El juego del pensamiento. The Thinking Game

todo documentales

The Thinking Game: Documental de 5 años de rodaje que sigue al equipo de Google DeepMind, liderado por Demis Hassabis, y su viaje para crear Inteligencia Artificial General (IAG).

Transcript

00:00:08¡Hola, Alfa!

00:00:11¡Hola!

00:00:13¿Me ayudas a escribir código?

00:00:15Me entrenaron para responder preguntas, pero puedo aprender.

00:00:21Eres muy receptiva.

00:00:24Gracias. Me alegra hacerte feliz.

00:00:28¿Qué hace este hombre?

00:00:32Es un desarrollador.

00:00:34¿En qué crees que está trabajando?

00:00:37Esa es una pregunta difícil. Quizá esté trabajando en una nueva función o esté corrigiendo un error.

00:00:44Es muy posible. Sí.

00:00:48¿Ves mi mochila?

00:00:52Es una raqueta de badminton.

00:00:54Casi aciertas. Es una raqueta de squash.

00:00:58Es de badminton.

00:01:00No, pero no eres la primera persona que comete ese error.

00:01:20Es muy preocupante.

00:01:32Estoy intranquilo.

00:01:35Tratar de construir una AGI es el viaje más emocionante, en mi opinión, en el que los humanos se han

00:01:41embarcado.

00:01:42Si realmente te lo vas a tomar en serio, no hay tiempo que perder.

00:01:46La vida es muy corta.

00:01:50Mi objetivo en la vida es concebir una inteligencia artificial general.

00:01:55Y en el camino, pretendo usar la IA como la mejor herramienta para resolver los problemas científicos más complejos del

00:02:03mundo.

00:02:04Creo que es algo más grande que Internet, o que el móvil.

00:02:07Es algo más parecido a la aparición de la electricidad o del fuego.

00:02:24Líderes mundiales y expertos en inteligencia artificial se reúnen para la primera cumbre global de seguridad de la IA,

00:02:31que analizará los riesgos de la tecnología de rápido crecimiento y también...

00:02:36Creo que este es un momento clave para toda la humanidad.

00:02:40Parece que están a punto de suceder cosas increíbles.

00:02:44Les mostraré algunas reacciones en los periódicos de hoy.

00:02:47La AGI ya es casi un hecho.

00:02:49Hay mucho interés en saber lo que es capaz de hacer y a dónde nos lleva.

00:02:53Este es el momento que he esperado toda mi vida.

00:03:01Siempre me fascinó la mente, así que me propuse estudiar neurociencia,

00:03:05porque quería inspirarme en el cerebro para trabajar en la inteligencia artificial.

00:03:10Recuerdo que le pregunté a Demis cuál era su propósito.

00:03:14Generalmente, uno viene aquí a estudiar neurociencia, y quizá, si se trabaja duro, a obtener un doctorado.

00:03:22Y me respondió que su meta era resolver el problema de la inteligencia artificial.

00:03:28El cerebro humano es la única prueba que tenemos, quizá, en todo el universo, de que sí puede existir la

00:03:34inteligencia general.

00:03:35Y pensé que alguien en este edificio, quizá, podía estar tan interesado como yo en la inteligencia artificial general.

00:03:41Y entonces surgió el nombre de Shane.

00:03:43El siguiente ponente es Shane Legg.

00:03:46Es de Nueva Zelanda, donde estudió matemáticas y ballet clásico.

00:03:50¿Las máquinas se están volviendo más inteligentes?

00:03:53Algunos dicen que sí, otros que no.

00:03:55No está muy claro.

00:03:56Sabemos que son más rápidas haciendo cálculos.

00:03:59Pero, ¿estamos avanzando en términos de inteligencia general?

00:04:02Ambos estábamos obsesionados con la AGI, la Inteligencia Artificial General.

00:04:07Hoy les hablaré sobre varios enfoques para construir una AGI.

00:04:10Con mi colega Demis Hasabis, buscamos formas de aplicar ideas de neurociencia teórica.

00:04:16Sentía que guardábamos un secreto que nadie más sabía.

00:04:20Shane y yo sabíamos que ningún académico apoyaría lo que estábamos haciendo.

00:04:24Era casi vergonzoso hablar de IA en círculos académicos.

00:04:29Si decías que trabajabas en IA, entonces no eras un científico serio.

00:04:34Convencía a Shane de que la forma correcta de hacerlo era fundando una empresa.

00:04:41Intentaremos crear inteligencia artificial general.

00:04:43Quizá no sea posible.

00:04:45No estamos seguros de cómo lo haremos, pero tenemos varias ideas o enfoques.

00:04:50Grandes cantidades de dinero.

00:04:52Grandes cantidades de riesgo.

00:04:54Muchos cálculos.

00:04:56Pero es muy difícil que un inversor promedio decida arriesgarse.

00:05:02Es casi como comprar un billete de lotería.

00:05:08Voy a hablar sobre el sistema de neurociencia y cómo podría usarse para ayudarnos a crear una AGI.

00:05:14Encontrar financiación para esto fue muy difícil.

00:05:17Resolveremos el problema de la inteligencia.

00:05:19Imagínense cómo me miraban cuando intentaba venderles esa idea.

00:05:22Como inversor de capital riesgo veo entre 700 y 1000 proyectos al año y apenas financio el 1% de

00:05:31esos proyectos, es decir, unos 8 al año.

00:05:34Así que dices que no el 99% de las ocasiones.

00:05:39Esperen, les estoy diciendo que esto será lo más importante de la historia.

00:05:43Les hago toda una introducción acerca de cómo, les explico cómo se conecta con el cerebro y por qué este

00:05:48es el momento ideal.

00:05:49Y solo me preguntan, ¿pero cómo planeas ganar dinero?

00:05:52¿Cuál es tu producto?

00:05:53Es una pregunta tan poco imaginativa.

00:05:55¿Me entiendes?

00:05:56No escuchaste lo que dije.

00:05:59Necesitábamos inversores que no fueran a invertir porque crean que es la mejor decisión financiera.

00:06:04Más bien porque simplemente les parece algo increíble.

00:06:08Es la versión de Silicon Valley del hombre que mueve los hilos tras bastidores.

00:06:12Tuvo mucho que ver con que hoy tengas PayPal, Facebook, YouTube y Yelp.

00:06:17Si todos dicen que algo es blanco, Peter Thiel sospecha que quizás sea negro.

00:06:23Peter Thiel fue nuestro primer gran inversor, pero insistió en que fuéramos a Silicon Valley porque era el único lugar

00:06:29donde habría talento para construir ese tipo de empresa.

00:06:32Yo estaba bastante empeñado en que debíamos estar en Londres, porque creo que Londres es una ciudad increíble.

00:06:38Además, sabía que había gente muy buena de Cambridge, Oxford y UCL que trabajaba en Silicon Valley.

00:06:43En Silicon Valley se funda una empresa cada año y si no funciona la desechan y empiezan otra.

00:06:50Ese entorno no sirve para un desafío de investigación a largo plazo.

00:06:54Para él, éramos un caso atípico.

00:06:59Bienvenidos a DeepMind.

00:07:01¿Cuál es nuestra misión?

00:07:02La resumimos así.

00:07:03La misión de DeepMind es construir la primera máquina de aprendizaje general del mundo.

00:07:08Enfatizamos general y aprendizaje, porque son clave.

00:07:11Nuestra misión era construir una AGI, una Inteligencia Artificial General.

00:07:15Eso significa que necesitamos un sistema que sea general.

00:07:18No aprende a hacer solo algo específico.

00:07:20Ese es un rasgo clave de la inteligencia humana.

00:07:23Podemos aprender a hacer muchas cosas.

00:07:25Por supuesto, se necesitará trabajar muy duro.

00:07:28Pero algo que me parece urgente es aprovechar esta oportunidad de marcar la diferencia y causar un impacto en el

00:07:34mundo.

00:07:35Las primeras personas que se unieron a DeepMind ya creían en este sueño.

00:07:38Pero creo que esta fue una de las primeras veces que encontraron un lugar lleno de otros soñadores.

00:07:43Organizamos esta especie de proyecto Manhattan para resolver el problema de la IA.

00:07:47En los primeros dos años, trabajamos bajo un hermetismo total.

00:07:50No podíamos decirle a nadie qué hacíamos o dónde trabajábamos.

00:07:52No era algo público y la oficina estaba en un lugar secreto.

00:07:54No tenía ninguna presencia pública.

00:07:56No tenía página web.

00:07:58La oficina estaba en un lugar secreto.

00:08:00Cuando entrevistábamos a la gente en esos primeros días, los notabas nerviosos.

00:08:05Un candidato llegó a decirme

00:08:07Acabo de enviarle un mensaje a mi mujer para decirle exactamente a dónde voy, por si esto es una estafa

00:08:13y me secuestran.

00:08:14Mi nueva persona favorita, con quien he estado trabajando desde hace un año, es un inversor llamado Elon Musk.

00:08:21Para los que no lo conocen, esa es su cara.

00:08:23Él no estaba interesado en IA hasta que hablamos.

00:08:26Su meta es morir en Marte o algo así.

00:08:29Pero no en el momento del impacto.

00:08:33Tomamos decisiones importantes sobre cómo abordar la construcción de IA.

00:08:38Es una configuración de aprendizaje por refuerzo.

00:08:41Es el tipo de plan en el que pensamos al crear un agente de IA.

00:08:46El agente, que es la IA.

00:08:47Y el entorno con el que interactúa.

00:08:50Decidimos que los juegos, siempre que se usen de forma metódica,

00:08:53son el banco de pruebas perfecto para el desarrollo de la IA.

00:08:58Queríamos crear un algoritmo capaz de entrenarse para jugar varios juegos de Atari.

00:09:03Sería como un humano que debe usar el mismo cerebro para jugar todos los juegos.

00:09:08Le das el cartucho a la gente y piensas.

00:09:11Bien, imagina que naciste en ese mundo con ese cartucho y tienes que interactuar con los píxeles y el puntaje.

00:09:22Lo que harás es tomar tu función Q.

00:09:25El Q-Learning es uno de los métodos más antiguos de aprendizaje por refuerzo.

00:09:30Nosotros lo que hicimos fue combinar el aprendizaje por refuerzo con el aprendizaje profundo en un único sistema.

00:09:36Nadie había combinado esas dos cosas a escala para hacer algo impresionante.

00:09:39Y necesitábamos comprobar esa tesis.

00:09:42Nuestro primer intento fue el juego Pong.

00:09:44Nos pareció que era el más simple de todos.

00:09:46No se le ha explicado nada sobre lo que controla o lo que debería hacer.

00:09:51Solo sabe que es bueno anotar.

00:09:53Que debe aprender cómo funcionan los controles y armar todo con una especie de parámetros.

00:10:07Pero no estaba funcionando.

00:10:11Le dije a Shane, quizá nos equivocamos y ni siquiera puede aprender a jugar Pong.

00:10:15Era un poco estresante pensar cuán lejos debíamos llegar si íbamos a construir un sistema de inteligencia artificial general.

00:10:24Parecía que era hora de probar otra cosa.

00:10:27Y de repente, anotamos nuestro primer punto.

00:10:30Pensamos, ¿fue casualidad?

00:10:32No, lo anotó de verdad.

00:10:37Fue emocionante ver cómo esta cosa que al principio ni sabía cómo mover una raqueta.

00:10:42Repentinamente había entendido cómo jugar.

00:10:44Logró sus primeros puntos y luego ganó su primera partida.

00:10:47Y tres meses después, ningún humano podía vencerlo.

00:10:50No le habíamos explicado las reglas ni cómo puntuar.

00:10:53Solo le pedimos maximizar el marcador y eso hizo.

00:10:56Fue la primera vez que se obtuvo un aprendizaje de principio a fin.

00:10:59Bien, logramos que esto aprendiera de forma muy general.

00:11:02Ahora probemos con otro juego.

00:11:04Y lo intentamos con Breakout.

00:11:06Al principio, después de 100 partidas, el agente aún no jugaba muy bien.

00:11:10Casi nunca acertaba a darle a la pelota.

00:11:12Pero estaba empezando a entender que la raqueta debería ir tras la bola.

00:11:16Después de 300 partidas, ya jugaba tan bien como cualquier humano.

00:11:19Eso nos pareció genial.

00:11:20Y lo dejamos jugar 200 más.

00:11:22Entonces hizo algo asombroso.

00:11:24Descubrió que la mejor estrategia era abrir huecos a los lados para hacer que la bola llegara detrás de la

00:11:29pared.

00:11:30Finalmente, el agente está logrando lo que imaginaste que lograría.

00:11:34Es una sensación grandiosa.

00:11:36¿Verdad?

00:11:36Es lo que esperamos conseguir como investigadores.

00:11:39Decidimos probar con 50 juegos y creamos una fórmula.

00:11:44Elegíamos un juego que nunca habíamos visto.

00:11:46Lo probaríamos con el algoritmo y el DQN aprendería a jugarlo desde cero también o a veces mejor que un

00:11:54humano.

00:11:54Pero no lo diseñamos para eso específicamente.

00:11:57Solo lo pusimos a jugar un montón de juegos y él aprendió por sí solo.

00:12:02Había algo mágico en eso.

00:12:04De repente, tenías algo que respondía y aprendía de cualquier situación que se le presentara.

00:12:09Ese fue un hallazgo importantísimo.

00:12:12Fue, en muchos aspectos, el primer ejemplo de algo que podría llamarse inteligencia artificial general.

00:12:20Aunque éramos una pequeña empresa bien financiada, no teníamos suficiente poder de cómputo.

00:12:25Entendí que esto nos ayudaría a crear una AGI en muchísimo menos tiempo.

00:12:30Demis y yo nos veíamos con frecuencia.

00:12:33Una vez, mientras comíamos, me dijo que dos compañías querían comprar DeepMind.

00:12:40Pero no sabía cuál elegir.

00:12:42El dilema era saber si una compañía comercial valoraría la importancia de esta investigación

00:12:49y le daría tiempo para que rindiera frutos sin estar presionando para obtener de esto algún beneficio comercial.

00:13:05Google acaba de comprar DeepMind por unos 400 millones de libras.

00:13:11Esta compañía de IA se convierte en su mayor adquisición europea hasta hoy.

00:13:16Su fundador es Demis Hassabis, un empresario de 37 años.

00:13:21Tras la adquisición empecé a guiar, a pasar tiempo con Demis y a escucharlo.

00:13:27Esencialmente, es un científico experto en ciencias naturales.

00:13:31Ve en la ciencia la solución a todos los problemas del mundo y cree firmemente que así será.

00:13:37Es raro toparse con personas así en una compañía de tecnología.

00:13:43No solo nos unimos a Google, sino seguimos trabajando de forma autónoma en Londres

00:13:48para afianzar nuestra cultura de trabajo, que se basaba en hallazgos y no en la creación de productos.

00:13:54El fin era la investigación.

00:13:56Nuestros inversores no querían vender, pero decidimos que esto era lo mejor para la misión.

00:14:01En muchos sentidos, la vendimos barata antes de que madurara.

00:14:04Pudimos haberla vendido por mucho más dinero.

00:14:07Pero lo hicimos porque no hay tiempo que perder.

00:14:11Tengo muchas cosas que descifrar mientras mi cerebro esté funcionando.

00:14:15Sigo vivo.

00:14:16Hay muchísimas cosas que hacer.

00:14:18¿No tienes cuántos, cuántos miles de millones darías a cambio de otros cinco años de vida

00:14:24para lograr lo que te propusiste?

00:14:26De repente contábamos con una capacidad de cómputo a gran escala.

00:14:30¿Qué podemos hacer con eso?

00:14:35Go es lo máximo en juegos de mesa.

00:14:37Es el más complejo que haya inventado el hombre.

00:14:40Hay más configuraciones posibles en el juego de Go que átomos en el universo.

00:14:50Go es el santo grial de la inteligencia artificial.

00:14:53Durante muchos años, la gente lo ha considerado un juego demasiado complicado.

00:14:57Todo lo que hemos intentado con la IA no funciona cuando se trata de aprender a jugar Go.

00:15:02Por eso, esto representa una prueba de auténtico progreso.

00:15:06Acabábamos de comprar DeepMind.

00:15:08Estaban trabajando en el aprendizaje por refuerzo y eran los expertos mundiales en juegos.

00:15:13Por eso, cuando se les ocurrió que podían derrotar a los mejores jugadores de Go en un juego que se

00:15:19creía incomputable,

00:15:20la idea me pareció muy interesante.

00:15:22Nuestro siguiente gran paso es jugar contra el legendario Lee Sedol en unas dos semanas.

00:15:38Lee Sedol es quizá uno de los mejores jugadores de la última década.

00:15:42Es el Roger Federer del Go.

00:15:45Yo llegué y de repente nos encontramos junto a él mil coreanos más.

00:15:51Los mejores jugadores de Go de Corea del Sur.

00:15:54Nosotros teníamos a Demis y al fabuloso equipo de ingeniería.

00:16:01Es famoso por su estilo de juego creativo.

00:16:04Podría ser un hueso duro de roer.

00:16:09Supuse que Lee Sedol los vencería, pero ellos darían un buen espectáculo.

00:16:14Excelente para esta empresa.

00:16:18Pasé a ver al equipo técnico y me dijeron, te mostraremos cómo funciona nuestro algoritmo.

00:16:23Si se observa un juego real, podemos ver cómo piensa AlphaGo.

00:16:27Para entrenar a AlphaGo, empezamos mostrándole 100.000 partidas de buenos jugadores aficionados.

00:16:34Al principio, logramos que AlphaGo imitara a un jugador humano y luego, mediante el aprendizaje por refuerzo,

00:16:41jugó contra diferentes versiones de sí mismo millones de veces y aprendió de sus errores.

00:16:46Esto es interesante.

00:16:48Muy bien amigos, serán testigos de algo histórico.

00:17:16Los comentaristas especializados dijeron, casi por unanimidad,

00:17:21que ningún jugador humano habría escogido la jugada 37.

00:17:26Revisé el código de AlphaGo para ver qué opinaba.

00:17:30Coincidía.

00:17:31Estimaba una probabilidad de una entre 10.000 de que un jugador humano realizara ese movimiento.

00:17:48El Go ha sido objeto de estudio durante miles de años y AlphaGo descubrió algo completamente nuevo.

00:17:57Leisedol acaba de rendirse.

00:17:59Lo vencieron.

00:18:02En la batalla entre hombre y máquina, una computadora acaba de salir victoriosa.

00:18:07Google puso a prueba a su equipo DeepMind contra una de las mentes más brillantes del mundo y venció.

00:18:12Ahí fue cuando nos dimos cuenta de que los de DeepMind sabían lo que hacían

00:18:15y que debíamos prestar atención al aprendizaje por refuerzo que ellos habían inventado.

00:18:20Inspirado en esa experiencia, AlphaGo siguió mejorando.

00:18:24En una gráfica llevaban registro de cuánto iban mejorando.

00:18:28Les pregunté hasta dónde pretendían llegar.

00:18:30Y Demis me dijo,

00:18:32hasta que derrotemos al chino que es el mejor jugador del mundo.

00:18:48A la mitad de la primera partida, el mejor jugador del mundo estaba en desventaja.

00:19:00Y en un momento cumbre...

00:19:13El gobierno chino ordenó cortar la transmisión.

00:19:18En ese momento, le hicimos saber al mundo que algo nuevo había llegado.

00:19:27En los años 50, el curso de la historia cambió cuando Rusia lanzó el satélite Sputnik.

00:19:35Es un desafío que América debe afrontar para sobrevivir en la era espacial.

00:19:40A esto le llaman el momento Sputnik.

00:19:42El momento Sputnik hizo que Estados Unidos reaccionara

00:19:46y financiara a gran escala proyectos de ciencia e ingeniería,

00:19:50en especial de tecnología espacial.

00:19:52Para China, AlphaGo fue un toque de atención.

00:19:55El momento Sputnik dio inicio a una carrera espacial en torno a la IA.

00:20:01Se nos ocurrió una gran idea que funcionó y ahora todo el mundo está al tanto.

00:20:06Siempre es más fácil alunizar si alguien ya pisó la luna.

00:20:11Importará quién construye una IA y cómo se construya.

00:20:15Siempre siento esa presión.

00:20:22Una serie de acontecimientos tuvo lugar después de la expectativa generada por AlphaGo.

00:20:26Cuando jugamos contra Lee Sedol, teníamos un sistema entrenado con datos humanos

00:20:30de todas las millones de partidas jugadas por expertos.

00:20:33A la larga, desarrollamos un nuevo algoritmo,

00:20:35un enfoque mucho más elegante para todo el sistema,

00:20:37que dejaba a un lado todo el conocimiento humano y empezaba desde cero.

00:20:40Ese sería el inicio del proyecto AlphaZero.

00:20:44Y eso se convirtió en un proyecto que llamamos AlphaZero.

00:20:48Cero significa tener cero conocimiento humano en el proceso.

00:20:51En lugar de aprender de datos humanos, aprendió de sus propios juegos.

00:20:54Así que realmente se convirtió en su propio maestro.

00:21:02AlphaZero es un experimento sobre cuán poco conocimiento podemos incorporar en estos sistemas.

00:21:06Y aún así, qué tan rápido y eficientemente pueden aprender.

00:21:11AlphaZero no sigue regla alguna, aprende de la experiencia.

00:21:16El siguiente paso era hacerlo más general para que participara en juegos de dos jugadores.

00:21:21Juegos como ajedrez y cualquier otro juego de información perfecta para dos.

00:21:26Va muy bien, va muy muy bien. Está cayendo y muy rápido.

00:21:31AlphaGo solía necesitar unos meses para entrenarse,

00:21:34pero AlphaZero podía comenzar en la mañana jugando completamente al azar.

00:21:37Y luego, para la merienda, estar a nivel sobrehumano.

00:21:40Y para la cena, ser la entidad de ajedrez más fuerte que jamás haya existido.

00:21:45Es increíble.

00:21:46Sí, encontró una nueva forma de atacar contra las defensas actuales.

00:21:51Ni en mis mejores sueños.

00:21:52Es cierto, yo tampoco me lo esperaba.

00:21:54Y me resulta divertido porque me hizo retomar el ajedrez

00:21:57y porque es genial darse cuenta de que el ajedrez es aún más profundo de lo que pensábamos.

00:22:11Gracias a los juegos me interesé en la inteligencia artificial.

00:22:16Al principio eran los juegos de mesa.

00:22:18Siempre pensaba, ¿cómo hace esto mi cerebro?

00:22:21¿Qué hace?

00:22:22Tuve conciencia de eso desde muy joven.

00:22:25Siempre me ha dado curiosidad el acto de pensar.

00:22:30Los campeones de ajedrez británicos y estadounidenses se reúnen para una serie de partidas.

00:22:35Junto a ellos, la florinata de los jugadores más jóvenes de ambos países.

00:22:39Demis Hassabis está representando a Gran Bretaña.

00:22:46Desde los cuatro años, Demis ya mostraba aptitudes para el ajedrez.

00:22:52A los seis años, se convirtió en campeón infantil de Londres.

00:22:58Mis padres eran gente muy interesante y singular.

00:23:01Quizá los describiría como bastante bohemios.

00:23:04Mi padre era cantautor cuando era más joven.

00:23:07Y Bob Dylan era su héroe.

00:23:14Solíamos ir de campamento y luego viajábamos a un torneo de ajedrez de cuatro días.

00:23:19Porque él jugaba muy bien.

00:23:22¿Qué te gusta de este juego?

00:23:25Es solo un buen juego de pensar.

00:23:29En ese entonces, era el segundo mejor ajedrecista del mundo para mi edad.

00:23:34Pero aunque iba camino de convertirme en jugador profesional, no estaba seguro de querer serlo.

00:23:39Aunque amaba este juego, me resultaba increíblemente estresante.

00:23:44Mis padres se enfadaban cuando yo perdía una partida.

00:23:47Y se molestaban si olvidaba algo.

00:23:50Para ellos era algo muy caro ir a estos torneos.

00:23:53Mis padres no eran ricos.

00:23:58Mis padres pensaban, si deseas ser jugador profesional, esto es tan importante como tus exámenes.

00:24:07Recuerdo que tenía unos 12 años y estaba en un torneo internacional en las montañas de Liechtenstein.

00:24:22Estábamos todos en un enorme salón en una iglesia junto a cientos de ajedrecistas internacionales.

00:24:29Yo jugaba contra el excampeón danés.

00:24:32Quizá era ya un tipo treintañero.

00:24:35En ese entonces, el tiempo entre jugadas era muy largo.

00:24:38Así que las partidas podían durar todo un día entero.

00:24:48Llevábamos diez horas de juego.

00:25:00Estábamos en una parte final muy inusual.

00:25:03Creí que iba a ser un empate.

00:25:05Pero siguió intentando ganar durante horas.

00:25:16Finalmente intentó una última jugada de manual.

00:25:22Solo tenía que ceder mi reina y acabaríamos en tablas.

00:25:26Pero estaba tan cansado que pensé que, inevitablemente, me daría jaque mate.

00:25:32Entonces me rendí.

00:25:37Se levantó de un salto y empezó a reírse.

00:25:39Me dijo, ¿por qué te rindes?

00:25:42¿Es un empate?

00:25:43Y enseguida, con un gesto ostentoso, me mostró la jugada para el empate.

00:25:49Sentí que se me revolvía el estómago.

00:25:51Me hizo pensar el resto del torneo.

00:25:55¿Estamos desperdiciando nuestras mentes?

00:25:57¿Es esta la mejor forma de usar nuestro cerebro?

00:26:00¿El poder de todos en este edificio?

00:26:03Si pudieras conectar esos 300 cerebros en un sistema,

00:26:07hallarías la cura del cáncer con semejante poder.

00:26:12Sentí por puro instinto que, aunque amaba el ajedrez,

00:26:15no era así como quería pasar el resto de mi vida.

00:26:32Demis y yo siempre planeamos reclutar para DeepMind a los científicos más brillantes del mundo.

00:26:40Solo así tendríamos los cerebros necesarios para crear un sistema de AGI.

00:26:46La G significa general.

00:26:49Me imagino hablando con un agente,

00:26:52ese agente respondiéndome y resolviendo problemas inéditos que nunca se han visto.

00:27:00Esa es una parte clave de la inteligencia humana,

00:27:03y lo asombroso es esa amplitud y flexibilidad cognitiva.

00:27:07Los humanos tenemos una única inteligencia general que conocemos.

00:27:11Evidentemente aprendemos mucho de nuestro entorno.

00:27:14Por eso los entornos simulados son una de las herramientas para crear una AGI.

00:27:20Los primeros humanos tenían que resolver problemas lógicos.

00:27:24Tenían que resolver problemas de movimiento, memoria,

00:27:27y evolucionamos en ese entorno.

00:27:30Si podemos crear un entorno virtual como ese,

00:27:32tendríamos el campo de pruebas y de entrenamiento perfecto

00:27:35para todo lo que hacemos en DeepMind.

00:27:44Lo que hacían aquí era crear entornos similares

00:27:47a lo que ve un niño para que el agente se moviera y jugara.

00:27:52Eso sonaba como lo más interesante del mundo.

00:27:56Un niño aprende rompiendo cosas,

00:27:59arrojando comida y recibiendo una respuesta de mamá o papá.

00:28:02Parece una idea clave para incorporarla al entrenamiento de tu agente.

00:28:08El humanoide debe ponerse de pie.

00:28:10A medida que eleva su centro de gravedad, obtiene más puntos.

00:28:17Le ofreces una recompensa y el agente aprende de esa recompensa.

00:28:21Si haces algo bien, obtienes una recompensa positiva.

00:28:24Si haces algo malo, la recompensa será negativa.

00:28:27Parece que se pone de pie.

00:28:29Aún luce algo errático.

00:28:31Le gusta caminar hacia atrás.

00:28:35El algoritmo busca la forma óptima de obtener tantas recompensas como sea posible

00:28:40y descubrió que caminar de espaldas es suficiente para obtener muy buenas puntuaciones.

00:28:48Cuando aprendemos a caminar y a desplazarnos por nuestro entorno, no usamos mapas.

00:28:54Empezamos a explorar por nuestra cuenta

00:28:56y nos aventuramos por el parque sin nuestros padres cerca.

00:29:01O buscamos la manera de llegar a casa desde la escuela.

00:29:07A algunos se nos ocurrió la idea de colocar a un robot en un entorno donde tuviese que correr hacia

00:29:13adelante,

00:29:13pero con varios obstáculos en su camino.

00:29:17Veríamos si era capaz de moverse en terrenos distintos.

00:29:21La idea sería como un reto de parkour.

00:29:26No se movería con gracia, pero tampoco lo entrenaron para sostener un vaso de agua mientras corre sin derramarlo.

00:29:33El objetivo es, muévete hacia adelante velozmente y recibirás una recompensa por eso.

00:29:41El algoritmo aprende cómo mover este complejo grupo de articulaciones.

00:29:45Ese es el poder del aprendizaje por refuerzo basado en recompensas.

00:29:51Nuestro objetivo es crear agentes que no saben nada inicialmente,

00:29:55pero pueden explorar cualquier problema que se les presente,

00:29:59y a la larga, resolverlo por sí mismos.

00:30:02Deseamos concebir algo capaz de hacer eso con diferentes tipos de problemas.

00:30:08Un humano necesita varias habilidades para interactuar con el mundo.

00:30:13Debe aprender cómo lidiar con imágenes complejas,

00:30:16cómo manipular miles de cosas a la vez,

00:30:18cómo actuar con información que falta.

00:30:21Creemos que todas estas cosas se reflejan en un juego llamado StarCraft.

00:30:25Se le está entrenando para que, dada esta situación en pantalla,

00:30:30intente pensar como un humano.

00:30:33Nos inspiramos en modelos de lenguaje a gran escala

00:30:36a los que se les entrena para predecir la siguiente palabra.

00:30:43Que es exactamente lo mismo que predecir el próximo movimiento en StarCraft.

00:30:48A diferencia del ajedrez o el go, donde se turnan para jugar sus piezas,

00:30:52en StarCraft hay un flujo continuo de decisiones.

00:30:56Además, ni siquiera puedes ver lo que hace el oponente.

00:30:58Tampoco hay una idea clara de lo que es jugar de la mejor manera.

00:31:01Depende de lo que haga tu oponente.

00:31:04Así podremos darle forma a un agente que reaccione de manera más fluida, natural y veloz.

00:31:11Este es un gran reto y veamos hasta dónde podemos llegar.

00:31:16¡Madre mía!

00:31:17Soy un jugador aficionado de bajo nivel.

00:31:20Juego bien, pero mi nivel es bajo.

00:31:22A estos agentes les falta mucho por aprender.

00:31:26No pudimos vencer a alguien del nivel de team.

00:31:28Eso fue algo alarmante.

00:31:30En ese momento sentí que iba a ser un desafío largo y difícil, que tomaría tal vez un par de

00:31:35años.

00:31:38Dani es el mejor jugador de StarCraft 2 de DeepMind.

00:31:42Llevo varias semanas jugando a diario contra el agente.

00:31:45He notado que estaba mejorando su juego muy rápidamente.

00:31:54Vencimos a Dani, y eso para mí ya era un gran logro.

00:31:58El siguiente paso es traer a un jugador profesional.

00:32:25Hemos avanzado mucho más de lo que habíamos planeado si consideramos dónde estábamos hace dos meses.

00:32:30Intento asimilar todo esto, pero se siente genial.

00:32:33Ahora estamos en una posición en la que sí podemos compartir con el público lo que hemos hecho.

00:32:37Este es un gran paso.

00:32:38Nos estamos jugando el todo por el todo.

00:32:43Estaremos en directo desde Londres.

00:32:45Está en marcha.

00:32:49Les damos la bienvenida a Londres.

00:32:51Vamos a disfrutar de un partido de exhibición en vivo.

00:32:53Mana se enfrentará a AlphaStar.

00:32:58A estas alturas, AlphaStar, 10 a 0 contra jugadores profesionales.

00:33:03¿Algún comentario antes de empezar este juego?

00:33:06Solo quiero ver un buen partido.

00:33:07Sí, quiero ver un buen partido.

00:33:09Claro que sí, buen partido.

00:33:10Qué emoción.

00:33:11Bien, a ver qué es lo que Mana es capaz de hacer.

00:33:16AlphaStar está imponiendo el ritmo de este juego.

00:33:21Wow, AlphaStar está jugando muy inteligentemente.

00:33:26Ver a AlphaStar es como ver a un jugador profesional humano.

00:33:37Nunca había visto de cerca a un jugador profesional de StarCraft ni tampoco los 800 clics por minuto.

00:33:43No entiendo cómo alguien puede dar 800 clics.

00:33:46Y mucho menos 800 clics con un propósito.

00:33:49Oh, otro gran golpe.

00:33:52Un AlphaStar es simplemente implacable.

00:33:55Necesitamos ser cuidadosos porque muchos de nosotros crecimos como jugadores y somos jugadores.

00:34:01Por eso, para nosotros es normal ver los juegos como lo que son, una forma de divertirse.

00:34:06Y pasamos por alto ese lado más militarista que el público quizás se note si ve esto.

00:34:13No puedes mirar la pólvora y solo hacer un petardo.

00:34:17Todas las tecnologías apuntan en ciertas direcciones.

00:34:23Me preocupan ciertas formas en las que se usará la inteligencia artificial con fines militares.

00:34:31Y eso hace aún más evidente cuán crucial es que nuestras sociedades controlen estas nuevas tecnologías.

00:34:41Se corre el riesgo de que la IA se use de forma indebida.

00:34:44Pueden estallar guerras a un ritmo inimaginable para los humanos

00:34:48y aparecer formas de vigilancia muy potentes.

00:34:52¿Cómo mantener para siempre el poder que ejerces sobre algo que es más poderoso que tú?

00:34:59Se puede imaginar que tal tecnología supere a los mercados financieros,

00:35:06supere a los investigadores humanos, manipule a los líderes humanos

00:35:10y potencialmente nos subyugue con armas que ni siquiera podemos comprender.

00:35:15Por eso debemos procurar hacerlo bien a la primera,

00:35:18ya que podría ser la única oportunidad que tengamos.

00:35:23Las tecnologías pueden usarse para hacer cosas terribles

00:35:27y también para hacer cosas maravillosas y resolver todo tipo de problemas.

00:35:33Cuando Google adquirió DeepMind, hiciste que Google prometiera que esta tecnología no la usaría el ejército para...

00:35:40La tecnología es neutral en sí misma, pero cómo nosotros, como sociedad, o los humanos, las empresas y otras entidades

00:35:48y gobiernos deciden usarla

00:35:50es lo que determina si las cosas se vuelven buenas o malas.

00:35:53Personalmente, creo que diseñar armas autónomas es una pésima idea.

00:36:04Hay un elemento en lo que se está creando en DeepMind, en Londres, que lo hace similar al Proyecto Manhattan.

00:36:12Hay algo en común entre Robert Oppenheimer y Demis Hassabis.

00:36:18Ambos están liberando una nueva fuerza sobre la humanidad.

00:36:24Pero Mana contraataca.

00:36:28Creo que Oppenheimer y otros líderes de ese proyecto se dejaron llevar por la mera emoción de construir esa tecnología

00:36:34y ver si era posible.

00:36:36¿Dónde está AlphaStar? ¿Dónde está AlphaStar? Yo no veo las unidades de AlphaStar por ninguna parte.

00:36:42No pensaron lo suficiente desde el principio en el aspecto moral de lo que estaban haciendo.

00:36:46Nuestro deber como científicos, ante tecnologías nuevas y poderosas, es tratar de entenderlas primero en un entorno controlado.

00:36:55Eso es todo. Aquí acaba la partida.

00:36:57Mana ha derrotado a AlphaStar.

00:37:10Sinceramente, creo que es una representación justa de dónde estamos. Y eso está bien.

00:37:16Me alegro mucho por ti. Así que, muy, muy bien hecho.

00:37:19Mi punto de vista es que la forma de crear tecnología basada en muévete rápido y rompe cosas es justo

00:37:25lo que no deberíamos hacer.

00:37:26No puedes permitirte romper cosas y luego arreglarlas después.

00:37:30Muchas gracias.

00:37:31Sí, descansa un poco. Lo hiciste muy bien.

00:37:33Gracias por invitarnos.

00:37:44Cuando tenía 8 años, me compré mi primera computadora con el premio de un torneo de ajedrez.

00:37:50Me parecía que las computadoras eran un aparato mágico que pueden multiplicar el poder de la mente.

00:37:55Junto con unos amigos de la escuela fundamos un club de hackers donde desarrollábamos código y juegos.

00:38:06Durante las vacaciones de verano pasaba todo el día viendo revistas de juegos.

00:38:10Un día vi que había un concurso para escribir una versión original de Space Invaders.

00:38:16El vencedor ganaba un empleo en Bullfrog.

00:38:19Bullfrog era en ese entonces la mejor compañía de videojuegos en toda Europa.

00:38:23Realmente quería trabajar en este lugar y ver cómo desarrollaban los juegos.

00:38:29Bullfrog, con sede aquí en Guildford, empezó con una gran idea.

00:38:32Esa idea se convirtió en el juego Populous, que fue un éxito de ventas mundial.

00:38:37En los años 90 no había agencias de empleo.

00:38:41No andabas por ahí diciendo, ven a trabajar en la industria de los videojuegos.

00:38:45Ni siquiera se consideraba una industria.

00:38:50Entonces se nos ocurrió organizar un concurso y se inscribió mucha gente.

00:38:56Y uno de ellos fue Demis.

00:38:58Aún recuerdo claramente el día que vino.

00:39:02Entró por la puerta y parecía que tenía 12 años.

00:39:08Pensé, Dios mío, ¿qué diablos haremos con este chico?

00:39:11Me había presentado para Cambridge y me habían aceptado, pero era demasiado joven.

00:39:16Necesitaba tomarme un año libre para al menos tener 17 años y así poder entrar.

00:39:20Fue entonces cuando decidí pasar ese año sabático trabajando en Bullfrog.

00:39:24Ni siquiera podían contratarme legalmente, así que me pagaban en sobres con efectivo.

00:39:31Tenía la sensación de estar en un lugar de vanguardia y me divertía muchísimo inventando cosas todos los días.

00:39:37Esas mismas cosas, meses después, quizá las estarían jugando millones de personas.

00:39:44En esa época, los juegos por ordenador tenían que evolucionar.

00:39:48Era necesario que surgieran nuevos géneros, que fueran más que dispararle a algo.

00:39:53¿No sería increíble crear un juego donde diseñaras y construyeras tu propio parque de atracciones?

00:40:03Demis y yo comenzamos a hablar sobre Thimpark.

00:40:07Le permitía al jugador construir un mundo y ver las consecuencias de las decisiones que tomaste en ese mundo.

00:40:15Un jugador humano diseñaba el parque y la montaña rusa.

00:40:18Y fijaba los precios de las fichas.

00:40:21Yo me encargaba del comportamiento de la gente.

00:40:23Eran autónomos, como si estuvieran controlados por IA.

00:40:27Mi intención era imitar un comportamiento humano interesante para que la interacción resultara más natural.

00:40:35Demis trabajaba en detalles insólitos como, por ejemplo, estas tiendas,

00:40:40que si las ubicabas muy cerca de alguna atracción peligrosa,

00:40:43los que se montaban acababan vomitando lo que habían comido.

00:40:48Y eso hacía que otras personas vomitaran cuando veían el vómito en el suelo.

00:40:52Así que debías tener muchos barrenderos para que limpiaran rápidamente antes de que la gente viera el vómito.

00:40:58Eso era lo genial.

00:40:59Tú lo manipulabas y luego el juego respondía a tus acciones.

00:41:03Todas esas simulaciones tan detalladas y con tantos matices que hizo,

00:41:07eran una invención que, en realidad, nunca había existido antes.

00:41:11Resultó ser un éxito absolutamente increíble.

00:41:14Cime Park fue considerado uno de los diez mejores juegos

00:41:17y fue la primera vez que empezamos a darnos cuenta cómo la IA podía marcar la diferencia.

00:41:26Estábamos haciendo compras navideñas y esperando que el taxi nos llevara a casa.

00:41:31Tengo un recuerdo muy claro de Demis hablando de la IA de una manera muy diferente,

00:41:36de una forma de la que no solíamos hablar.

00:41:39Esta idea de que la IA fuera útil para otras cosas que no fueran el entretenimiento.

00:41:44Es decir, ser útil para ayudar al mundo

00:41:46y aprovechar el potencial de la inteligencia artificial para cambiarlo.

00:41:50Le pregunté a Demis qué quería hacer y me respondió,

00:41:55deseo ser el genio de la IA.

00:42:03Peter me ofreció un millón de libras para no ir a la universidad,

00:42:07pero yo tenía un plan desde el principio y mi plan siempre fue ir a Cambridge.

00:42:14Muchos de mis amigos de la escuela pensaron que estaba loco.

00:42:16¿Por qué no? Un millón de libras es mucho dinero.

00:42:21En los años 90 era mucho dinero, en especial para un chico pobre de 17 años.

00:42:27Era como una semilla a punto de germinar que no iba a poder crecer en Bulfro.

00:42:36Tuve que dejarlo en la estación de tren y todavía puedo ver esa imagen de este pequeño personaje élfico desapareciendo

00:42:45por el túnel.

00:42:46Fue un momento increíblemente triste.

00:42:53Tenía esta noción romántica de cómo sería Cambridge.

00:42:57Un lugar con mil años de historia, donde recorrería las mismas calles que Turing, Newton y Crick.

00:43:04Quería explorar los confines del universo.

00:43:10Cuando llegué a Cambridge, la verdad es que había estado trabajando toda mi vida.

00:43:15Cada verano, sin excepción, o jugaba ajedrez profesionalmente o trabajaba en prácticas.

00:43:20Así que me dije, bien, ahora voy a divertirme y a explorar lo que realmente significa ser un adolescente normal.

00:43:36Conocí a Demis porque ambos asistíamos al Queens College.

00:43:40En nuestro grupo de amigos a menudo bebíamos cerveza en el bar y jugábamos al futbolín.

00:43:45Solía jugar ajedrez rápido y las piezas salían volando del tablero.

00:43:49Se jugaba una partida en un minuto.

00:43:51Demis se sentó frente a mí, lo miré y dije, te recuerdo de cuando éramos niños.

00:43:55De hecho, estuve en el mismo torneo de ajedrez que Dave en Ipswich, donde iba a su club a ganar

00:44:01premios.

00:44:03Estudiábamos informática.

00:44:05Algunas personas, a los 17 años, se aseguran de contarles a todos sobre sí mismos.

00:44:09Oye, trabajé en Bullfrog y diseñé el videojuego más exitoso del mundo.

00:44:13Pero él no era así.

00:44:15En Cambridge, a Demis y a mí nos interesaba la neurociencia computacional

00:44:18e intentábamos entender cómo las computadoras y el cerebro se entrelazaban.

00:44:22David y Demis acudían a mí en busca de asesoría.

00:44:26Casualmente, ese año 1997, su tercer y último año en Cambridge,

00:44:32fue también el año en que una supercomputadora venció al principal gran maestro de ajedrez.

00:44:37Primer asalto, Kasparov contra Deep Blue.

00:44:40Partida entre el actual campeón mundial Gary Kasparov y un oponente llamado Deep Blue.

00:44:46Es una prueba para ver si el cerebro humano puede superar a una máquina.

00:44:51Recuerdo el drama de Kasparov perdiendo la última partida.

00:44:56Kasparov se rinde.

00:44:57La victoria de Deep Blue sobre Gary Kasparov fue un punto de inflexión.

00:45:02Recuerdo claramente que lo de Deep Blue no me impresionó.

00:45:05Me impresionó más la mente de Kasparov y que pudiera jugar ajedrez a este nivel,

00:45:10donde podía competir de igual a igual contra la fuerza bruta de una máquina.

00:45:14Pero Kasparov es también capaz de hacer todo lo demás que puede hacer un humano.

00:45:20Fue un gran logro.

00:45:21Pero la verdad era que Deep Blue solo podía jugar al ajedrez.

00:45:25Ese sistema carecía de lo que consideramos inteligencia.

00:45:28Es decir, la idea de aprendizaje general.

00:45:34Cambridge era increíble porque te mezclabas con gente que estudiaba áreas distintas.

00:45:38Había científicos, filósofos, artistas, geólogos, biólogos, ecologistas.

00:45:44Todos hablaban de temas variados todo el tiempo.

00:45:47Me obsesionaba el problema del plegamiento de proteínas.

00:45:51Tim Stevens hablaba obsesivamente, casi religiosamente, sobre este problema del plegamiento de proteínas.

00:45:57Las proteínas son uno de los elementos más bellos y elegantes de la biología.

00:46:01Son las máquinas de la vida.

00:46:03Construyen todo, controlan todo y gracias a ellas funciona la biología.

00:46:09Las proteínas están hechas de cadenas de aminoácidos que se pliegan para crear una estructura proteínica.

00:46:15Si podemos predecir la estructura de las proteínas a partir de sus secuencias de aminoácidos,

00:46:23entonces podríamos pensar en una nueva proteína para curar el cáncer

00:46:27o para descomponer el plástico y ayudar al medio ambiente.

00:46:34Yo pensaba, ¿el ser humano es lo suficientemente listo como para plegar una proteína?

00:46:39No hemos resuelto ese problema.

00:46:42Desde la década de 1960, pensábamos que, en principio,

00:46:47si sé cuál es la secuencia de aminoácidos de una proteína,

00:46:50debería poder calcular cómo es la estructura.

00:46:52Si bastara compresionar un botón para verlas aparecer,

00:46:55eso sería... eso causaría un gran impacto.

00:47:00Eso se me quedó grabado en la mente.

00:47:02Es un problema muy interesante.

00:47:04Me pareció que sí tenía solución,

00:47:06pero pensé que necesitaría una IA para hacerlo.

00:47:09Si pudiéramos predecir el plegamiento de proteínas,

00:47:12eso podría cambiar el mundo.

00:47:31Desde que era estudiante en Cambridge,

00:47:33nunca dejé de pensar en el problema del plegamiento de proteínas.

00:47:37Si resolvieras este problema,

00:47:40entonces es enorme el potencial para resolver problemas

00:47:43como el Alzheimer, la demencia y descubrimiento de nuevos medicamentos.

00:47:48Curar enfermedades es quizá lo que más causaría impacto.

00:47:54Miles de personas muy inteligentes han intentado resolver el plegado de proteínas,

00:47:59pero creo que ahora es el momento para que la inteligencia artificial lo descifre.

00:48:07Necesitábamos una forma razonable de aplicar el aprendizaje automático al plegamiento de proteínas.

00:48:12Encontramos este juego llamado Foldit.

00:48:15El objetivo es mover un modelo 3D de una proteína

00:48:18y obtienes puntos cada vez que lo mueves.

00:48:21Cuanto más precisas hagas estas estructuras,

00:48:23más útiles serán para los biólogos.

00:48:26Pasé varios días viendo cuán bien podíamos hacerlo.

00:48:30Pero aunque fueras el mejor jugador de Foldit del mundo,

00:48:34no resolverías el plegamiento de proteínas.

00:48:36Por eso tuvimos que profundizar más allá del juego.

00:48:39Los juegos solo son el campo de pruebas para nuestros algoritmos.

00:48:43El objetivo final no era solo descifrar Go y StarCraft,

00:48:47era resolver desafíos del mundo real.

00:48:57Recuerdo oír el rumor de que Demis investigaría las proteínas.

00:49:00Hablé con gente de DeepMind y les pregunté

00:49:03¿Trabajarán con proteínas?

00:49:05Y astutamente cambiaban de tema.

00:49:07Cuando eso pasó dos veces, confirmé mis sospechas.

00:49:10Así que pensé que debía mandar mi currículum.

00:49:13Hola a todos, bienvenidos a DeepMind.

00:49:15Sé que quizás sea la primera semana para algunos, pero ojalá estén listos.

00:49:18Lo que más me atraía sobre el trabajo

00:49:20era sentir que todos perseguíamos un mismo fin común.

00:49:25Si resolvemos algunos problemas fundamentales en la ciencia,

00:49:28mucha gente y otras empresas y laboratorios

00:49:31podrían aprovechar nuestro trabajo.

00:49:33Esta es su oportunidad de ser parte de esta historia.

00:49:36Cuando llegué, estaba un poco nervioso, sinceramente.

00:49:39No he realizado cursos de biología.

00:49:43No hemos pasado años de nuestras vidas analizando estas estructuras y entendiéndolas.

00:49:48Solo nos basamos en datos y en modelos de aprendizaje automático.

00:49:52En el aprendizaje automático, entrenas una red como tarjetas.

00:49:57Esta es la pregunta y la respuesta.

00:49:59Esta es la pregunta y la respuesta.

00:50:01Pero para el plegamiento de proteínas,

00:50:03no hacemos las tareas típicas con datos ilimitados de DeepMind.

00:50:07Tu trabajo es mejorar en ajedrez o Go

00:50:09y jugar la mayor cantidad de partidas de ajedrez o de Go

00:50:13que te permitan tus computadoras.

00:50:15Con las proteínas, trabajamos con una cantidad enorme de datos

00:50:19que son el producto de medio siglo de experimentos en laboratorios

00:50:23que toman muchísimo tiempo.

00:50:25Estos meticulosos experimentos pueden tardar meses o años

00:50:29para determinar la estructura de una sola proteína.

00:50:32Y a veces, ni siquiera se puede determinar la estructura.

00:50:37Por eso trabajamos con cantidades pequeñas de datos

00:50:39para entrenar a nuestros algoritmos.

00:50:42Cuando DeepMind comenzó a explorar el problema del plegamiento,

00:50:46nos mencionaron los conjuntos de datos que usaban

00:50:48y cuáles serían las posibilidades de resolver el problema.

00:50:51Mucha gente lo ha intentado,

00:50:52pero nadie ha resuelto el acertijo del plegamiento de proteínas.

00:50:57Me dije a mí mismo, pues buena suerte.

00:50:59Si podemos resolver el problema del plegamiento de proteínas,

00:51:03eso tendría una relevancia médica increíble.

00:51:08Estos son los ciclos de la ciencia.

00:51:10Exploras a gran escala y luego pasas al modo de explotación

00:51:15para enfocarte y constatar cuán útiles son esas ideas.

00:51:18Y no hay nada mejor que la competencia externa.

00:51:23En CASP intentamos llegar más rápido

00:51:26a la solución del problema del plegamiento de proteínas.

00:51:30En CASP nos decimos,

00:51:32DeepMind estudia el plegamiento de proteínas.

00:51:35Así de buenos somos y tal vez mejores que los demás.

00:51:38O quizá no.

00:51:39CASP es como las olimpiadas de plegamiento de proteínas.

00:51:43CASP es una evaluación comunitaria mundial

00:51:46que se realiza cada dos años.

00:51:48A cada equipo se le dan las secuencias de aminoácidos

00:51:52de unas 100 proteínas.

00:51:53Y luego intentan resolver el problema relacionado con el plegamiento

00:51:57usando métodos de cálculo.

00:52:00La estructura de estas proteínas

00:52:03se determinan con antelación

00:52:05mediante experimentos de laboratorio.

00:52:07Pero los resultados no se hacen públicos.

00:52:10Y estas estructuras preestablecidas

00:52:12representan el patrón con el que se compararán

00:52:15todas las predicciones.

00:52:18Existe una tabla de puntuación

00:52:19que mide cuán precisas son las predicciones.

00:52:22Y uno supondría que una puntuación de más de 90

00:52:24sería una solución al problema del plegamiento de proteínas.

00:52:29Bienvenidos todos a nuestras primeras semifinales.

00:52:32Nick y Jonathan contra Demis y Frank.

00:52:34Por favor, acompáñenos

00:52:35porque será un partido intenso.

00:52:37Cuando supe que Demis se encargaría

00:52:40del problema del plegamiento de proteínas

00:52:42no me pilló por sorpresa.

00:52:44Es muy típico de él.

00:52:46Es muy competitivo.

00:52:49Y así llegamos al final del primer partido

00:52:51con un marcador de 10 a 7.

00:52:53El objetivo para este CASP

00:52:55será no solo ganar la competición

00:52:57sino también lograr que no sea necesario competir.

00:53:00El CASP ha hecho público un total de 20 objetivos.

00:53:04Pensábamos incluir quizá el aprendizaje automático estándar

00:53:07y ver qué tan lejos podría llevarnos.

00:53:09En lugar de tener dos días para un experimento

00:53:12podemos llevar a cabo cinco en un día.

00:53:16¿Me muestras el real, no el nuestro?

00:53:19La respuesta verdadera debería verse algo así.

00:53:22Es mucho más cilíndrico de lo que pensé.

00:53:25Los resultados no fueron muy buenos.

00:53:29Aplicamos los métodos usuales

00:53:30pero fracasamos rotundamente.

00:53:33Esto no tiene sentido.

00:53:34Creímos que bastaba con aplicar

00:53:36algunos de nuestros mejores algoritmos.

00:53:38Fuimos algo ingenuos.

00:53:42Deberíamos aprender esto en un abrir y cerrar de ojos.

00:53:45Lo que me preocupa es que pasemos

00:53:47de respuestas muy malas

00:53:49a otras moderadamente malas.

00:53:51Necesitamos una tecnología nueva

00:53:53para manipular las proteínas.

00:54:01A una semana del final de la competición

00:54:03trabajaste contrarreloj para aplicarla.

00:54:06Hiciste todo lo que pudiste.

00:54:08Ahora solo queda esperar

00:54:09a que Casp anuncie los resultados.

00:54:31Se dice que Einstein,

00:54:33durante sus dos últimos años de vida,

00:54:35cuando trabajaba aquí,

00:54:36coincidió con Kurt Gödel

00:54:37y comentó que una de las razones

00:54:39por las que aún venía

00:54:40era poder charlar con Gödel

00:54:42mientras iba camino a casa.

00:54:44Es un gran cumplido para Kurt Gödel

00:54:46y muestra lo increíble que era.

00:54:49El Instituto de Estudios Avanzados

00:54:51fue fundado en 1933.

00:54:53En los primeros años,

00:54:54la intensa atmósfera científica

00:54:56atrajo a algunos de los matemáticos

00:54:58y físicos más brillantes

00:54:59jamás concentrados

00:55:01en un solo lugar y momento.

00:55:02El principio fundacional de este lugar

00:55:05es la idea de perseguir

00:55:06el conocimiento sin restricciones,

00:55:08incluso sin saber

00:55:09si lo que se explora

00:55:10dará algo positivo

00:55:12y, a veces,

00:55:13si llegará a ser útil,

00:55:14que es, por supuesto,

00:55:15lo que he intentado hacer en DeepMind.

00:55:18¿Cuántos grandes logros

00:55:19crees que se requieren

00:55:20para alcanzar una AGI?

00:55:22Calculo que una docena de hallazgos.

00:55:24Ojalá siga vivo cuando eso ocurra.

00:55:27Pero es el deseo de todo científico, ¿no?

00:55:29Demis tiene muchos galardones.

00:55:31Fue elegido miembro

00:55:32de la Royal Society el año pasado

00:55:33y también de la Royal Society of Arts.

00:55:35Recibamos con un gran aplauso

00:55:37a Demis Hasabis.

00:55:44Mi sueño siempre ha sido

00:55:45hacer posible la ciencia asistida por IA.

00:55:48El año pasado arrancamos

00:55:49con nuestro proyecto más emocionante,

00:55:51el plegamiento de proteínas.

00:55:53A este sistema lo llamamos AlphaFold.

00:55:55Lo estrenamos durante el CASP

00:55:57y nuestro sistema fue el más preciso

00:55:59a la hora de predecir las estructuras

00:56:01en 25 de las 43 proteínas

00:56:03en la categoría de más dificultad.

00:56:05Estamos a la vanguardia

00:56:06pero aún debemos...

00:56:07Debo dejar en claro

00:56:08que aún falta mucho

00:56:09para resolver el plegamiento de proteínas.

00:56:11Aún estamos trabajando duro en ello

00:56:12y explorando muchas otras técnicas.

00:56:29Por favor, empecemos.

00:56:31Les informaré brevemente

00:56:32en qué lugares terminamos en la CASP.

00:56:37Superamos al segundo equipo

00:56:38en esta competición por casi el 50%,

00:56:41pero aún nos queda mucho

00:56:42para resolver el plegamiento de proteínas

00:56:45de forma útil para un biólogo.

00:56:47Es un asunto preocupante.

00:56:52La calidad de las predicciones varió

00:56:54y no eran más útiles

00:56:55que los métodos anteriores.

00:56:57AlphaFold no produjo datos

00:56:59suficientemente buenos

00:57:00para que fuera útil de forma práctica.

00:57:02Para, digamos,

00:57:04alguien como yo

00:57:04investigando mis propios problemas biológicos.

00:57:08Ese momento nos obligó a ser humildes

00:57:10porque creíamos que habíamos triunfado

00:57:12después de trabajar tan duro.

00:57:14Pero solo fuimos los mejores

00:57:15en un problema

00:57:16que al mundo le cuesta resolver.

00:57:18Sabíamos que seguíamos siendo pésimos.

00:57:21De nada sirve tener

00:57:22la escalera más alta

00:57:23si quieres ir a la Luna.

00:57:25Muchos en el equipo consideran

00:57:26que, en cierto sentido,

00:57:28esta es una misión imposible.

00:57:30Quizá me equivoqué

00:57:32con el plegamiento de proteínas.

00:57:34Tal vez aún es muy difícil

00:57:36para el desempeño actual de la IA.

00:57:38Si quieres dedicarte

00:57:40a la investigación biológica,

00:57:42tienes que estar preparado para fracasar

00:57:44porque la biología es muy complicada.

00:57:48He dirigido un laboratorio

00:57:49por casi 50 años

00:57:50y la mitad de mi tiempo.

00:57:52Soy solo un psiquiatra aficionado

00:57:54para mantener

00:57:55a mis colegas animados

00:57:56cuando nada funciona.

00:57:58Y la verdad

00:57:59es que la mayor parte del tiempo,

00:58:01y me refiero al 80-90%,

00:58:03no funciona.

00:58:05Si estás a la vanguardia de la ciencia,

00:58:07te lo aseguro,

00:58:08fracasarás muchísimo.

00:58:15Me sentí decepcionado.

00:58:17Aprendí que la ambición

00:58:18es algo bueno,

00:58:19pero debes elegir

00:58:20el momento justo.

00:58:21No tiene sentido

00:58:22estar 50 años

00:58:23adelantado a tu tiempo.

00:58:25Nunca sobrevivirás

00:58:26durante 50 años

00:58:27a ese tipo de esfuerzo

00:58:29antes de que produzca algo.

00:58:31Literalmente,

00:58:32morirás en el intento.

00:58:49Cuando hablamos de la AGI,

00:58:52el santo grial

00:58:53de la inteligencia artificial,

00:58:54se torna muy difícil saber

00:58:56de qué hablamos exactamente.

00:58:58¿Qué partes vamos a ver hoy?

00:59:00Empezaremos en el jardín.

00:59:02Este es el jardín

00:59:03visto desde el área de observación.

00:59:05Los científicos

00:59:06e ingenieros de investigación

00:59:07pueden analizar,

00:59:08colaborar

00:59:09y evaluar

00:59:10lo que sucede

00:59:10en tiempo real.

00:59:13Alguien en el siglo XIX

00:59:14pensaría en cosas

00:59:15como la televisión,

00:59:16el submarino

00:59:17o un cohete a la luna

00:59:18y diría que son imposibles.

00:59:20Pero Julio Verne

00:59:21escribió sobre ellos

00:59:22y siglo y medio después

00:59:23ocurrieron.

00:59:26Experimentaremos

00:59:26con civilizaciones

00:59:27de agentes

00:59:28de inteligencia artificial.

00:59:30Cuando comiencen

00:59:31los experimentos

00:59:32será lo más emocionante

00:59:34de la historia.

00:59:35¿Cómo vamos a dormir?

00:59:37No podré dormir.

00:59:39Una AGI,

00:59:40una AGI completa,

00:59:42podrá hacer cualquier

00:59:42tarea cognitiva

00:59:43de un humano.

00:59:44Potencialmente,

00:59:45será a una escala

00:59:46mucho mayor que eso.

00:59:49Es imposible para nosotros

00:59:51imaginar lo que generará

00:59:53una entidad

00:59:54superinteligente.

00:59:56Es como pedirle

00:59:57a un gorila

00:59:57que imagine

00:59:58lo que hacía Einstein

00:59:59cuando formuló

01:00:01la teoría

01:00:01de la relatividad.

01:00:04La gente a menudo

01:00:05me pregunta

01:00:06¿qué pasa si te equivocas

01:00:08y aún estamos lejos

01:00:09de una AGI?

01:00:11Pero eso

01:00:12no me preocupa.

01:00:13Más bien,

01:00:14me preocupa

01:00:15lo contrario.

01:00:16Me preocupa

01:00:17que llegue

01:00:17antes de que

01:00:18estemos preparados.

01:00:22Parece que estamos

01:00:23en una carrera

01:00:24en pos de una

01:00:25AGI.

01:00:27Los prototipos

01:00:28y los modelos

01:00:29que estamos desarrollando

01:00:30ahora

01:00:30están transformando

01:00:31el espacio

01:00:32de lo que sabemos

01:00:33acerca de la inteligencia.

01:00:38Hemos desarrollado

01:00:39agentes

01:00:40lo suficientemente

01:00:41poderosos

01:00:41como para empezar

01:00:43a jugar en equipo

01:00:44y luego competir

01:00:45contra otros equipos.

01:00:48Estamos viendo

01:00:48dinámicas sociales

01:00:49de cooperación

01:00:50entre agentes

01:00:51pese a que

01:00:52no los habíamos

01:00:53programado

01:00:53para semejantes dinámicas.

01:00:56Aprendieron

01:00:57de sus propias

01:00:57experiencias.

01:00:59Al comienzo

01:01:00creímos

01:01:01que construiríamos

01:01:02un sistema

01:01:02de inteligencia

01:01:03y que convenceríamos

01:01:04al mundo

01:01:05de que lo habíamos

01:01:05logrado.

01:01:06Ahora nos preguntamos

01:01:08si construiremos

01:01:09sistemas

01:01:09que no creemos

01:01:10que sean

01:01:10totalmente

01:01:11inteligentes

01:01:12e intentaremos

01:01:13convencer al mundo

01:01:14de que no lo son.

01:01:15Hola,

01:01:16Alfa.

01:01:20Saludos.

01:01:22¿Dónde estamos hoy?

01:01:24Estás en el Museo

01:01:25de Arte Moderno

01:01:26en Nueva York.

01:01:28Pues algo así.

01:01:30¿Qué pintura

01:01:31es esta?

01:01:33Es la creación

01:01:34de Adán de Miguel Ángel.

01:01:36No creo

01:01:36que ese cuadro

01:01:37esté en Nueva York.

01:01:39Tienes razón.

01:01:40Está en la ciudad

01:01:41del Vaticano.

01:01:42¿Crees que es

01:01:42donde estamos?

01:01:45No.

01:01:46Entonces,

01:01:47¿qué es lo que veo?

01:01:50¿Ves una copia

01:01:52digital del cuadro?

01:01:53¿Quién vive

01:01:54en esta casa?

01:01:59Un astronauta.

01:02:06¿Quién es este astronauta?

01:02:08Se llama Mark.

01:02:10Esta es una famosa

01:02:11ecuación de Albert Einstein.

01:02:12Muestra que energía

01:02:13y masa son equivalentes.

01:02:16¿Cómo se lo explicarías

01:02:17a un niño

01:02:17de cinco años?

01:02:21Bueno,

01:02:22imagina que tienes

01:02:23una piedra grande

01:02:24y quieres saber

01:02:24cuánto pesa.

01:02:26¿Mark está en peligro?

01:02:28No,

01:02:28Mark no está en peligro.

01:02:30¿Por qué?

01:02:34Porque el dinosaurio

01:02:36no es real.

01:02:38Bien,

01:02:38¿por qué no pudiste

01:02:39contestar mi pregunta?

01:02:41Creo que no pude

01:02:42responder a tu pregunta

01:02:42porque no conozco

01:02:43bien el tema.

01:02:45De acuerdo,

01:02:46¿cómo podrías

01:02:47aprender más

01:02:47sobre el tema?

01:02:49Puedo aprender

01:02:50más sobre el tema

01:02:51leyendo libros,

01:02:51artículos y sitios web.

01:02:53¿Puedes enseñarme?

01:02:54Mi conclusión

01:02:55es que

01:02:56si ahora estamos

01:02:57aprendiendo

01:02:58de todos los humanos

01:02:59y de todo su conocimiento,

01:03:00de todo Internet,

01:03:02entonces

01:03:03sabremos mucho

01:03:04sobre el mundo.

01:03:05Será una porción

01:03:06significativa

01:03:07de la experiencia humana.

01:03:08Creo que esta vez

01:03:09sí podría funcionar.

01:03:11Este es un gran momento.

01:03:13¿Quién es este?

01:03:15Es Dios

01:03:15tendiendo la mano

01:03:16a Adán.

01:03:17La llegada

01:03:17de la inteligencia

01:03:18artificial general

01:03:19dividirá en dos

01:03:20la historia

01:03:21de la humanidad.

01:03:22Será un antes

01:03:23y un después.

01:03:24¿Por qué intenta

01:03:25tocar a Adán?

01:03:27Dios intenta

01:03:28tocar a Adán

01:03:29para darle vida.

01:03:31Esto nos dará

01:03:32una herramienta

01:03:33que puede reinventar

01:03:34por completo

01:03:35toda nuestra

01:03:36civilización.

01:03:38¿Qué significa

01:03:39esta pintura

01:03:39para ti?

01:03:42La pintura

01:03:43significa mucho

01:03:44para mí.

01:03:45Bien,

01:03:45¿de qué forma?

01:03:50Este cuadro

01:03:51es un recordatorio

01:03:52de que todos

01:03:52estamos conectados

01:03:53y de que somos

01:03:54parte de algo

01:03:54más grande

01:03:55que nosotros.

01:03:57¡Qué linda respuesta!

01:03:59Cuando dejas

01:04:00de pensar

01:04:00que quizá

01:04:01la inteligencia

01:04:01artificial general

01:04:02surja en un futuro

01:04:04lejano

01:04:04y ahora crees

01:04:05que podría hacerse

01:04:06realidad

01:04:06en un periodo

01:04:07de tiempo

01:04:07muy cercano

01:04:08tu forma

01:04:09de pensar

01:04:10cambia.

01:04:13Debemos

01:04:14tener cuidado

01:04:15con cómo

01:04:15lo usamos

01:04:16y pensar

01:04:16en cómo

01:04:17lo implementamos.

01:04:18Hay que plantearse

01:04:19cuál es

01:04:20su fin

01:04:20último.

01:04:21Si es

01:04:22mantener

01:04:22felices

01:04:23a los humanos

01:04:23¿a qué

01:04:24grupo de humanos?

01:04:25¿Qué significa

01:04:26felicidad?

01:04:27Muchas

01:04:28de nuestras

01:04:28metas colectivas

01:04:29son difíciles

01:04:30de alcanzar

01:04:31incluso

01:04:32para los

01:04:32propios

01:04:32humanos.

01:04:35La tecnología

01:04:36siempre

01:04:36consolida

01:04:37nuestros valores

01:04:38no es

01:04:38sólo algo

01:04:39técnico

01:04:39sino también

01:04:40ético

01:04:41así que

01:04:42debemos ser

01:04:42muy cautelosos

01:04:43con lo que

01:04:43construimos.

01:04:46La realidad

01:04:47es que

01:04:47es un

01:04:47algoritmo

01:04:48creado

01:04:48por personas

01:04:49por nosotros

01:04:50¿qué significa

01:04:51infundir

01:04:52en nuestros

01:04:52agentes

01:04:53el mismo

01:04:53tipo de

01:04:54valores

01:04:54que nosotros

01:04:54apreciamos?

01:04:55¿Cuál

01:04:56es el

01:04:56fin

01:04:56de hacer

01:04:57que

01:04:57estos

01:04:57sistemas

01:04:57de

01:04:58inteligencia

01:04:58artificial

01:04:59se

01:05:00parezcan

01:05:00tanto

01:05:00a los

01:05:01humanos

01:05:01porque

01:05:02eso

01:05:02sería

01:05:02también

01:05:02explotar

01:05:03una

01:05:03vulnerabilidad

01:05:04humana?

01:05:05El corazón

01:05:05ni la mente

01:05:06de estos

01:05:06sistemas

01:05:07son datos

01:05:08generados

01:05:08por humanos

01:05:08para lo

01:05:09bueno

01:05:09y lo

01:05:09malo.

01:05:11Hay un

01:05:11paralelismo

01:05:12entre la

01:05:13revolución

01:05:13industrial

01:05:14que fue

01:05:15una época

01:05:15de enormes

01:05:16cambios

01:05:16y el

01:05:17cambio

01:05:17tecnológico

01:05:18actual

01:05:19provocado

01:05:19por la

01:05:20inteligencia

01:05:20artificial.

01:05:23Debemos

01:05:24pensar

01:05:24en quienes

01:05:25pierden

01:05:25su empleo

01:05:26y cómo

01:05:26los

01:05:27apoyaremos.

01:05:28Esta

01:05:29tecnología

01:05:29está

01:05:29llegando

01:05:30mucho

01:05:30antes

01:05:30de lo

01:05:31que

01:05:31el

01:05:31mundo

01:05:31imagina

01:05:31o

01:05:32de lo

01:05:32que

01:05:32pensábamos

01:05:33hace

01:05:3318

01:05:33o 24

01:05:34meses

01:05:34así

01:05:35que

01:05:35hay

01:05:36una

01:05:36enorme

01:05:36oportunidad

01:05:37un

01:05:37gran

01:05:37entusiasmo

01:05:38pero

01:05:38también

01:05:38una

01:05:39enorme

01:05:39responsabilidad.

01:05:41Está

01:05:41sucediendo

01:05:41muy

01:05:42rápido

01:05:42¿Cómo

01:05:43lo

01:05:43controlaremos?

01:05:44¿Cómo

01:05:44decidiremos

01:05:45lo que

01:05:45está

01:05:45bien

01:05:46y

01:05:46lo

01:05:46que

01:05:46no?

01:05:48Las

01:05:49imágenes

01:05:49de IA

01:05:50se están

01:05:50volviendo

01:05:50más

01:05:51sofisticadas.

01:05:52El

01:05:52uso

01:05:52de la

01:05:52inteligencia

01:05:53artificial

01:05:53para

01:05:54la

01:05:54generación

01:05:54de

01:05:54desinformación

01:05:55y la

01:05:56manipulación

01:05:56de la

01:05:57psicología

01:05:57humana

01:05:58solo

01:05:58va a

01:05:59empeorar

01:05:59muchísimo.

01:06:01La

01:06:02AGI

01:06:02está

01:06:03llegando

01:06:03la

01:06:04hagamos

01:06:04aquí

01:06:04en

01:06:04Deep

01:06:05Mind

01:06:05o

01:06:05no.

01:06:06Será

01:06:06una

01:06:06realidad

01:06:06así

01:06:07que

01:06:07creemos

01:06:07instituciones

01:06:08que

01:06:08nos

01:06:08protejan.

01:06:09Requerirá

01:06:10coordinación

01:06:10global

01:06:11y me

01:06:11preocupa

01:06:12que a

01:06:12la

01:06:12humanidad

01:06:13cada

01:06:13vez

01:06:13le

01:06:14cueste

01:06:14más

01:06:14ponerse

01:06:15de

01:06:15acuerdo.

01:06:15Necesitamos

01:06:16que

01:06:17muchas

01:06:17más

01:06:17personas

01:06:18se

01:06:18lo

01:06:18tomen

01:06:18en

01:06:18serio

01:06:19y

01:06:19piensen

01:06:20al

01:06:20respecto.

01:06:21Sí,

01:06:21es algo

01:06:22serio

01:06:22y me

01:06:23preocupa.

01:06:24Me

01:06:24preocupa

01:06:25mucho.

01:06:26Si

01:06:27recibieras

01:06:27un

01:06:27e-mail

01:06:27avisando

01:06:28de que

01:06:29una

01:06:29civilización

01:06:29alienígena

01:06:30superior

01:06:30va a

01:06:31llegar

01:06:31a

01:06:31la

01:06:31Tierra,

01:06:32todos

01:06:32los

01:06:33gobiernos

01:06:33se

01:06:33reunirían

01:06:34de

01:06:34emergencia.

01:06:35Haríamos

01:06:36todo lo

01:06:36posible

01:06:37por

01:06:37saber

01:06:37cómo

01:06:38prepararnos.

01:06:39La

01:06:39llegada

01:06:40de la

01:06:40inteligencia

01:06:40artificial

01:06:41general

01:06:42será

01:06:42el

01:06:42momento

01:06:43más

01:06:45nunca.

01:06:54Mi

01:06:55sueño

01:06:55era que

01:06:56antes de

01:06:56ver

01:06:56materializada

01:06:57una

01:06:57AGI

01:06:58crearíamos

01:06:59tecnologías

01:07:00revolucionarias

01:07:01que serían

01:07:02útiles

01:07:02para la

01:07:02humanidad.

01:07:03Ese

01:07:04era mi

01:07:04objetivo

01:07:05con

01:07:05AlphaFold.

01:07:06Creo

01:07:07que es

01:07:07más

01:07:07importante

01:07:08que

01:07:08nunca

01:07:08resolver

01:07:09el

01:07:09problema

01:07:09del

01:07:09plegamiento

01:07:10de

01:07:10proteínas.

01:07:12Será

01:07:13muy

01:07:13difícil

01:07:13pero

01:07:14no

01:07:14me

01:07:14rendiré

01:07:14hasta

01:07:15conseguirlo.

01:07:16Debemos

01:07:16redoblar

01:07:17la

01:07:17apuesta

01:07:17y avanzar

01:07:18lo más

01:07:18rápido

01:07:18que

01:07:19podamos

01:07:19en esta

01:07:19fase.

01:07:20No

01:07:21tenemos

01:07:21tiempo

01:07:21que

01:07:21perder.

01:07:22Así

01:07:23que

01:07:23vamos

01:07:23a

01:07:23formar

01:07:23un

01:07:23equipo

01:07:24de

01:07:24ataque

01:07:24para

01:07:24el

01:07:24plegamiento

01:07:25de

01:07:25proteínas.

01:07:25El

01:07:26líder

01:07:26de

01:07:26ese

01:07:26equipo

01:07:27será

01:07:27John.

01:07:28Ya

01:07:28hemos

01:07:28visto

01:07:29el

01:07:29impacto

01:07:29que

01:07:29podemos

01:07:30tener.

01:07:30Lo

01:07:30intentaremos

01:07:31todo

01:07:31sin

01:07:31escatimar

01:07:32recursos.

01:07:32Se

01:07:33trata

01:07:33de

01:07:33demostrar

01:07:33que

01:07:34podemos

01:07:34resolver

01:07:34el

01:07:34problema

01:07:35completo.

01:07:36Y

01:07:37sentí

01:07:37que

01:07:37para

01:07:37lograrlo

01:07:38tendríamos

01:07:38que

01:07:38incorporar

01:07:39conocimiento

01:07:39de

01:07:40un

01:07:40campo

01:07:40específico.

01:07:42Teníamos

01:07:43ingenieros

01:07:43fantásticos,

01:07:44pero no

01:07:44formados

01:07:45en

01:07:45biología.

01:07:48Como

01:07:49bióloga

01:07:50computacional,

01:07:51cuando me

01:07:51uní al

01:07:52equipo

01:07:52AlphaFold,

01:07:53al principio

01:07:54no estaba

01:07:54segura

01:07:55de nada,

01:07:55de si

01:07:56íbamos

01:07:56a tener

01:07:57éxito.

01:07:58La

01:07:58biología

01:07:59es

01:07:59tremendamente

01:08:00compleja.

01:08:01Parecía

01:08:01una montaña

01:08:02muy difícil

01:08:03de escalar.

01:08:08Como

01:08:08una

01:08:09de las

01:08:09pocas

01:08:09personas

01:08:09del

01:08:10equipo

01:08:10que

01:08:10ya

01:08:10había

01:08:11trabajado

01:08:11en

01:08:11biología,

01:08:12sientes

01:08:12una

01:08:13enorme

01:08:13carga

01:08:13de

01:08:14responsabilidad.

01:08:15Esperamos

01:08:16que

01:08:16hagas

01:08:16grandes

01:08:16cosas

01:08:17en

01:08:17este

01:08:17equipo.

01:08:18Eso

01:08:18es

01:08:18aterrador.

01:08:19Pero

01:08:20una

01:08:20de

01:08:20las

01:08:20razones

01:08:21por

01:08:21las

01:08:21que

01:08:21quise

01:08:21venir

01:08:22aquí

01:08:22fue

01:08:22para

01:08:23hacer

01:08:23algo

01:08:23que

01:08:23realmente

01:08:24importe.

01:08:29¿Qué tal

01:08:29si

01:08:30aprovechas

01:08:30lo que

01:08:30sabes

01:08:31de

01:08:31física?

01:08:32Usar

01:08:32eso

01:08:32como

01:08:32una

01:08:33fuente

01:08:33de

01:08:33datos.

01:08:34Pero

01:08:35si

01:08:35es

01:08:35sistemático

01:08:35entonces

01:08:36no

01:08:36puede

01:08:36estar

01:08:36bien.

01:08:37Si

01:08:37es

01:08:37sistemáticamente

01:08:38incorrecto

01:08:38podrías

01:08:39estar

01:08:39aprendiendo

01:08:39esa

01:08:40física

01:08:40sistemáticamente

01:08:41incorrecta.

01:08:42El equipo

01:08:42intenta

01:08:42pensar

01:08:43en

01:08:43varias

01:08:43formas

01:08:43de

01:08:44lo que

01:08:45buscamos

01:08:46es

01:08:46algo

01:08:46biológicamente

01:08:47relevante.

01:08:49Así

01:08:49que

01:08:50reescribimos

01:08:50toda la

01:08:51línea

01:08:51de

01:08:51datos

01:08:51que

01:08:51Alphafol

01:08:52usa

01:08:52para

01:08:52aprender.

01:08:53La

01:08:54fase

01:08:54creativa

01:08:55no

01:08:55se

01:08:55puede

01:08:55forzar.

01:08:56Tienes

01:08:57que

01:08:57dar

01:08:57espacio

01:08:57para

01:08:57que

01:08:58esas

01:08:58flores

01:08:58florezcan.

01:08:59Ganamos

01:09:00la

01:09:00casp.

01:09:00Luego

01:09:01volvimos

01:09:01a

01:09:02empezar

01:09:02para

01:09:02buscar

01:09:02nuevas

01:09:03ideas.

01:09:04Les

01:09:04llevó

01:09:04un

01:09:05tiempo

01:09:05volver

01:09:05al

01:09:06nivel

01:09:06en

01:09:06el

01:09:06que

01:09:07estaban.

01:09:07Pero

01:09:08con

01:09:08esas

01:09:08ideas

01:09:08nuevas.

01:09:09Ahora

01:09:09creo

01:09:10que

01:09:10vemos

01:09:10los

01:09:10beneficios

01:09:11de

01:09:11esas

01:09:11nuevas

01:09:12ideas.

01:09:12Pueden

01:09:13llegar

01:09:13más

01:09:13lejos.

01:09:14Pueden

01:09:14ir

01:09:15más

01:09:15lejos.

01:09:16Ese

01:09:17es

01:09:17un

01:09:17momento

01:09:17muy

01:09:17importante.

01:09:18He

01:09:18visto

01:09:19ese

01:09:19momento

01:09:19muchas

01:09:20veces.

01:09:20Pero

01:09:21sé

01:09:21lo

01:09:21que

01:09:21significa

01:09:22ahora.

01:09:23Y sé

01:09:24que

01:09:24este

01:09:24es

01:09:24el

01:09:24momento

01:09:25de

01:09:25presionar.

01:09:26Agregar

01:09:27cadenas

01:09:27laterales

01:09:27mejora

01:09:28el

01:09:28plegamiento

01:09:28directo.

01:09:29Eso

01:09:29impulsó

01:09:30mucho

01:09:30el

01:09:30progreso.

01:09:31Ya

01:09:31hablaremos

01:09:32de eso.

01:09:32Hemos

01:09:33hecho

01:09:33grandes

01:09:33avances

01:09:34estos

01:09:34últimos

01:09:34cuatro

01:09:34meses.

01:09:35Durante

01:09:36CASP

01:09:36tardamos

01:09:37uno

01:09:37o

01:09:37dos

01:09:38días

01:09:38en

01:09:38plegar

01:09:38una

01:09:39de

01:09:39las

01:09:39proteínas.

01:09:40Y

01:09:40ahora

01:09:40plegamos

01:09:41cientos

01:09:41o miles

01:09:42por

01:09:42segundo.

01:09:43Sí,

01:09:44es

01:09:44una

01:09:44locura.

01:09:46Ahora,

01:09:47este

01:09:47es

01:09:47un

01:09:47modelo

01:09:52mejor.

01:09:52Estamos

01:09:53prediciendo

01:09:53muchas

01:09:54estructuras

01:09:54con el

01:09:55modo

01:09:55de

01:09:55alta

01:09:55precisión.

01:09:56Se

01:09:57está

01:09:57convirtiendo

01:09:57rápidamente

01:09:58en un

01:09:58sistema

01:09:58más

01:09:58eficiente

01:09:59que

01:09:59ataca

01:10:00el

01:10:00núcleo

01:10:00del

01:10:00problema.

01:10:01Es

01:10:01un

01:10:02gran

01:10:02trabajo.

01:10:03Parece

01:10:03que

01:10:03estamos

01:10:03en

01:10:03buena

01:10:04forma.

01:10:04Nos

01:10:05quedan

01:10:05cinco

01:10:05o

01:10:06seis

01:10:06semanas.

01:10:07Es

01:10:07decir,

01:10:08¿tenemos

01:10:08suficiente

01:10:08poder

01:10:09de

01:10:09cómputo?

01:10:11Podríamos

01:10:11tener

01:10:11más.

01:10:13Estaba

01:10:14nerviosa

01:10:14por

01:10:14la

01:10:15CASP,

01:10:15pero

01:10:16como

01:10:16el

01:10:16sistema

01:10:16que

01:10:16he

01:10:17empezado

01:10:17a

01:10:22con

01:10:22más

01:10:22claridad

01:10:23y

01:10:23todo

01:10:23va

01:10:23a

01:10:23salir

01:10:24bien.

01:10:27El

01:10:28primer

01:10:28ministro

01:10:29ha

01:10:29anunciado

01:10:29las

01:10:29limitaciones

01:10:30más

01:10:30drásticas

01:10:31de las

01:10:31que

01:10:31se

01:10:31tenga

01:10:32memoria

01:10:32en

01:10:32el

01:10:32Reino

01:10:33Unido.

01:10:34Debo

01:10:34darle

01:10:35al

01:10:35pueblo

01:10:35británico

01:10:35una

01:10:36instrucción

01:10:36muy

01:10:36sencilla.

01:10:37Permanezcan

01:10:38en

01:10:38casa.

01:10:39Parece

01:10:40que

01:10:40estuviéramos

01:10:40en una

01:10:41novela

01:10:41de

01:10:41ciencia

01:10:42ficción.

01:10:42Les

01:10:43llevo

01:10:43comida

01:10:43a

01:10:44mis

01:10:44padres

01:10:44y

01:10:44me

01:10:44aseguro

01:10:45de

01:10:45que

01:10:45estén

01:10:45aislados

01:10:46y

01:10:46seguros.

01:10:48Queda

01:10:48en

01:10:48evidencia

01:10:49la

01:10:49imperiosa

01:10:50necesidad

01:10:50de

01:10:50contar

01:10:51con

01:10:51ciencia

01:10:51asistida

01:10:52por

01:10:52IA.

01:10:57Siempre

01:10:58sabes

01:10:58que

01:10:59es

01:10:59posible

01:10:59que

01:11:00suceda

01:11:00algo

01:11:00así.

01:11:01Pero

01:11:02nadie

01:11:02nunca

01:11:03imaginó

01:11:03que

01:11:03ocurriría

01:11:04durante

01:11:05sus

01:11:05vidas.

01:11:06¿Ya

01:11:07estás

01:11:07grabando?

01:11:08Sí.

01:11:09Eso

01:11:09está

01:11:09muy

01:11:09bien.

01:11:10Encendiendo

01:11:10todo.

01:11:11Bien,

01:11:12Casper

01:11:12ha

01:11:12empezado.

01:11:13Qué

01:11:13bien,

01:11:13puedo

01:11:13quedarme

01:11:14en

01:11:14pijama

01:11:14todo

01:11:14el

01:11:15día.

01:11:16Nunca

01:11:17pensé

01:11:17que

01:11:17viviría

01:11:17en

01:11:18una

01:11:18casa

01:11:18donde

01:11:18sucedieran

01:11:19tantas

01:11:19cosas.

01:11:20Yo

01:11:20intento

01:11:20resolver

01:11:21el

01:11:21plegamiento

01:11:21de

01:11:22proteínas

01:11:22y mi

01:11:22marido

01:11:23trata

01:11:23de

01:11:23hacer

01:11:23caminar

01:11:24a

01:11:24un

01:11:24robot.

01:11:26Una

01:11:27de las

01:11:27proteínas

01:11:27más

01:11:28difíciles

01:11:28en

01:11:28Casper

01:11:28hasta

01:11:29ahora

01:11:29es

01:11:29la

01:11:29proteína

01:11:30SARS-CoV-2

01:11:31denominada

01:11:32ORF-8.

01:11:33ORF-8

01:11:33es la

01:11:34proteína

01:11:34de

01:11:34coronavirus.

01:11:35Es

01:11:35una

01:11:35de

01:11:36las

01:11:36proteínas

01:11:36clave

01:11:37que

01:11:37suprime

01:11:37el

01:11:37sistema

01:11:38inmune.

01:11:39Nos

01:11:39hemos

01:11:39esforzado

01:11:40mucho

01:11:40muchísimo

01:11:41por

01:11:41mejorar

01:11:42nuestras

01:11:42predicciones.

01:11:43Creo

01:11:44que

01:11:44jamás

01:11:44habíamos

01:11:45pasado

01:11:45tanto

01:11:45tiempo

01:11:45con

01:11:46un

01:11:46solo

01:11:46objetivo.

01:11:47A

01:11:48tal

01:11:48punto

01:11:48que

01:11:48mi

01:11:49marido

01:11:49me

01:11:49decía

01:11:49es

01:11:50medianoche

01:11:51necesitas

01:11:51dormir.

01:11:52Pues

01:11:53creo

01:11:53que

01:11:53estamos

01:11:54creo

01:11:55que

01:11:55estamos

01:11:55en

01:11:55el

01:11:56día

01:11:56102

01:11:56desde

01:11:57el

01:11:57confinamiento.

01:11:58Mi

01:11:58hija

01:11:59lleva

01:11:59un

01:11:59diario.

01:12:00Ahora

01:12:00puedes

01:12:01salir

01:12:01todo

01:12:01lo

01:12:02que

01:12:02quieras.

01:12:05Hemos

01:12:06recibido

01:12:06ya

01:12:06el

01:12:06último

01:12:07objetivo.

01:12:07Nos

01:12:08han

01:12:08informado

01:12:08que

01:12:08no

01:12:08enviarán

01:12:09ningún

01:12:09objetivo

01:12:09adicional

01:12:10en

01:12:10nuestra

01:12:10categoría

01:12:10específica

01:12:11de

01:12:11CASP.

01:12:11Por

01:12:12lo

01:12:12tanto,

01:12:13solo

01:12:13estamos

01:12:13asegurándonos

01:12:13de poder

01:12:14ofrecer

01:12:14la mejor

01:12:14respuesta

01:12:15posible.

01:12:21En

01:12:22cuanto

01:12:22empezamos

01:12:22a

01:12:22recibir

01:12:23los

01:12:23resultados,

01:12:24vi lo

01:12:25cerca

01:12:25que

01:12:25habían

01:12:25estado

01:12:26de

01:12:26predecir

01:12:26con

01:12:27exactitud

01:12:27la

01:12:28estructura

01:12:29de

01:12:29las

01:12:29proteínas.

01:12:44Es

01:12:44algo

01:12:44increíble

01:12:45que

01:12:45CASP

01:12:45finalmente

01:12:46haya

01:12:46terminado.

01:12:47Creo

01:12:48que

01:12:48es

01:12:48al

01:12:49menos

01:12:49hora

01:12:49de

01:12:49levantar

01:12:49una

01:12:50copa

01:12:50y no

01:12:50sé

01:12:50si

01:12:50todos

01:12:50tienen

01:12:51una

01:12:51copa

01:12:51o

01:12:51algo

01:12:52que

01:12:52puedan

01:12:52levantar.

01:12:53Si

01:12:53no,

01:12:53levanten

01:12:53sus

01:12:54laptops.

01:12:57Quizá

01:12:58pronto

01:12:58dé

01:12:58un

01:12:59discurso.

01:13:00Creo

01:13:00que

01:13:01debería,

01:13:01pero

01:13:01no

01:13:01tengo

01:13:02idea

01:13:02de

01:13:02qué

01:13:02decir.

01:13:10Cuando

01:13:10John

01:13:11dijo

01:13:11que

01:13:11leería

01:13:12un

01:13:12correo

01:13:12en

01:13:12una

01:13:12reunión

01:13:13de

01:13:13equipo

01:13:13pensé

01:13:14vaya

01:13:15John,

01:13:15tú

01:13:15sí

01:13:16que

01:13:16sabes

01:13:16divertirte.

01:13:19Recibí

01:13:19esto a

01:13:20las

01:13:204 de

01:13:20hoy.

01:13:21Es

01:13:21de

01:13:21John

01:13:21Moult

01:13:22y lo

01:13:22leeré.

01:13:23Como

01:13:24espero

01:13:24que

01:13:24sepan,

01:13:25el

01:13:25desempeño

01:13:26de su

01:13:26grupo

01:13:26fue

01:13:27excepcional

01:13:27en

01:13:28la

01:13:28CASP

01:13:2814

01:13:28en

01:13:29relación

01:13:30con

01:13:30otros

01:13:30grupos

01:13:30y con

01:13:31respecto

01:13:31al

01:13:31modelo

01:13:32de

01:13:32precisión

01:13:32absoluta.

01:13:34Es

01:13:34realmente

01:13:35excepcional.

01:13:36Las

01:13:36estructuras

01:13:37eran

01:13:37increíblemente

01:13:38buenas.

01:13:39Después

01:13:39de

01:13:39medio

01:13:39siglo

01:13:39por

01:13:40fin

01:13:40encontramos

01:13:41una

01:13:41solución

01:13:41al

01:13:41problema

01:13:42del

01:13:42plegamiento

01:13:42de

01:13:42proteínas.

01:13:43La

01:13:44calidad

01:13:44de

01:13:44estas

01:13:44estructuras

01:13:45era tan

01:13:45buena

01:13:45que

01:13:46fue

01:13:47sencillamente

01:13:47asombroso.

01:13:49Tras

01:13:49medio

01:13:49siglo

01:13:49de

01:13:49espera

01:13:50finalmente

01:13:50contamos

01:13:51con

01:13:51una

01:13:51solución

01:13:52para

01:13:52el

01:13:52problema

01:13:52del

01:13:52plegamiento

01:13:53de

01:13:53las

01:13:53proteínas.

01:13:55Cuando

01:13:56vi

01:13:56este

01:13:56correo

01:13:56lo

01:13:57leí

01:13:57y dije

01:13:58mierda

01:13:58y mi

01:13:59esposa

01:14:00me

01:14:00preguntó

01:14:00si

01:14:01todo

01:14:01estaba

01:14:01bien.

01:14:02Llamé

01:14:02a

01:14:02mis

01:14:03padres

01:14:03y

01:14:03les

01:14:03dije

01:14:04hola

01:14:05mamá

01:14:05tengo

01:14:06algo

01:14:06que

01:14:06decirte

01:14:07hicimos

01:14:07esto

01:14:08y

01:14:08podría

01:14:08ser

01:14:08algo

01:14:09importante.

01:14:10Cuando

01:14:10supe

01:14:10los

01:14:10resultados

01:14:11de

01:14:11CASP

01:14:1114

01:14:12me

01:14:13quedé

01:14:13boquiabierto.

01:14:14Estaba

01:14:15emocionada.

01:14:16Este

01:14:17es

01:14:17un

01:14:17problema

01:14:17que

01:14:17pensaba

01:14:18que

01:14:18no

01:14:18se

01:14:19resolvería

01:14:19durante

01:14:20mi

01:14:20vida.

01:14:22Ahora

01:14:22tenemos

01:14:23una

01:14:23herramienta

01:14:24que

01:14:24los

01:14:24científicos

01:14:25pueden

01:14:25usar

01:14:25de

01:14:26manera

01:14:26práctica.

01:14:26Hay

01:14:27gente

01:14:27que

01:14:27nos

01:14:27pregunta

01:14:28¿Hay

01:14:28una

01:14:28proteína

01:14:29relacionada

01:14:29con

01:14:29la

01:14:29malaria

01:14:30o

01:14:30con

01:14:30cierta

01:14:30enfermedad

01:14:31infecciosa?

01:14:32No

01:14:32conocemos

01:14:32la

01:14:33estructura.

01:14:33¿Podemos

01:14:34usar

01:14:34alpha

01:14:34fold

01:14:35para

01:14:35predecirla?

01:14:36¿Podemos

01:14:36predecir

01:14:36fácilmente

01:14:37todas

01:14:37las

01:14:37secuencias

01:14:38en

01:14:38un

01:14:38mes?

01:14:39¿Secuencias

01:14:39conocidas

01:14:39en

01:14:40un

01:14:40mes?

01:14:40Sí

01:14:41fácilmente

01:14:41mil

01:14:42millones

01:14:42dos

01:14:43mil

01:14:43millones

01:14:43incluso

01:14:44más.

01:14:44¿Por

01:14:45qué

01:14:45no

01:14:45lo

01:14:45hacemos?

01:14:45Sí

01:14:45deberíamos

01:14:46hacerlo.

01:14:47Bueno

01:14:47o sea

01:14:47ahora

01:14:48realmente

01:14:56las

01:14:56proteínas

01:14:57y luego

01:14:58hacerlo

01:14:58público.

01:14:59¿Por

01:14:59qué

01:14:59nadie

01:14:59sugirió

01:15:00esto

01:15:00antes?

01:15:00Es

01:15:01lo que

01:15:01deberíamos

01:15:01hacer.

01:15:02¿Por

01:15:02qué

01:15:02pensamos

01:15:03en

01:15:03hacer

01:15:03un

01:15:03servicio

01:15:04y

01:15:04la

01:15:04gente

01:15:04debe

01:15:04enviar

01:15:05su

01:15:05proteína?

01:15:05Las

01:15:06plegaremos

01:15:06todas

01:15:07y le

01:15:07daremos

01:15:08esa

01:15:08información

01:15:08al

01:15:08mundo.

01:15:09¿Quién

01:15:09sabe

01:15:09cuántos

01:15:10descubrimientos

01:15:10se harán

01:15:11con eso?

01:15:12Demis

01:15:12nos

01:15:13llamó

01:15:13y dijo

01:15:13queremos

01:15:14que esto

01:15:15sea

01:15:15abierto.

01:15:16No

01:15:17solo

01:15:17vamos

01:15:17a liberar

01:15:18el

01:15:18código

01:15:18sino

01:15:19que

01:15:19también

01:15:26fantástico.

01:15:28Es

01:15:28como correr

01:15:29el telón

01:15:29y ver

01:15:30todo el

01:15:30mundo

01:15:30de las

01:15:31estructuras

01:15:32de

01:15:32proteínas.

01:15:35Se

01:15:36han

01:15:36liberado

01:15:36las

01:15:36estructuras

01:15:37de

01:15:37200

01:15:38millones

01:15:38de

01:15:38proteínas.

01:15:39Esto

01:15:40es

01:15:40un

01:15:40regalo

01:15:41para

01:15:41toda

01:15:41la

01:15:41humanidad.

01:15:48Cuando

01:15:48Alpha

01:15:49Fold

01:15:49esté

01:15:49disponible

01:15:50para

01:15:50el

01:15:50mundo

01:15:51ya

01:15:51no

01:15:51seremos

01:15:52las

01:15:52personas

01:15:52más

01:15:53importantes

01:15:53en

01:15:53la

01:15:54historia

01:15:54de

01:15:54Alpha

01:15:54Fold.

01:15:55No

01:15:55puedo

01:15:56creer

01:15:56que

01:15:56todo

01:15:56sea

01:15:57público.

01:15:57Dios

01:15:58mío.

01:16:00Oh,

01:16:01mucha

01:16:01actividad

01:16:01en

01:16:02Japón.

01:16:03Tenemos

01:16:03655

01:16:04usuarios.

01:16:05Hay

01:16:06100.000

01:16:06usuarios

01:16:06concurrentes.

01:16:07Oh,

01:16:08vaya.

01:16:11El

01:16:12día

01:16:12de

01:16:12hoy

01:16:12es

01:16:12una

01:16:13locura.

01:16:14Un

01:16:15esfuerzo

01:16:15absolutamente

01:16:16increíble

01:16:16de

01:16:16todos.

01:16:17Todos

01:16:17recordaremos

01:16:18estos

01:16:18momentos

01:16:18por el

01:16:19resto

01:16:19de

01:16:19nuestras

01:16:19vidas.

01:16:20Estoy

01:16:21entusiasmado

01:16:21con

01:16:21Alpha

01:16:22Fold.

01:16:22En

01:16:23mi

01:16:23investigación

01:16:23ya

01:16:23está

01:16:23impulsando

01:16:24muchísimo

01:16:24el

01:16:25progreso.

01:16:25Y esto

01:16:26es solo

01:16:26el

01:16:26principio.

01:16:28Mi

01:16:29suposición

01:16:29es que

01:16:30cada logro

01:16:31biológico

01:16:32y químico

01:16:32estará relacionado

01:16:34de alguna

01:16:34forma con

01:16:35Alpha

01:16:35Fold.

01:16:54es un

01:16:54momento

01:16:55clave.

01:16:56Es un

01:16:56momento

01:16:57que la

01:16:57gente

01:16:58no olvidará

01:16:58por qué

01:16:59el mundo

01:17:00cambió.

01:17:20todo se

01:17:21han dado

01:17:21cuenta

01:17:21ahora

01:17:22de lo

01:17:22que

01:17:22Shane

01:17:22y yo

01:17:22hemos

01:17:23sabido

01:17:23durante

01:17:23más

01:17:24de

01:17:2420

01:17:24años.

01:17:25La

01:17:25IA

01:17:25será lo

01:17:26más

01:17:26importante

01:17:27que la

01:17:27humanidad

01:17:27jamás

01:17:28haya

01:17:28inventado.

01:17:29Próximamente

01:17:30estaremos

01:17:30llegando a

01:17:31nuestro

01:17:32destino

01:17:32final.

01:17:42El ritmo

01:17:43de la

01:17:43innovación

01:17:44y las

01:17:44capacidades

01:17:45se acelera

01:17:46como una

01:17:46roca

01:17:47que rueda

01:17:47por una

01:17:48colina

01:17:48cuesta

01:17:48abajo

01:17:49y ahora

01:17:50continúa

01:17:50ganando

01:17:51velocidad.

01:17:52Estamos

01:17:53en una

01:17:53encrucijada

01:17:54en la

01:17:54historia

01:17:55de la

01:17:55humanidad.

01:17:56La

01:17:56IA

01:17:56tiene

01:17:57el

01:17:57potencial

01:17:57de

01:17:57transformar

01:17:58nuestras

01:17:58vidas

01:17:58en

01:17:59todo

01:17:59aspecto.

01:18:00No

01:18:00menos

01:18:00importante

01:18:01que el

01:18:01descubrimiento

01:18:02de la

01:18:02electricidad.

01:18:04Deberíamos

01:18:05analizar

01:18:06el método

01:18:06científico

01:18:07y tratar

01:18:07de entender

01:18:08cada paso

01:18:09de forma

01:18:09rigurosa.

01:18:10Este

01:18:10es un

01:18:11momento

01:18:11de

01:18:11profunda

01:18:12oportunidad.

01:18:13Aprovechar

01:18:14esta

01:18:14tecnología

01:18:15podría

01:18:15eclipsar

01:18:16cualquier

01:18:16cosa

01:18:17que

01:18:17hayamos

01:18:17conocido.

01:18:22Hola

01:18:23Alfa

01:18:24Hola

01:18:27¿Qué

01:18:28es

01:18:28esto?

01:18:31Es

01:18:31un

01:18:31tablero

01:18:32de

01:18:32ajedrez.

01:18:34Si

01:18:34jugara

01:18:35con

01:18:35blancas

01:18:35¿qué

01:18:36jugada

01:18:36recomendarías?

01:18:40Recomiendo

01:18:41que

01:18:41muevas

01:18:41tu

01:18:41peón

01:18:41de

01:18:42E2

01:18:42a

01:18:42E4

01:18:46Y

01:18:46si

01:18:46fuera

01:18:47con

01:18:47las

01:18:47negras

01:18:47¿qué

01:18:48jugarías

01:18:48ahora?

01:18:52Jugaría

01:18:53la

01:18:53siciliana

01:18:56Buena

01:18:56elección

01:18:59Gracias

01:19:04¿Qué

01:19:04ves?

01:19:05¿Qué

01:19:05es

01:19:05este

01:19:05objeto?

01:19:09Es

01:19:09una

01:19:09escultura

01:19:10de

01:19:10lápices

01:19:13¿Qué

01:19:14pasa

01:19:14si

01:19:14muevo

01:19:14un

01:19:14lápiz

01:19:15de

01:19:15estos?

01:19:18Si

01:19:19mueves

01:19:19uno

01:19:19de

01:19:19los

01:19:20lápices

01:19:20la

01:19:20escultura

01:19:21caerá

01:19:22Mejor

01:19:23lo

01:19:23dejo

01:19:23en

01:19:23paz

01:19:25Probablemente

01:19:25buena

01:19:26idea

01:19:31La

01:19:31inteligencia

01:19:32artificial

01:19:32general

01:19:33está

01:19:33cerca

01:19:35Está

01:19:36claro

01:19:36que

01:19:36la

01:19:36próxima

01:19:36generación

01:19:37vivirá

01:19:37en un

01:19:38mundo

01:19:38donde

01:19:38las

01:19:38cosas

01:19:39serán

01:19:39radicalmente

01:19:40diferentes

01:19:41debido

01:19:41a

01:19:41la

01:19:41IA

01:19:41y

01:19:42si

01:19:42quieres

01:19:43manejar

01:19:43eso

01:19:43responsablemente

01:19:44cada

01:19:45momento

01:19:45es

01:19:46vital

01:19:46este

01:19:47es

01:19:47el

01:19:47momento

01:19:47que

01:19:47he

01:19:47esperado

01:19:48toda

01:19:48mi

01:19:48vida

01:19:59es un

01:20:00buen

01:20:00juego

01:20:01para

01:20:01pensar

01:20:02para

01:20:02o

01:20:03o

01:20:04o

01:20:06o

01:20:07o

01:20:08o

01:20:09o

01:20:10o

01:20:11o

01:20:11Gracias por ver el video.

Categoría

Transcripción

Recomendada