y es que no sabemos cómo funciona GPT por dentro.

01:49:03.000 --> 01:49:09.000
Y si tenemos un nuevo modelo, como el rumoreado QStar, que sería una

01:49:09.000 --> 01:49:15.000
especie de GPT cinco, en el que le habrían dado una cantidad de

01:49:15.000 --> 01:49:21.000
información tan enorme que hubieran podido llegar a replicar, porque al

01:49:21.000 --> 01:49:27.000
final el lenguaje es una parte clave de nuestra forma de aprender, y si a

01:49:27.000 --> 01:49:33.000
través del lenguaje, solo del uso del lenguaje, podemos conseguir con

01:49:33.000 --> 01:49:39.000
suficiente información dada un modelo de lenguaje, que este sea capaz de

01:49:39.000 --> 01:49:45.000
aprender por su cuenta y poder generar, poder incluso reprogramarse a sí misma.

01:49:47.000 --> 01:49:51.000
Uf, claro, yo no me atrevería al decir al cien por cien que esto no es

01:49:51.000 --> 01:49:55.000
posible, porque insisto, no sabemos lo que hay dentro de los modelos de

01:49:55.000 --> 01:50:01.000
lenguaje, ese es el kit de la cuestión, ¿ok?

01:50:01.000 --> 01:50:05.000
Por lo tanto, en fin, si hacemos modelos de aprendizaje más generales, un

01:50:05.000 --> 01:50:09.000
GPT que esté diseñado para tener más capacidades generales de

01:50:09.000 --> 01:50:13.000
procesamiento y generación de texto, modelos que también, como sucede

01:50:13.000 --> 01:50:17.000
ahora, puedan entender imágenes, puedan llegar incluso a entender en

01:50:17.000 --> 01:50:21.000
algún momento vídeo, puedan ser capaces, imagínense, que en unos años,

01:50:21.000 --> 01:50:25.000
o a este ritmo, en unos meses, pudiéramos tener una inteligencia

01:50:25.000 --> 01:50:30.000
artificial que ya hay

01:50:30.000 --> 01:50:31.000
pruebas que lo

01:50:32.000 --> 01:50:39.000
hacen, una inteligencia artificial capaz de hacernos comentario de un vídeo, ¿vale?

01:50:39.000 --> 01:50:44.000
Es decir, que nos hable, que nos cuente qué es lo está pasando en ese vídeo en tiempo real, ¿vale?

01:50:45.000 --> 01:50:47.000
Como lo haría un comentarista deportivo.

01:50:49.000 --> 01:50:51.000
Imagínense cómo podríamos llegar a ese nivel.

01:50:51.000 --> 01:50:55.000
Entonces, los Transformers han mejorado significativamente la capacidad de

01:50:55.000 --> 01:50:59.000
los modelos para entender y utilizar el contexto, pero una AGI necesita

01:50:59.000 --> 01:51:03.000
una comprensión mucho más sofisticada de todo el contexto y la capacidad

01:51:03.000 --> 01:51:07.000
de aplicar el conocimiento general que tiene en una amplia variedad de

01:51:07.000 --> 01:51:11.000
situaciones, por lo que para avanzar hacia la AGI necesitaríamos integrar

01:51:11.000 --> 01:51:15.000
distintos tipos de conocimiento, de habilidades de procesamiento, de

01:51:15.000 --> 01:51:19.000
comprensión del lenguaje, de la percepción visual, ya no solo el hecho

01:51:19.000 --> 01:51:23.000
de ponerle una imagen que yo le envío, sino poder tener esa percepción

01:51:23.000 --> 01:51:32.000
visual de una manera mucho más directa, incluso insisto a nivel de vídeo.

01:51:32.000 --> 01:51:37.000
Pero una cosa también muy importante, el razonamiento espacial y lógico, ¿vale?

01:51:37.000 --> 01:51:46.000
Los actuales modelos de GPT, a ver, están enfocados en el lenguaje y tienen plugins que les permiten o tienen modificaciones.

01:51:46.000 --> 01:51:50.000
Al final, dicen no, es un modelo multimodal que también admite imágenes.

01:51:51.000 --> 01:51:59.000
No, en realidad lo que hace GPT no es entender una imagen, es un modelo multimodal de trampa, ¿vale?

01:51:59.000 --> 01:52:02.000
Porque en realidad lo que está haciendo es como cuando yo hablo con GPT.

01:52:02.000 --> 01:52:05.000
El otro día estuve hablando con GPT a través de la aplicación móvil,

01:52:05.000 --> 01:52:08.000
que de hecho ya han liberado esa opción también para los modelos, para

01:52:08.000 --> 01:52:12.000
la gente que no es de pago, ¿vale?

01:52:12.000 --> 01:52:21.000
Entonces yo puedo descargarme la app de ChatGPT y hablar con ChatGPT, y yo le pregunté a ChatGPT, oye, ¿me estás escuchando?

01:52:21.000 --> 01:52:27.000
Y me dijo no, no, lo que estoy haciendo es transcribir tu voz, yo voy hablando, la transcribe y la trabaja como texto.

01:52:27.000 --> 01:52:31.000
Pues, en las imágenes pasa exactamente igual, cuando yo le envío una

01:52:31.000 --> 01:52:35.000
imagen, él no ve la imagen, la pasa por un modelo que es capaz de

01:52:35.000 --> 01:52:41.000
describir una imagen y él trabaja con el texto que ha tenido ese elemento.

01:52:41.000 --> 01:52:45.000
Entonces, eso no lo convierte de una manera absolutamente firme y

01:52:45.000 --> 01:52:49.000
práctica, no lo convierte en una multimodalidad, porque en realidad es

01:52:49.000 --> 01:52:53.000
como un programa que tú le has puesto antes para que sea capaz de coger

01:52:53.000 --> 01:52:57.000
una imagen, describirla y a partir de ahí procesar la información de

01:52:57.000 --> 01:53:01.000
dicha descripción para tomar, bueno, pues, por ejemplo resúmenes o tomar

01:53:01.000 --> 01:53:09.000
decisiones respecto a la misma.

01:53:09.000 --> 01:53:18.000
Entonces el típico ejemplo que pone ChatGPT en el vídeo de presentación cuando presentó GPT cuatro, de si yo le le pongo una una imagen, ¿no?

01:53:18.000 --> 01:53:25.000
De un un globo que va a caer en una tabla y hay una cosa en dicha tabla, pues le dices, ¿qué va a pasar cuando caiga el globo?

01:53:25.000 --> 01:53:26.000
¿No?

01:53:26.000 --> 01:53:31.000
Pues, ChatGPT dice, no, pues cuando caiga el globo golpeará la tabla y lo que hay en el otro lado saldrá volando, ¿vale?

01:53:31.000 --> 01:53:34.000
Y tú dirás, joda, es inteligente, no, lo que ha hecho es que le ha

01:53:34.000 --> 01:53:37.000
descrito ese modelo, le ha descrito cómo es la imagen, y a partir de esa

01:53:37.000 --> 01:53:40.000
descripción él, procesando con el propio GPT procesando texto, llega a

01:53:40.000 --> 01:53:46.000
esa, entre comillas, conclusión.

01:53:46.000 --> 01:53:51.000
Por lo que eso en realidad no es una ágil, pero podría llegar el punto en

01:53:51.000 --> 01:53:56.000
el que cuando metamos tanta tanta tanta información y tantos y tantos

01:53:56.000 --> 01:54:01.000
plugins que permitan que un modelo de texto sea capaz de coger cualquier

01:54:01.000 --> 01:54:06.000
tipo de contenido intermedio y procesarlo incluso en tiempo real para que

01:54:06.000 --> 01:54:12.000
pueda trabajar con esa información, ¿podríamos llegar a ello?

01:54:12.000 --> 01:54:16.000
Esa es la pregunta que yo no soy capaz de contestar a día de hoy, ¿de acuerdo?

01:54:16.000 --> 01:54:19.000
Que yo creo que no, yo creo que no, creo que habría que hacerlo de una

01:54:19.000 --> 01:54:22.000
manera totalmente distinta, porque la AGI requiere avances en cómo las

01:54:22.000 --> 01:54:25.000
máquinas aprenden, cómo generalizan a partir de la información, y eso

01:54:25.000 --> 01:54:28.000
tendría que incluir mejoras en el aprendizaje por refuerzo, en el

01:54:28.000 --> 01:54:34.000
aprendizaje no supervisado, en los paradigmas de aprendizaje automático.

01:54:34.000 --> 01:54:39.000
Una AGI necesitaría comprender y navegar por complejidades éticas y

01:54:39.000 --> 01:54:44.000
sociales, y eso sí que es un reto bastante grande que va más allá de la

01:54:44.000 --> 01:54:49.000
mera capacidad técnica o de lo que sería una programación hecha por la gente.

01:54:50.000 --> 01:54:54.000
Es decir, todo lo que son cuestiones filosóficas y éticas, a día de hoy,

01:54:54.000 --> 01:54:58.000
forman parte de una programación que se realiza de filtrado de lo de lo

01:54:58.000 --> 01:55:02.000
que le entra y lo que sale del propio modelo, ¿ok?

01:55:02.000 --> 01:55:07.000
Pero no es una característica del propio modelo, es un filtro que tiene en medio, ¿ok?

01:55:07.000 --> 01:55:16.000
Entonces, esta parte ética y filosófica tendría que estar dentro del propio modelo como parte de su entrenamiento, ¿vale?

01:55:16.000 --> 01:55:21.000
Por lo que, aunque los modelos de Transformers han mejorado muchísimo, la

01:55:21.000 --> 01:55:26.000
verdadera AGI es mucho más completa, más compleja, más multifacética e

01:55:26.000 --> 01:55:31.000
implicaría mejoras a muchos más niveles en cómo las máquinas, el

01:55:31.000 --> 01:55:39.000
software, aprende, interpreta e interactúa con el mundo, ¿vale?

01:55:39.000 --> 01:55:44.000
Entonces, obviamente, si yo tengo un modelo GPT que tiene un contexto tan

01:55:44.000 --> 01:55:49.000
amplio como el de los ciento veintiocho mil tokens, o imagínense lo que

01:55:49.000 --> 01:55:54.000
puede tener OpenAI en modelos que tengan tokens mucho más altos, incluso

01:55:54.000 --> 01:55:59.000
ilimitados, y que puedan estar probando, puede ser que este QStar tenga un

01:55:59.000 --> 01:56:04.000
límite, o sea, no tenga límite en los tokens, porque se está usando para pruebas.

01:56:04.000 --> 01:56:09.000
Entonces, en fin, necesitaría mucho más, ¿vale?

01:56:09.000 --> 01:56:15.000
Porque aunque un contexto más amplio permita recordar y referenciar más

01:56:15.000 --> 01:56:21.000
información, no equivale a la a una comprensión profunda, y una ágil

01:56:21.000 --> 01:56:27.000
requeriría no solo recordar la información, también comprender

01:56:27.000 --> 01:56:33.000
conceptos abstractos, comprenderlos, realizar ¿Cuál es ¿Cuál es el

01:56:33.000 --> 01:56:40.000
punto en el que Q Star ha dicho, hostia, espérate, que esto no se esperaba?

01:56:40.000 --> 01:56:44.000
Pues es el punto en el que Q Star, parece, según los rumores, es capaz de

01:56:44.000 --> 01:56:48.000
realizar operaciones matemáticas a partir de lo que sería el

01:56:48.000 --> 01:56:54.000
entrenamiento por texto, ¿vale?

01:56:54.000 --> 01:56:58.000
Es decir, ha aprendido a hacer operaciones matemáticas sin tener que

01:56:58.000 --> 01:57:02.000
ponerle, como se le ha puesto a GPT cuatro, un elemento que detecte una

01:57:02.000 --> 01:57:06.000
operación matemática y entonces lo derive a un programa específico, una

01:57:06.000 --> 01:57:12.000
especie de plugin que utiliza el propio GPT como con las imágenes, ¿vale?

01:57:13.000 --> 01:57:17.000
GPT no, o sea, GPT no es capaz de generar imágenes de por sí, GPT lo que

01:57:17.000 --> 01:57:21.000
hace es usar a Daly tres como un plugin, generar el promp, pasárselo a

01:57:21.000 --> 01:57:25.000
Daly tres y que Daly tres genere la imagen, pero la imagen no la está

01:57:25.000 --> 01:57:32.000
generando GPT, la está está creando el promp, ¿de acuerdo?

01:57:32.000 --> 01:57:35.000
Y muchas veces tú le pides cosas a GPT y luego el promp hace lo que le da

01:57:35.000 --> 01:57:38.000
la gana y la imagen no concuerda con lo que has pedido, porque, bueno,

01:57:38.000 --> 01:57:42.000
pues hay ciertas etiquetas que no están correctas en el modelo.

01:57:43.000 --> 01:57:48.000
Entonces, claro, no, no no no es tan fácil.

01:57:48.000 --> 01:57:58.000
Que WStar parece ser que habría aprendido a matemáticas solo con la cantidad de información que ha recibido para su entrenamiento.

01:57:59.000 --> 01:58:01.000
Este supuesto GPT cinco o Q Star.

01:58:01.000 --> 01:58:04.000
Y ahí es donde han dicho, espérate, a a ver si dándole la suficiente

01:58:04.000 --> 01:58:07.000
información de entrenamiento con un contexto lo suficientemente grande a

01:58:07.000 --> 01:58:10.000
la hora de trabajar con él, pero principalmente los datos de

01:58:10.000 --> 01:58:13.000
entrenamiento, ¿puede llegar a conseguir aprender por sí mismo cosas

01:58:13.000 --> 01:58:20.000
para las que no está programado cómo hacer matemáticas?

01:58:20.000 --> 01:58:23.000
Cosa que ya sabemos que GPT tres no funciona, y GPT cuatro fue capaz de

01:58:23.000 --> 01:58:26.000
hacerlo porque conecta un plugin externo que es el que hace las

01:58:26.000 --> 01:58:29.000
matemáticas, pero él no lo hace porque es un modelo de texto, no es

01:58:29.000 --> 01:58:35.000
capaz de entender las matemáticas.

01:58:35.000 --> 01:58:38.000
Pero si un ser humano es capaz de entender, vamos a ponerle entender entre

01:58:38.000 --> 01:58:41.000
muchas comillas, cómo realizar operaciones algebraicas, algorítmicas,

01:58:41.000 --> 01:58:44.000
matemáticas, lógicas, Directamente a partir de la entrada de un montón

01:58:44.000 --> 01:58:47.000
de información, ¿podría una IA también aprenderlo a base de tener

01:58:47.000 --> 01:58:54.000
mucha información?

01:58:55.000 --> 01:59:02.000
Ese es el paradigma, esa es la duda, ese es el lo que no sabemos realmente si será o no así, ¿vale?

01:59:02.000 --> 01:59:06.000
Porque claro, una IA para que se acerque a una AGI necesita integrar y

01:59:06.000 --> 01:59:10.000
aplicar conocimientos de, pues, no solo lenguaje, visión computurizada,

01:59:10.000 --> 01:59:15.000
razonamiento lógico, percepción sensorial, ¿vale?

01:59:15.000 --> 01:59:19.000
También tiene que especializarse en tareas que no puedan ser fácilmente

01:59:19.000 --> 01:59:23.000
transferidas a nivel de conocimiento entre distintos tipos de tareas o

01:59:23.000 --> 01:59:27.000
dominios, y no sirve solo plugins que yo le ponga, que yo me temo que es

01:59:27.000 --> 01:59:31.000
la aproximación que OpenAI quiere realizar, poner plugins para que esos

01:59:31.000 --> 01:59:35.000
plugins hagan lo que GPT de por sí no es capaz de hacer, pero ¿esos

01:59:35.000 --> 01:59:40.000
podría ser una AGI?

01:59:42.000 --> 01:59:44.000
Pues yo ahí sí casi diría que no, ¿vale?

01:59:44.000 --> 01:59:49.000
Porque además las AGIs, una característica clave que tienen que tener es

01:59:49.000 --> 01:59:54.000
la capacidad de aprender de manera eficiente y adaptable cosas que aún no sepan, ¿vale?

01:59:54.000 --> 02:00:02.000
No solo a partir de grandes conjuntos de datos, sino también a través de la experiencia, la observación y la interacción con el entorno.

02:00:02.000 --> 02:00:06.000
Y los modelos actuales requieren de grandes cantidades de datos y tiempo

02:00:06.000 --> 02:00:11.000
para aprender y no se adaptan rápidamente a situaciones nuevas o cambios de entorno.

02:00:11.000 --> 02:00:15.000
Ahí tenemos a GPT, que hasta hace nada, ha seguido teniendo un

02:00:15.000 --> 02:00:19.000
entrenamiento que llegaba hasta hasta diciembre dos mil veintiuno o enero

02:00:19.000 --> 02:00:23.000
de dos mil veintidós, dependiendo del momento en el que te tocara el nodo que te tocara.

02:00:24.000 --> 02:00:28.000
Entonces, si GPT no es capaz de aprender, es decir, GPT ahora mismo yo le

02:00:28.000 --> 02:00:32.000
hablo, él sabe lo que le hablo, me me me puedo tener una conversación

02:00:32.000 --> 02:00:36.000
con él, etcétera, preguntarle cosa tal tal tal tal, pero cuando cree una

02:00:36.000 --> 02:00:40.000
nueva, él no se acuerda del resto ni ha aprendido del resto de

02:00:40.000 --> 02:00:46.000
conversaciones que ha tenido con él.

02:00:46.000 --> 02:00:53.000
Una AGI debería de aprender del uso, debería de aprender en tiempo real del uso que hacen millones de personas día a día.

02:00:54.000 --> 02:00:56.000
¿Puede ser que eso lo hayan conseguido?

02:00:56.000 --> 02:01:00.000
Eso es un cambio de paradigma en el uso de la ILA muy importante, ¿vale?

02:01:00.000 --> 02:01:02.000
Por lo tanto, no podemos olvidar este tema.

02:01:02.000 --> 02:01:09.000
Una ILA para ser ágil, ser una inteligencia artificial general, necesita

02:01:09.000 --> 02:01:16.000
aprender de su experiencia, y esto lleva implícito un montón de

02:01:16.000 --> 02:01:23.000
problemas sobre privacidad, sobre información, sesión de datos, etcétera.

02:01:23.000 --> 02:01:25.000
Porque, ¿yo quiero que la ya aprenda?

02:01:26.000 --> 02:01:31.000
Sí, mis mi historial de conversación está permitido para que pueda ser

02:01:31.000 --> 02:01:36.000
utilizado en próximos entrenamientos, pero los próximos entrenamientos

02:01:36.000 --> 02:01:41.000
es porque, pues eso, porque yo, porque porque GPT en un momento

02:01:41.000 --> 02:01:46.000
determinado coge toda la información de las conversaciones que puede

02:01:46.000 --> 02:01:51.000
coger y se reentrena para aprender mejor, para tener más información.

02:01:51.000 --> 02:01:54.000
Genial, pero hace falta reentrenarlo.

02:01:55.000 --> 02:01:57.000
No, una AGI no necesita ser reentrenada.

02:01:58.000 --> 02:02:01.000
Una AGI aprende por refuerzo en tiempo real.

02:02:02.000 --> 02:02:06.000
Yo creo que ese podría ser el mayor escollo que podría encontrarse a día

02:02:06.000 --> 02:02:10.000
de hoy la agi, aparte de preguntas sobre aspectos como la conciencia, las

02:02:10.000 --> 02:02:14.000
emociones, la ética, elementos intrínsecos a la inteligencia humana y su

02:02:14.000 --> 02:02:18.000
interacción con el mundo, que son las áreas donde una un software ahora

02:02:18.000 --> 02:02:22.000
mismo, en fin, están bastante lejos de alcanzar cualquier tipo de

02:02:22.000 --> 02:02:26.000
equivalencia, ¿vale?

02:02:26.000 --> 02:02:29.000
Entonces, en fin, claro, esto es como todo, si hacemos como los políticos,

02:02:29.000 --> 02:02:32.000
que cuando les conviene, como algo no es algo, lo que hacen es cambiarle

02:02:32.000 --> 02:02:36.000
el nombre y ya es lo que ellos quieren.

02:02:36.000 --> 02:02:42.000
Pues, hombre, si yo redefino lo que es una AGI, pues sí, podría tener una AGI, pero es porque le he cambiado el nombre.

02:02:42.000 --> 02:02:46.000
Ahora ya lo que antes no era una AGI es AGI, pues eso es trampa, ¿vale?

02:02:46.000 --> 02:02:47.000
Entonces, en fin.

02:02:47.000 --> 02:02:52.000
La AGI debería de ser capaz de interactuar y comprender el mundo real de

02:02:52.000 --> 02:02:57.000
una manera similar a los humanos, incluyendo no solo procesar

02:02:57.000 --> 02:03:02.000
información, sino comprender y navegar en un entorno físico y social, y

02:03:02.000 --> 02:03:08.000
además ser capaz de retroalimentarse con ese aprendizaje en tiempo real, ¿de acuerdo?

02:03:08.000 --> 02:03:12.000
Ese es el tema, la el concepto de la autoprogramación y el

02:03:12.000 --> 02:03:16.000
autoaprendizaje, que una ya pueda programarse y entrenarse a sí misma

02:03:16.000 --> 02:03:20.000
para adquirir nuevas habilidades en tiempo real, un nivel de

02:03:20.000 --> 02:03:24.000
autoconciencia, de curiosidad, de capacidad de aprendizaje.

02:03:26.000 --> 02:03:31.000
Y ya lo decía Oliver Navani, mi amigo Oliver Navani, y yo estoy totalmente

02:03:31.000 --> 02:03:36.000
de acuerdo con él, en el momento en el que haya una verdadera AGI, la

02:03:36.000 --> 02:03:42.000
super inteligencia artificial está a horas, el paso es directo, ¿vale?

02:03:44.000 --> 02:03:47.000
Entonces, en fin, lo que tenemos ahora es un photoshop vale, lo que tenemos

02:03:47.000 --> 02:03:50.000
ahora es un photoshop que tiene un montón de plugins y que se van

02:03:50.000 --> 02:03:53.000
añadiendo y le van dando capacidades, pero no es una inteligencia

02:03:53.000 --> 02:03:58.000
artificial general.

02:03:58.000 --> 02:04:03.000
Ahora, ¿qué es lo que ha conseguido OpenAI concuestar y que ha propiciado

02:04:03.000 --> 02:04:08.000
todo este lío de los despidos de tal de Satia Ana Vela salga y diga no,

02:04:08.000 --> 02:04:13.000
yo confío en San Altman porque para mí es el gurú y tal y yo siempre lo

02:04:13.000 --> 02:04:18.000
tendré en mi corazao y etcétera etcétera, pues ha sido todo parece ser.

02:04:18.000 --> 02:04:23.000
Repito, sobre el tema de Q Star, sobre el tema de la Agi y sobre que una

02:04:23.000 --> 02:04:28.000
Agi sí es, en cierta forma, o no en cierta forma, peligrosa, muy

02:04:28.000 --> 02:04:34.000
peligrosa si no se controla de la manera apropiada, ¿vale?

02:04:35.000 --> 02:04:38.000
Y como todavía no sabemos exactamente cómo funciona la IA ni siquiera

02:04:38.000 --> 02:04:41.000
cómo funciona GPT tres en todas sus conexiones de su red neuronal, pues

02:04:41.000 --> 02:04:46.000
está la cosa como para estar con un GPT cinco jugueteando.

02:04:47.000 --> 02:04:54.000
Ese es esas son las los miedos que ha tenido el comité directivo, esos son los miedos que tiene gente como Elon Musk, ¿vale?

02:04:55.000 --> 02:04:58.000
Y que, pues, en fin, hay que tenerlos en cuenta, ¿vale?

02:04:58.000 --> 02:05:08.000
No podemos pensar siempre solo en positivo, Hay cosas con las que hay que tener cuidado, ¿de acuerdo?

02:05:08.000 --> 02:05:17.000
El coche está guay pero hay que poner algo para que la gente siga unas reglas, porque si no el coche, pues puede causar bastantes problemas, ¿vale?

02:05:17.000 --> 02:05:20.000
De accidentes, destrozos, atropellos, etcétera, ¿no?

02:05:20.000 --> 02:05:23.000
En fin, ese sería un poco el tema.

02:05:23.000 --> 02:05:28.000
Así que, con esto, decimos aquello de y poco más.

02:06:04.000 --> 02:06:08.000
Y poco más, espero que les haya gustado el episodio.

02:06:08.000 --> 02:06:13.000
Básicamente, como ya comenté, a ver, no iba a hacer un repaso de lo que

02:06:13.000 --> 02:06:18.000
ha sucedido en detalle y de que Paco dijo esto y tal, y luego le contestó

02:06:18.000 --> 02:06:23.000
Josefina, y entonces le dijo fíjate tú, pues la culpa es tuya, pues es

02:06:23.000 --> 02:06:28.000
que no sé qué, pues acá me da, no, o sea, en fin, no voy a hacer, pues

02:06:28.000 --> 02:06:33.000
porque esto ya es marugeo, ¿vale?

02:06:33.000 --> 02:06:39.000
Aquí, bueno, pues el marugeo sí está divertido, pero la el protagonistas

02:06:39.000 --> 02:06:45.000
dentro de OpenAI, qué es lo que protagonistas dentro de OpenAI, qué es

02:06:45.000 --> 02:06:51.000
lo que ha hecho durante estas durante esta semana, poco más de una semana

02:06:51.000 --> 02:06:57.000
que ha durado todo esto hasta que se ha resuelto, y también, pues ver,

02:06:57.000 --> 02:07:06.000
bueno, pues todo lo que tiene que ver con lo que hay detrás, ¿vale?

02:07:06.000 --> 02:07:10.000
De ese conflicto con respecto a las AGI, a las inteligencias artificiales

02:07:10.000 --> 02:07:14.000
generales, porque al final el kit de la cuestión está en que las AGIs,

02:07:14.000 --> 02:07:18.000
pues sí, muy bonito que OpenAI ponga trabajando por una AGI etcétera,

02:07:18.000 --> 02:07:22.000
eso está genial y sería estupendo y maravilloso, pero claro, también es

02:07:22.000 --> 02:07:26.000
un concepto disruptivo bastante importante porque cambia por completo el

02:07:26.000 --> 02:07:30.000
modelo productivo, y esto es algo en el que con lo que ya tenemos ya hay

02:07:30.000 --> 02:07:34.000
que trabajar con ello, es decir, solo con lo que ya tenemos a día de hoy

02:07:34.000 --> 02:07:38.000
el modelo productivo ya cambiado para siempre, y lo que va a salir en los

02:07:38.000 --> 02:07:42.000
próximos meses no va a hacer más que apuntalar ese cambio, por lo que

02:07:42.000 --> 02:07:46.000
vamos a tener una serie de nuevas herramientas, tenemos ya una serie de

02:07:46.000 --> 02:07:50.000
nuevas herramientas que van a crear distintos tipos de perfiles

02:07:50.000 --> 02:07:54.000
profesionales que se van a adaptar o no a utilizar estas nuevas

02:07:54.000 --> 02:07:58.000
herramientas, si van a ser más productivos o no, y que van a provocar, y

02:07:58.000 --> 02:08:15.000
esto es algo que va a pasar, dos posibles vertientes.

02:08:15.000 --> 02:08:19.000
La vertiente a es que trabajemos menos, que lo mismo que producimos a día

02:08:19.000 --> 02:08:23.000
de hoy pueda ser producido en mucho menos tiempo, menos tiempo y, por lo

02:08:23.000 --> 02:08:27.000
tanto, que podamos trabajar en esos horarios que algunos dicen de menos

02:08:27.000 --> 02:08:31.000
horas poder trabajar, porque ahora mismo nosotros estamos acostumbrados a

02:08:31.000 --> 02:08:35.000
que el fin de semana son dos días y el trabajo son cinco, y tenemos una

02:08:35.000 --> 02:08:39.000
jornada laboral semanal, al menos en España, de cuarenta horas, es lo que

02:08:39.000 --> 02:08:48.000
se entiende como una jornada completa.

02:08:48.000 --> 02:08:51.000
Ahora van a van a reducirlo, lo van a pasar a treinta y siete y medio,

02:08:51.000 --> 02:08:54.000
luego quieren pasarlo a treinta y cinco, dicen que es mejor, que cobrando

02:08:54.000 --> 02:08:58.000
el mismo salario, etcétera.

02:08:58.000 --> 02:09:01.000
Bueno, esos son temas políticos tomadas, decisiones tomadas por políticos

02:09:01.000 --> 02:09:04.000
que no tienen ni idea de lo que realmente puede hacer o no, y que lo que

02:09:04.000 --> 02:09:07.000
deberían hacer, y esto ya es mi punto de vista personal, es que vale, muy

02:09:07.000 --> 02:09:10.000
bien, tú quieres reducir la jornada laboral laboral, genial, redúcela,

02:09:10.000 --> 02:09:17.000
pero ayuda a las empresas, ¿vale?

02:09:17.000 --> 02:09:21.000
No me subas por decreto el salario mínimo o no me subas por decreto el o

02:09:21.000 --> 02:09:25.000
me bajes por decreto el número de horas si no hay un esfuerzo que esté

02:09:25.000 --> 02:09:29.000
por los dos lados.

02:09:29.000 --> 02:09:33.000
Es decir, si yo como empresario tengo que hacer el esfuerzo, vale, lo hago,

02:09:33.000 --> 02:09:37.000
no tengo ningún problema, pero oye, pon de tu parte también, ayúdame a

02:09:37.000 --> 02:09:41.000
reducir las cotizaciones salariales, dame algún tipo de bonificación por

02:09:41.000 --> 02:09:45.000
cumplir ese tipo de objetivos, no sé, algo que a mí me ayude a adaptarme

02:09:45.000 --> 02:09:49.000
a ese cambio, algo que luego con el tiempo me lo quites, pero mientras me

02:09:49.000 --> 02:09:53.000
adapto al nuevo modelo productivo necesito un tiempo de transición,

02:09:53.000 --> 02:09:57.000
necesito que alguien me eche una mano en ese tiempo de transición para

02:09:57.000 --> 02:10:01.000
poder adaptar mi negocio a que siga produciendo lo mismo o más con ese

02:10:01.000 --> 02:10:08.000
cambio de salarios o de jornada.

02:10:08.000 --> 02:10:16.000
Pero esto ya no es cuestión de lo que yo quiera hacer a nivel de empresa o no, lo que diga un político, no, no, es que esto va a pasar, ¿vale?

02:10:16.000 --> 02:10:18.000
O sea, es una de las opciones.

02:10:18.000 --> 02:10:22.000
Puede ser que ahora el trabajo que nosotros estamos obligados a hacer en

02:10:22.000 --> 02:10:26.000
cuarenta horas podamos sacarlo en treinta o en veinticinco o en veinte, y

02:10:26.000 --> 02:10:30.000
a lo mejor nos encontramos en unos años donde podemos empezar a trabajar

02:10:30.000 --> 02:10:34.000
solo tres días de los cinco de la semana y tener tres días de trabajo y

02:10:34.000 --> 02:10:38.000
cuatro de fiesta, fiesta entre comillas o no trabajo, o que el total de

02:10:38.000 --> 02:10:47.000
horas podamos repartirlas durante la semana y seguir, insisto, cobrando lo mismo.

02:10:47.000 --> 02:10:50.000
Obviamente, para eso necesitaremos un cambio de modelo productivo,

02:10:50.000 --> 02:10:53.000
necesitaremos un cambio de adaptación a todos los niveles, es un cambio

02:10:53.000 --> 02:10:57.000
muy grande, pero puede ser una opción.

02:10:57.000 --> 02:11:01.000
La otra opción es que no se reduzca nada y que simplemente produzcamos

02:11:01.000 --> 02:11:05.000
más, que es lo que ha pasado históricamente hasta ahora, que cuando ha

02:11:05.000 --> 02:11:09.000
habido herramientas que han permitido ser más productivos, pues lo que se

02:11:09.000 --> 02:11:13.000
ha hecho es producir más y punto, y no se ha reducido la obligatoriedad o

02:11:13.000 --> 02:11:19.000
la o, vamos, digamos, la la, digamos, esa obligación, ¿no?

02:11:19.000 --> 02:11:22.000
Por parte de los trabajadores de seguir trabajando.

02:11:22.000 --> 02:11:27.000
En fin, a lo que me refiero es que hay que replantearse desde un desde un

02:11:27.000 --> 02:11:32.000
punto de vista no político práctico y sobre cosas reales entendiendo el

02:11:32.000 --> 02:11:39.000
cambio de paradigma productivo, ¿cómo podemos redefinir nuestra sociedad?

02:11:39.000 --> 02:11:45.000
Porque nuestra sociedad va a tener que ser redefinida tarde o temprano, ¿de acuerdo?

02:11:45.000 --> 02:11:49.000
Porque con todas estas nuevas herramientas podría ser que no hubiera

02:11:49.000 --> 02:11:53.000
trabajo para todo el mundo, o que se se se necesitara una especialización

02:11:53.000 --> 02:11:57.000
mucho mayor porque todos los trabajos de menor es lo que ha pasado cada

02:11:57.000 --> 02:12:01.000
vez que ha habido una revolución.

02:12:01.000 --> 02:12:04.000
No lo digo yo, lo dice la historia, cada vez que ha habido una revolución

02:12:04.000 --> 02:12:07.000
a nivel de productividad con un cambio en el paradigma industrial,

02:12:07.000 --> 02:12:10.000
tecnológico, etcétera, lo que ha habido es una desaparición de los

02:12:10.000 --> 02:12:13.000
trabajos de menor perfil, de menor cualificación y se han sustituido por

02:12:13.000 --> 02:12:16.000
trabajos de mayor cualificación que, obviamente, requieren más estudios,

02:12:16.000 --> 02:12:23.000
más años, más separación, más experiencia.

02:12:25.000 --> 02:12:27.000
Bueno, pues todo eso habrá que planteárselo, ¿no?

02:12:28.000 --> 02:12:35.000
Digo yo, en fin, todo esto son ideas al aire que planteo y que, bueno, pues, simplemente es para que podamos pensar en ello, ¿no?

02:12:35.000 --> 02:12:38.000
Pensar en cómo va a cambiar esto y en qué cosas tendríamos que tener o

02:12:38.000 --> 02:12:41.000
no en cuenta, insisto, desde mi humilde punto de vista, desde este

02:12:41.000 --> 02:12:46.000
pequeño rincón del mundo.

02:12:47.000 --> 02:12:51.000
Y poco más, muchísimas gracias por, bueno, pues por estar ahí, por escucharnos.

02:12:52.000 --> 02:12:54.000
Me alegro un montón si les ha gustado.

02:12:54.000 --> 02:13:02.000
Ya saben que, como les pido siempre, por favor, ayúdennos porque el podcast, pues ha bajado bastante a nivel de audiencia, ¿vale?

02:13:02.000 --> 02:13:10.000
No sé el motivo, no sé el por qué, entiendo debe ser por la poca, o sea, por la falta de frecuencia, ¿vale?

02:13:10.000 --> 02:13:15.000
Que ha debido de haber mucha gente, pues, que se ha cansado de que hayamos estado meses sin publicar.

02:13:16.000 --> 02:13:21.000
En esa parte mea culpa, lo entiendo perfectamente, pero, bueno, aquí

02:13:21.000 --> 02:13:26.000
estamos, vamos a cumplir con esa con esa periodicidad planteada de de dos,

02:13:26.000 --> 02:13:31.000
tres semanas, como mucho, entre distintos episodios, a darles mucho más

02:13:31.000 --> 02:13:36.000
contenido y, por supuesto, pues, pedirles que nos ayuden a compartirlo, a

02:13:36.000 --> 02:13:41.000
que nos hagan, pues, nos pongan una reseña en iTunes o un comentario en

02:13:41.000 --> 02:13:46.000
iVoox o cualquier tipo de interacción que puedan hacer sobre los podcast,

02:13:46.000 --> 02:13:52.000
y también, pues, compartirlo en sus redes sociales.

02:13:52.000 --> 02:14:08.000
Ya saben que pueden nombrarme a mí en todas las redes como arroba jc arroba arroba Mastodon punto social, ¿vale?

02:14:08.000 --> 02:14:11.000
Si quieren ir a Mastodon, estoy también en incluso en Blue Sky, también

02:14:11.000 --> 02:14:14.000
como JCF Munoz, en fin, pueden encontrarme en un montón de sitios y, por

02:14:14.000 --> 02:14:17.000
supuesto, también en LinkedIn, donde pueden encontrarme, pues eso, en

02:14:17.000 --> 02:14:23.000
LinkedIn punto com barra in barra JCF Munoz, ¿vale?

02:14:23.000 --> 02:14:27.000
Entonces, ahí estaremos para lo que sea menester, así que si comparten,

02:14:27.000 --> 02:14:31.000
si les gusta el programa y quieren compartirlo, pues, por favor, siempre

02:14:31.000 --> 02:14:35.000
menciónennos para así poder recompartirlo y, además, pues, nos ayudan

02:14:35.000 --> 02:14:42.000
muchísimo para que la gente, bueno, pues descubra este estos podcast, ¿vale?

02:14:42.000 --> 02:14:44.000
Poco más, muchísimas gracias.

02:14:44.000 --> 02:14:48.000
Nos oímos pronto si dios quiere, y hasta

02:15:05.000 --> 02:15:13.000
Gracias por escuchar Apple Cody, un podcast perteneciente a la red independiente de podcast Wonda.

02:15:13.000 --> 02:15:21.000
Suscríbete en Qonda punto com barra Apple guión código, o síguenos en nuestras redes sociales.

02:16:30.000 --> 02:16:33.000
Puedes escuchar más episodios de Apple Coding en Wanda punto com.

02:16:33.000 --> 02:16:40.000
Descubre nuevos podcast en Wanda punto com, la comunidad de podcast independientes en español.