Pasado, Presente y Futuro de la IA - ¡Del Deep Learning 1.0 a Google Gemini!

Summary

El video discute la evolución de la Inteligencia Artificial (IA), destacando la revolución del Machine Learning y el Deep Learning. Se menciona el paso del Deep Learning 1.0, caracterizado por modelos específicos para una sola tarea, al 2.0, donde modelos como GPT-3 pueden realizar múltiples tareas. Se anticipa el Deep Learning 3.0, con IA que aprende sin datos previos, explorando y descubriendo nuevas estrategias. Los avances en robótica impulsados por el aprendizaje por refuerzo y la ciencia acelerada por IA son parte del futuro prometedor de la tecnología.

Takeaways

• 🚀 La inteligencia artificial (IA) ha alcanzado un potencial máximo en los últimos años, llegando a más usuarios y generando expectativas sobre su impacto disruptivo.
• 🤖 El machine learning, una rama de la IA, ha sido investigada desde casi los inicios de la computación y ha detonado la revolución de la IA en los últimos años.
• 📈 El deep learning, que utiliza redes neuronales artificiales, comenzó su auge en 2012 y ha evolucionado considerablemente desde entonces.
• 🌱 El aprendizaje supervisado, en el que las redes neuronales se entrenan para resolver una tarea específica, presenta la limitación de depender de conjuntos de datos etiquetados.
• 🔄 La tendencia de utilizar modelos pre-entrenados ha permitido a las redes neuronales adaptarse a múltiples tareas, lo que se conoce como aprendizaje 2.0.
• 📚 Los modelos de lenguaje enormes, como GPT-3, pueden manejar múltiples funciones lingüísticas, desde analizar sentimientos hasta traducir texto.
• 🎨 Los modelos generativos han evolucionado para no solo generar una sola cosa, sino todo, como en el caso de DALL-E y Stable Diffusion.
• 🤖 El aprendizaje auto-supervisado permite a las máquinas aprender sin la necesidad de datos etiquetados por humanos, superando el cuello de botella de la etiquetación.
• 🌐 Los datos sintéticos generados por modelos de IA son utilizados para entrenar modelos aún más potentes, iniciando un ciclo virtuoso de mejora continua.
• 🧠 La multimodalidad en el deep learning permite a las IA aprender de diferentes fuentes de datos, como imágenes, audio y texto, para una comprensión más rica y cohesionada del mundo.
• 🤖 El aprendizaje por refuerzo, especialmente impulsado por DeepMind, ha demostrado su efectividad en áreas como la robótica y la optimización de algoritmos, y podría ser la pieza clave en el deep learning 3.0.

Q & A

¿Cuál es el tema central del video?

El tema central es el futuro de la Inteligencia Artificial, específicamente la evolución de la inteligencia artificial desde la Machine Learning hasta los avances en el aprendizaje por refuerzo y la robótica impulsada por IA.

¿Qué evento marcó el inicio del boom de la inteligencia artificial en 2012?

El boom de la inteligencia artificial en 2012 se marcó por el uso efectivo de redes neuronales artificiales para el proceso de aprendizaje automático, conocido como Deep Learning.

¿Cuál es la principal limitación del aprendizaje supervisado?

La principal limitación del aprendizaje supervisado es la dependencia de contar con un conjunto de datos etiquetados de forma adecuada, lo que a menudo se convierte en un cuello de botella debido a la limitación del etiquetador humano.

¿Qué es el aprendizaje por refuerzo y cómo se diferencia del aprendizaje supervisado?

El aprendizaje por refuerzo es una técnica en la que la inteligencia artificial aprende explorando sus posibilidades y descubriendo nuevas estrategias a través del ensayo y error, sin necesidad de datos previamente etiquetados, lo que lo distingue del aprendizaje supervisado.

¿Cómo podrían los modelos generativos, como GPT, influir en el futuro del entrenamiento de IA?

Los modelos generativos podrían influir en el entrenamiento de IA al generar datos sintéticos que podrían ser utilizados para entrenar a otros modelos más potentes, iniciando un ciclo virtuoso de mejora continua en la calidad de los datos de entrenamiento.

¿Qué es la multitarea en el contexto del aprendizaje profundo?

La multitarea en el contexto del aprendizaje profundo se refiere a la capacidad de una red neuronal o modelo de inteligencia artificial para resolver múltiples tareas diferentes, en lugar de estar limitado a una tarea específica.

¿Qué es la multimodalidad en el aprendizaje profundo y cómo ayuda a la IA?

La multimodalidad en el aprendizaje profundo es la capacidad de una red neuronal para nutrirse de múltiples fuentes de datos de distinta naturaleza, como imágenes, audios, vídeos y textos. Esto permite a la IA aprender una representación más cohesionada y completa del mundo real.

¿Qué es Deep Learning 3.0 y cómo se diferencia de sus versiones anteriores?

Deep Learning 3.0 se refiere a la próxima etapa en el desarrollo de la inteligencia artificial, que podría involucrar el entrenamiento de IA con datos generados por máquinas o el uso de técnicas avanzadas como el aprendizaje por refuerzo y la robótica. Se diferencia de las versiones anteriores al enfocarse en la generación de conocimiento y soluciones innovadoras sin depender exclusivamente de datos etiquetados por humanos.

¿Cómo podría la IA impulsar avances científicos en el futuro?

La IA podría impulsar avances científicos al utilizar modelos fundacionales capaces de desarrollar teorías matemáticas, definir nuevas teorías y construir sobre las teorías anteriores de forma autónoma, lo que podría llevar a la creación de nuevas ramas de las matemáticas y nuevos problemas.

¿Qué papel desempeñan las empresas como Deep Mind y OpenAI en el desarrollo de la IA?

Deep Mind y OpenAI son líderes en el campo de la IA, impulsando avances en áreas como el aprendizaje por refuerzo, la robótica e impulso de la ciencia con Deep Learning. OpenAI ha sido particularmente destacada en el desarrollo de modelos fundacionales en el aprendizaje profundo, mientras que Deep Mind ha sido un pionero en el aprendizaje por refuerzo y la IA general.

¿Qué es la 'Bestia Géminis' y cómo podría influir en el futuro de la IA?

La 'Bestia Géminis' es un proyecto de Google, liderado por Deep Mind, que se espera sea una combinación de tecnologías de aprendizaje por refuerzo y capacidades lingüísticas avanzadas. Su desarrollo podría marcar una transición hacia el Deep Learning 3.0 y ser una gran apuesta en la creación de modelos de IA más potentes y versátiles.

Outlines

00:00

😀 Introducción al futuro de la Inteligencia Artificial

El primer párrafo aborda el tema del futuro de la Inteligencia Artificial (IA), destacando la importancia de la revolución en Machine Learning y Deep Learning. Se menciona el crecimiento exponencial de la IA y su potencial disruptivo, a pesar de las preocupaciones sobre una posible burbuja. Se destaca el aprendizaje supervisado y cómo se ha venido practicando desde los orígenes de la computación. Además, se introduce el concepto de 'learning 1.0', donde las redes neuronales eran utilizadas para resolver una única tarea específica, y se menciona el cambio hacia modelos pre-entrenados que permiten adaptarse a múltiples tareas.

05:00

🤖 Deep Learning 2.0 y el avance hacia la multitarea

Este párrafo explora el Deep Learning 2.0, enfocándose en el procesamiento del lenguaje natural y la capacidad de los modelos de lenguaje para manejar múltiples tareas, como analizar sentimientos, resumir texto e incluso traducir idiomas, todo mediante un único modelo. Se discute la generación de imágenes y cómo los modelos han evolucionado para ser capaces de generar una variedad de contenidos. El aprendizaje auto-supervisado se presenta como el nuevo paradigma, permitiendo a las máquinas aprender sin la necesidad de datos etiquetados por humanos, lo que abre la puerta a modelos más potentes y versátiles.

10:01

🧠 Aprendizaje por refuerzo y la era de la IA general

El tercer párrafo se centra en el aprendizaje por refuerzo como una forma pura de adquisición de conocimiento en Deep Learning, donde la IA aprende explorando y descubriendo estrategias sin datos previos. Se destaca el éxito de AlfaZero en juegos de mesa y otros avances en optimización y descubrimiento de algoritmos. Aunque el aprendizaje por refuerzo requiere una gran cantidad de datos y puede ser costoso, se destaca su potencial para llevar a la IA al mundo físico a través de la robótica, y cómo se está utilizando actualmente en simulaciones para luego transferir conocimientos al mundo real.

15:02

🚀 La transición hacia el Deep Learning 3.0

Este párrafo aborda la transición hacia el Deep Learning 3.0, donde se espera ver un uso sistemático de la IA para acelerar los avances científicos. Se mencionan proyectos aislados como Alfa Tensor, Alpha Def y Alpha Fold que han logrado hallar soluciones innovadoras en áreas específicas. Se alude a la posibilidad de un modelo fundacional que desarrolle ciencia de forma autónoma, y se destaca el papel de Deep Mind como líder en el campo del aprendizaje por refuerzo y la promoción de la ciencia con Deep Learning.

20:05

🌟 La competencia entre OpenAI y Google DeepMind

El quinto párrafo explora la competencia entre OpenAI, con su modelo GP4, y Google DeepMind, con su modelo Bart y el potencial de su nueva creación, la 'Bestia Géminis'. Se discute cómo la salida de Chat GP4 puso a Google en una posición de reacción y cómo Google ha estado reestructurando sus laboratorios para enfrentarse a esta competencia. Se sugiere que la Bestia Géminis podría ser una transición hacia el Deep Learning 3.0, combinando fortalezas de sistemas tipo Alfa Go con capacidades lingüísticas de modelos de lenguaje grandes.

25:57

📈 Anuncios y futuro del canal

El sexto y último párrafo es un anuncio sobre el inicio de una nueva temporada del canal, con la intención de explorar temas como el aprendizaje reforzado, modelos fundacionales, multimodalidad, y la competencia entre Microsoft y Google DeepMind. Además, se presenta una nueva propuesta: el lanzamiento de un nuevo canal secundario para cubrir la actualidad y nuevas herramientas de IA con mayor frecuencia y en un formato menos producido. Se anima a los espectadores a suscribirse y seguir el contenido para no perderse ninguna actualización.

Keywords

💡Inteligencia Artificial

La inteligencia artificial (IA) es la capacidad de una máquina para replicar funciones que normalmente requieren inteligencia humana, como la percepción, el aprendizaje, la toma de decisiones y la resolución de problemas. En el video, se discute cómo la IA ha ofrecido su mayor potencial en los últimos años, llegando a más usuarios y generando expectativas sobre su impacto disruptivo en la sociedad.

💡Machine Learning

Machine Learning es una rama de la IA que se centra en el desarrollo de algoritmos que permiten a las máquinas aprender y mejorar a través de la experiencia sin ser programadas explícitamente. En el video, se destaca cómo la revolución en Machine Learning ha sido un factor clave en el avance de la IA, permitiendo a las máquinas aprender tareas específicas a través de datos etiquetados.

💡Deep Learning

Deep Learning es una subdisciplina de Machine Learning que utiliza redes neuronales artificiales para modelar y resolver problemas de aprendizaje complejos. En el video, se menciona cómo el Deep Learning ha evolucionado en la última década, pasando de resolver una única tarea a ser capaces de realizar múltiples tareas, lo que se conoce como Deep Learning 2.0.

💡Redes Neuronales

Las redes neuronales son una estructura de computación inspirada en el cerebro humano que se utiliza en Deep Learning para procesar y analizar grandes cantidades de datos. En el video, se describe cómo se entrenan estas redes para resolver problemas específicos, como la clasificación de imágenes de hojas sanas o dañadas.

💡Aprendizaje Supervisado

El aprendizaje supervisado es un tipo de Machine Learning donde el modelo aprende a partir de un conjunto de datos etiquetados para luego generalizar y aplicar ese conocimiento a nuevos datos. En el video, se discute cómo este método requiere de datos etiquetados por expertos y cómo ha sido una limitación en el avance de la IA.

💡Aprendizaje Auto Supervisado

El aprendizaje auto supervisado es un enfoque en el que el modelo de IA genera sus propias tareas de aprendizaje a partir de datos no etiquetados, aprendiendo a partir de patrones en los datos sin la necesidad de etiquetas humanas. En el video, se sugiere que este método podría superar las limitaciones del aprendizaje supervisado y llevar a la IA a un nuevo nivel.

💡Modelos Pre-entrenados

Los modelos pre-entrenados son modelos de IA que se han entrenado previamente en una tarea específica y luego se adaptan (fine-tuned) para otras tareas relacionadas. En el video, se explica cómo esta técnica ha permitido a las redes neuronales adaptarse a múltiples tareas, en lugar de solo una, lo que ha sido un punto de inflexión en el desarrollo de la IA.

💡Multitarea

En el contexto de IA, la multitarea se refiere a la capacidad de un modelo de IA para ejecutar múltiples tareas a la vez. En el video, se menciona cómo los modelos de lenguaje enormes, como GP3, pueden manejar diferentes tareas como analizar el sentimiento de un texto, hacer resúmenes y traducir idiomas, gracias a la multitarea.

💡Generative AI

La IA generativa es una rama de la IA que se enfoca en la creación de contenidos nuevos y originales, como texto, imágenes, audio y código de programación. En el video, se discute cómo los modelos generativos han logrado crear contenidos realistas y cómo estos contenidos podrían usarse para entrenar modelos de IA aún más potentes.

💡Robótica

La robótica es la rama de la ingeniería que se dedica al diseño, construcción, programación y operación de robots. En el video, se sugiere que la robótica impulsada por el aprendizaje por refuerzo será una de las grandes protagonistas en el futuro de la IA, permitiendo a los robots aprender habilidades en el mundo físico a partir de simulaciones.

💡Aprendizaje por Refuerzo

El aprendizaje por refuerzo es un método de Machine Learning en el que un agente aprende a tomar decisiones al maximizar una función de recompensa. En el video, se destaca cómo este método ha permitido a la IA descubrir soluciones innovadoras y conocimiento original en diversos campos, desde juegos de mesa hasta la optimización de algoritmos.

Highlights

La discusión sobre el futuro de la Inteligencia Artificial (IA) y cómo ha crecido su potencial en los últimos años.

La revolución del Machine Learning y su impacto en el aprendizaje automático a través de redes neuronales.

El inicio del boom del Deep Learning en 2012 y su evolución hasta la práctica actual.

La descripción del proceso de entrenamiento de una red neuronal para una tarea específica, como la clasificación de imágenes de hojas sanas o dañadas.

El concepto de 'Learning 1.0' y cómo las redes neuronales eran utilizadas para resolver una única tarea específica.

La introducción de modelos pre-entrenados y cómo esto ha llevado a la era de las redes neuronales multitarea.

El surgimiento de la multitarea en Deep Learning 2.0 y su expansión a áreas más allá de la visión por computadora.

El uso de modelos de lenguaje enormes como gp3 para tareas variadas, como analizar sentimientos, resúmenes y traducciones.

La generación de imágenes con modelos como Meet, Journey y stable diffusion, capaces de generar una amplia variedad de contenidos.

El aprendizaje auto-supervisado y cómo permite a las máquinas aprender sin la necesidad de datos etiquetados por humanos.

La idea de utilizar datos generados por IA para entrenar modelos aún más potentes, iniciando un ciclo virtuoso.

La importancia de la multimodalidad en la IA y cómo permite a las máquinas una comprensión más cohesionada y completa del mundo real.

La transición hacia el Deep Learning 3.0 y la utilización del aprendizaje por refuerzo para el desarrollo de IA.

El potencial del aprendizaje por refuerzo en la robótica y su capacidad para que los robots aprendan habilidades en el mundo real.

La combinación de modelos fundacionales multimodales y el aprendizaje por refuerzo como el futuro prometedor de la IA.

La misión de Deep Mind y OpenAI en la promoción de la IA y su papel en la era del Deep Learning 3.0.

La expectativa de la próxima temporada del canal, que incluirá temas como aprendizaje reforzado, modelos fundacionales, multimodalidad, y la competencia entre Microsoft y Google Deep Mind.

El lanzamiento de un nuevo canal de YouTube para cubrir la actualidad y novedades en IA de manera más frecuente y interactiva.

Transcripts

es hora de hablar del futuro del futuro

Hablemos del futuro de la Inteligencia

artificial

[Música]

estamos viviendo momentos extraños al

mismo tiempo que los dos últimos años

hemos vivido el periodo en el que la

Inteligencia artificial ha ofrecido su

mayor potencial llegando a más y más

usuarios que nunca y donde más promesas

en el aire hay sobre los disruptiva que

podría llegar a ser esta tecnología

al mismo tiempo convivimos con titulares

y hablan de que la burbuja de la

Inteligencia artificial Pues podría

estar a punto de explotar

pero en realidad como ya sabéis cuando

hablamos de Inteligencia artificial

realmente de lo que tenemos que hablar

es de Machine learning la revolución

donde las máquinas aprenden a ser cosas

una rama del campo de la Inteligencia

artificial que tampoco es nueva y que se

viene investigando desde Casi casi los

comienzos de la computación

No si algo ha detonado la revolución de

la Inteligencia artificial en los

últimos años es la revolución del

Machine learning y más concretamente del

Deep learne el uso efectivo de redes

neuronales artificiales para el proceso

de aprendizaje automático y como ya

hemos comentado muchas veces en este

canal fue en 2012 Cuando dio comienzo el

Boom y el resto ha sido historia

[Música]

ahora el Deep learning de hace 10 años

pues no se parece tanto al Deep learning

que se practica ahora en la última

década la forma de practicar Deep

learning pues era más o menos así Ella

Tengo un problema que quiero resolver

pues Quiero conocer si en una fotografía

aparece una hoja sana o una hoja dañada

un problema de clasificación muy

específico para el que podíamos entrenar

a una red neuronal a resolver dicha

tarea y para hacerlo necesitábamos datos

etiquetados un conjunto de imágenes

donde algún experto en hojas se hubiera

sentado a decir pues mira esta hoja de

aquí está sana y esta no Y esta no y

está así y bueno con todos estos datos

se entrenaba mediante aprendizaje

supervisado a la red neuronal desde cero

para que resolviera dicha tarea y si el

entrenamiento iba bien pues la red

neuronal aprendería a generalizar su

tarea incluso para imágenes de hojas que

no hubiera visto previamente funcionaba

era práctico y es un ejemplo perfecto de

lo que a partir de ahora voy a pasar a

denominar

learning 1.0 aquí las redes neuronales

se utilizaban para resolver una única

tarea específica podría por ejemplo

usarse esta red para clasificar flores

sanas y flores enfermas pues no no era

su tarea solo la habíamos entrenado para

clasificar imágenes de hojas y por tanto

solo podría ser única y exclusivamente

dicha tarea si querías que clasificar a

flores pues tenías que de nuevo sentarte

y etiquetar un gran Data set de flores y

entrenar la red para ello y aquí podéis

daros cuenta de una de las grandes

limitaciones del aprendizaje supervisado

y es que somos dependientes de contar

con un Data set que esté perfectamente

etiquetado y en muchos casos etiquetar

correctamente un Data set pues tiene

como cuello de botella al propio

etiquetador humano el cuello de botella

para la Inteligencia artificial éramos

nosotros y de ahí surgieron tendencias

como la de deslocalizar a países como

China o India granjas de etiquetación de

datos todo esto ocurriendo en paralelo

al mismo tiempo que los investigadores

de Deep le ya estaban buscando una

solución a este problema la idea de

utilizar modelos pre entrenados es decir

si tú tienes dos tareas de clasificación

pues clasificar hojas y clasificar

flores Por qué empezar el entrenamiento

desde cero al final son tareas que

tienen pues ciertas similitud lo que se

propuso es que antes de hacer tu

entrenamiento pues ya podíamos hacer un

pre entrenamiento en el que a una

red neuronal de clasificación de

imágenes que aprender a clasificar un

montón de imágenes de todo tipo flores

hojas perros gatos aviones camiones de

todo En definitiva una red neuronal que

aprendiera a ver y luego tomando esa red

neuronal como base pues hacer un pequeño

entrenamiento final con menos datos para

ajustarlo al problema que queríamos

resolver clasificar hojas o clasificar

flores y Esto fue un salto brutal y un

punto de inflexión porque estamos

pasando de redes neuronales que solo

cumplían pues una única tarea a redes

neuronales que ahora Se podrían adaptar

a múltiples tareas redes

multitarea un fenómeno que nos llevó un

poquito más hacia el futuro hacia lo que

para mí se consideraría el Deep learning

2.0 la etapa actual que estamos viviendo

nos situamos ahora entre 2018 y 2020

periodo en el que esta idea de pre

entrenar a modelos de Inteligencia

artificial para cumplir múltiples tareas

pues empezó a conquistar otras áreas de

estudio Más allá de la visión por

computador áreas Como por ejemplo el

procesamiento del lenguaje natural un

área de estudio dedicada a que la

máquina pudiera entender nuestro

lenguaje y bueno también pudiera

generarlo algo que ya sabéis por qué

camino nos ha llevado

y aquí la multitarea entró fuerte a lo

mejor antes tú entrenabas a una red

neuronal para analizar el sentimiento de

un texto otra red para que aprendiera a

hacer un resumen y otra red para

traducir una frase de español al inglés

Pero ahora con la llegada de los enormes

modelos del lenguaje un mismo modelo

Como gp3 podía encargarse de todo

creedme la multitaría está en el ADN del

Deep learning 2.0 y si no fijaos otro

ejemplo generación de imágenes si

recordáis en 2017 era habitual ver

modelos generativos entrenados

específicamente para generar caras o

para generar pájaros o para generar

flores cada modelo estaba

específicamente entrenado para generar

una cosa y ahora en 2023 la norma es

encontrarnos con modelos como Meet

Journey stable difusión capaces de

generarlo todo

qué ha pasado aquí qué tecla hemos

tocado de repente que nos ha hecho pasar

en muy poquitos años de inteligencias

artificiales tan específicas a

inteligencias artificiales multitarea

polacos está en que si antes os

comentaba que el protagonista en el Deep

learning 1.0 era el aprendizaje

supervisado ahora en este periodo que

estamos viviendo en el Deep learning 2.0

el protagonista El rey de Kim es el

aprendizaje auto supervisado por qué

bueno pues porque en el aprendizaje auto

supervisado La idea es que en vez de

tener a humanos etiquetando datos para

cada tarea aquí lo que se plantea es que

sea el propio ordenador El que pueda

generarse automáticamente la tarea de la

que poder aprender cómo Pues mira en

internet hay texto mucho texto

y con ese texto el computador puede

jugar a enmascarar una o varias palabras

e intentar aprender a predecir qué hay

ahí o de forma similar podemos entrenar

con imágenes podemos todas las

imágenes de internet enmascararlas de

alguna forma o corromperlas con ruido y

dejar que la guía aprenda a deshacer el

destrozo para así poco a poco aprender

la naturaleza y los patrones que

conforman a una imagen Esta es la clave

que la máquina pueda etiquetarse

automáticamente sus propios datos

aprendizaje auto supervisado es lo que

ha permitido pues superar el cuello de

botella del que hablábamos antes ya no

necesitas etiquetadores humanos con lo

cual podemos Pues todos los datos

de internet y entrenar e inteligencias

artificiales mucho más potentes y más

generales capaces de cumplir un mayor

Rango de tareas un concepto que a día de

hoy se ha dado a conocer como modelos

fundacionales

todo esto que estamos comentando

funciona y son Bueno pues las claves que

están detrás de grandes modelos que

utilizamos hoy en día como chat gpt o

stable difusión los modelos

fundacionales y el aprendizaje auto

supervisado están a la orden del día y

son los principales responsables de la

revolución del Deep learning 2.0 que

estamos viviendo actualmente pero en

este vídeo no Veníamos a hablar del

pasado ni del presente sino del futuro

vamos a ello

si os dais cuenta uno de los factores

clave en el repaso histórico que hemos

hecho han sido los datos ya sean

etiquetados por humanos o etiquetados

por la propia máquina Pero y si

pudiéramos ir más allá y si pudiéramos

entrenar una Inteligencia artificial con

datos que no sean reales datos generados

si lo pensáis el principal éxito del

Deep learning 2.0 es lo que se ha

bautizado como oía generativa lo hemos

dicho Ahora Contamos con modelos que

generan texto código de programación

imágenes y audio realista qué pasaría

Entonces si usáramos lo que estos

modelos generan para entrenar a otros

modelos más potentes pues parecería raro

no que pudiéramos entrenar a una

Inteligencia artificial con lo que otra

Inteligencia artificial está generando

tal y como escuché esta semana sería

como bueno la ia comiéndose su propia

caca aquí la intuición nos dice que como

mucho podríamos conseguir un modelo que

igual en rendimiento al modelo original

pero no Que lo supere No pues depende ya

que fijaos que cuando nosotros

utilizamos a guías generativas como Meet

Journey nosotros seleccionamos de las

cuatro opciones que nos ofrece la ia

aquella que más nos gusta o por ejemplo

en chat gpt si la conversación no nos

interesa la abandonamos es decir

nosotros que hemos encontrado valor en

estas herramientas nos hemos convertido

de facto en etiquetadores que vamos

seleccionando Pues de todo lo que la

guía genera aquello que está mejor y

descartando aquello que está peor

estamos ayudando a filtrar los datos con

lo cual entre más utilizamos estos

modelos más datos filtraremos datos

nuevos generados y filtrados que ahora

se podrán utilizar como un nuevo dataset

de mayor calidad para entrenar a un

modelo incluso más potente que aportará

más valor a los usuarios con lo cual

atraerá a más gente que filtrará más

datos que generarán es un ciclo virtuoso

que ha empezado a rodar con mucha más

fuerza y mucha más velocidad desde 2023

cuando la mayor parte de la sociedad

pues ha empezado a interesar en todas

estas herramientas cada vez tenemos más

datos sintéticos que nosotros hemos

ayudado a financiar porque hemos pagado

por generarlos y a filtrarlos y que

servirán para entrenar a modelos

generativos cada vez más potentes

una cuestión discutida en filosofía nos

habla de cómo por mucho que tú puedes

estudiar de una manzana toda su teoría

pues su composición su biología la

química de los enlaces de las moléculas

todo no será hasta que la veas la

abuelas la Sabores que tendrás un

conocimiento más completo y experiencial

de ella y esto amigos es algo que ocurre

hasta con las inteligencias artificiales

más inteligentes que entrenamos a día de

hoy Jack gpt por ejemplo todo su

conocimiento interno de lo que es una

manzana lo sabe porque lo ha leído

durante su entrenamiento Y sí ha leído

muchísimo sabe que es roja dulce redonda

puede tener una idea de cómo es pero

nunca la ha visto experimentado de una

forma que no sea a través de la

proyección de texto que nosotros le

hemos dado y aquí la multimodalidad

resuelve este problema Esta es una

tendencia que también podemos englobar

en lo que estoy denominando Deep

learning 2.0 y que no tenemos que

confundir con el concepto de multitarea

que hemos visto antes la multitarea como

hemos visto es que una guía puede

resolver múltiples tareas lo dice su

nombre y la multimodalidad lo que nos

habla es de una guía que puede nutrirse

de múltiples fuentes de datos de

distinta naturaleza imágenes audios

vídeos textos señales de sensores todo

al mismo tiempo hacer esto le permiten

no solo Leer sobre Qué es una manzana

sino también ver visualmente como es

inferir su dureza Al escuchar un

mordisco u olerla entre comillas y

Contamos con los sensores químicos

adecuados es decir aprender una

representación mucho más cohesionada y

completa del mundo real lo que nos

faltaría por ver en los próximos años

Pues sería esta idea de modelo

fundacional multimodal un futuro gpt 5

que no solo se entrene con todo el texto

de internet sino que también se puedan

nutrir de imágenes vídeos audios de

todas las fuentes de conocimiento que

tenemos y que demuestran pues la rica

naturaleza de nuestro

Pues tienes que saber que Esto de usar

datos sintéticos para entrenar a modelo

fundacionales mayores o la

multimodalidad para darle una visión más

cohesiva del mundo real es solo mi

apuesta a corto plazo es decir sería mi

apuesta para la etapa actual que estamos

viviendo la del Deep learning 2.0 Pero y

si te dijera que otra ramificación se

abre hacia un futuro más interesante y

prometedor hablemos del Deep learning

3.0 hasta ahora hemos hablado de

inteligencias artificiales entrenadas

con datos etiquetados por humanos con

datos etiquetados por máquinas o con

datos generados por máquinas Pero y si

entrenáramos a inteligencias

artificiales sin datos en el mundo del

Machine learning desde los comienzos

existe otra rama que está ahí latente

cumpliendo grandes objetivos poco a poco

pero sin tener un protagonismo real en

las herramientas que usamos en nuestro

día a día por supuesto estoy hablando

del aprendizaje por refuerzo por

reinforce

el reinfor learning es quizás la forma

más pura de adquisición de conocimiento

en el Deep learning Y es que aquí la

Inteligencia artificial no aprende de

observar datos pre etiquetados para un

problema que podrían sesgarla en su

aprendizaje No en este esquema de

aprendizaje la ia prende desde cero

explorando sus posibilidades y

descubriendo nuevas estrategias ya sea

en un simulador o en el mundo real

probando y aprendiendo de sus errores y

de sus logros uno de los éxitos más

famosos de este esquema de aprendizaje

que seguramente recordaréis es el de

Alfa Zero donde la hija fue capaz de

aprender desde cero sin observar ninguna

partida humana real a jugar a juegos de

mesa como el Go el ajedrez y el Yogui

pasando de jugar de forma aleatoria a

dominar estos juegos hasta poder vencer

a campeones del mundo Guau también hemos

hablado en otras ocasiones de otros

éxitos del aprendizaje por refuerzos

principalmente impulsados por Deep Mind

donde él haya sido capaz de encontrar

formas más óptimas de codificar vídeos

de YouTube para consumir menos ancho de

banda o de controlar los imanes que dan

forma al plasma en el interior de los

reactores de fusión o por ejemplo

también encontrar nuevos algoritmos

matemáticos para la multiplicación de

matrices es decir si en el Deep learning

2.0 la estrategia que teníamos en la de

entrenar a estos enormes modelos

fundacionales como gp4 con un montón de

datos de internet para poder generar

conocimiento a partir de que estos

combinan estos datos de forma novedosa

en el aprendizaje por refuerzo la cosa

es diferente porque aquí la ia se

embarcará en un proceso de exploración a

menudo sin datos previos para buscar

soluciones en un amplio espacio de

posibilidades lo que a veces puede

llevarle a descubrimientos fuera de los

paradigmas actuales alcanzando nuevo

conocimiento y visto Así el

reinforcement learning parece una muy

buena idea Pero no es tan sencillo para

funcionar bien el reinforcement learning

necesita Bueno pues lo que necesita la

ia un montón de datos un montón de

iteraciones donde ya sean simulación o

en el mundo real por ensayo y error la

Inteligencia artificial pues pueda ir

aprendiendo poco a poco su tarea hacer

esto en el mundo real pues es muy

costoso porque el tiempo va a un segundo

por segundo y además las cosas suelen

romperse y es por eso que vemos que

muchos de los casos de éxito de hoy en

día ocurren dentro de simulaciones Y es

que cada vez son más los ejemplos de

robótica que consiguen aprender sus

objetivos en simulación con aprendizaje

por refuerzo y luego los transfieren

exitosamente al mundo real para cumplir

su objetivo en el mundo físico que es

donde nos interesa hemos visto robots

que han aprendido a levantarse aunque le

tiren una y otra vez para poder jugar

una liguilla de fútbol tal y como os

enseñé en este vídeo que tenéis en el

canal recientemente también hemos visto

drones capaces de volar en pista con un

vuelo casi perfecto ganando contra

campeones del mundo ojito a esto y

estamos empezando a ver ejemplos de

robots que en el mundo real no en

simulación están logrando aprender

habilidades ya no en días de

entrenamiento que era lo habitual sino

en cuestión de horas y para ejemplo

tenéis el de este perrete robótico que

tal y como estáis viendo ha aprendido a

andar desde cero en cuestión de una hora

consiguiendo aprender a coordinar todos

sus controladores para alzarse en pie y

andar

[Música]

para mí la robótica impulsada por el

aprendizaje por refuerzo va a ser la

gran protagonista del Deep learning 3.0

Pero eso no quita que la robótica

actualmente se esté beneficiando de los

grandes éxitos que estamos viviendo en

la etapa actual en la del Deep learning

2.0 Y es que ya sabéis que los enormes

modelos del lenguaje como gpt 4 One 2

poseen un gran conocimiento del mundo

que les permite planificar acciones con

mucho sentido común para resolver una

tarea a pesar de sólo haber interactuado

por ahora con el mundo a través del

texto pues lo que se está comprobando es

que utilizará estos enormes modelos de

lenguaje a modo de cerebro artificial

para estos robots funciona y este

estudio de robótica de Google Deep Mind

titulado así lo demuestra imaginad un

robot donde su movilidad no depende de

que nosotros tengamos que programar su

control con instrucciones complejas sino

que directamente podamos utilizar

instrucciones con lenguaje natural poder

decirle al robot avanza un poco o camina

espacio y que el modelo del lenguaje

pues traduzca estas palabras en acciones

concretas que el robot ejecutará

funcionando como un puente entre

nuestras palabras y los movimientos del

robot esto aumenta enormemente la

versatilidad a la hora de comunicarnos

con el robot porque por ejemplo ahora le

podríamos decir Oye actúa como si

cojearas de la pierna izquierda y el

robot sabrá coordinar sus controladores

para caminar de esta forma o camina como

si el suelo estuviera muy caliente y que

el robot lo entienda y haga esto cosas

como esta están empezando a funcionar o

también tenemos otros proyectos como rt2

también de deepmind otro caso de

robótica que de nuevo se nutre del

conocimiento de un enorme modelo de

lenguaje Sí pero también de un modelo de

visión aquí estaría apareciendo la

multimodalidad que mencionábamos antes

así que tendríamos un modelo de lenguaje

para planificar un modelo de visión para

poder observar y con esto se generarían

instrucciones de control para un robot

que ahora será capaz de cumplir un mayor

Rango de instrucciones usando también

sus ojos

[Música]

Así que la robótica ya sea por los

modelos fundacionales multimodales o por

el aprendizaje por refuerzo Pues podría

estar entrando en su época dorada El

Salto de la Inteligencia artificial del

mundo digital al mundo físico real pero

los avances del aprendizaje reforzado No

solo están destinados al mundo de la

robótica como hemos visto antes su valor

se encuentra a la hora de generar

también soluciones novedosas y

conocimiento original ante el reto que

le propongamos Y esto es algo que podría

tener un impacto directo sobre la

ciencia imaginad por un momento una

Inteligencia artificial dedicada a 24/7

cuya única tarea sea desarrollar teorías

matemáticas definir nuevas teorías

probarlas construir sobre las teorías

anteriores desarrollar nuevas ramas de

las Matemáticas nuevos problemas sé que

todo esto suena a ciencia ficción y por

ahora lo es Ya que actualmente lo que

tenemos son ejemplos muy aislados como

el de Alfa tensor que ha encontrado

nuevos algoritmos para multiplicar

matrices o alphadef que ha sido capaz de

optimizar algoritmos de ordenación o

Alfa fold diseñada para descubrir los

secretos que la naturaleza esconde tras

la estructura de las proteínas Por ahora

todo esto son solo proyectos aislados

proyectos aislados que requieren de

inteligencias artificiales diseñadas

específicamente para cada problema se

aleja de mi sueño de un enorme modelo

fundacional que vaya desarrollando

nuevas ciencia de forma Autónoma Y eso

caería más en la zona de ciencia ficción

Pero bueno una ciencia ficción que a lo

mejor dentro de No mucho llamaremos solo

ciencia y Es que creo que será en esta

etapa del Deep learning 3.0 donde

veremos un uso sistemático de la

utilización de la Inteligencia

artificial para acelerar los avances

científicos avances científicos que

luego repercutirán en el desarrollo de

inteligencias artificiales cada vez más

potentes en este punto del vídeo muchos

de vosotros

estaréis pensando Carlos Se te está

yendo la cabeza pero es que este

sueño de ias que impulsen avances

científicos no es solo una idea loca que

exista en mi cabeza sino que es el

objetivo principal de una de las

compañías que no he parado de repetir en

esta última fase del vídeo Deep Mind

[Música]

Y es que Deep Mind ha sido durante la

última década el principal laboratorio

en cuanto aprendizaje por refuerzo

robótica e impulso de la ciencia con

Deep learning se refiere a mi gusto si

en la etapa actual que estamos viviendo

del Deep learning 2.0 Si tuviera que

destacar una empresa protagonista sin

duda esa sería openiyay que ha sido la

impulsora de los enormes modelos

fundacionales en el caso del Deep

learning 3.0 creo que Deep Mine sería la

que tendría mucho que decir Y ojo porque

la transición a esto Podría empezar

mucho antes de lo que pensamos Y es que

lo sabemos todos la salida de chat gpt

por parte de openiyay en noviembre de

2022 pilló a Google con el pie cambiado

y durante el año han intentado

recomponerse igualar la apuesta con

alguno de sus modelos que ya estaban

entrenando como Pan 2 que encontramos

dentro de su sistema Bart modelo del que

muchas personas y ahí me incluyo yo pues

tratándose de Google esperábamos mucho

más pero es que claro entrenar un modelo

para intentar competir contra gpt 4 pues

no es una tarea que puedas resolver en

pocas semanas y tras reestructurar a sus

distintos laboratorios de Inteligencia

artificial bajo un mismo nombre Google

deepmind ahora estaban dejando al equipo

de Denis hasabis todo el poder para

crear a la bestia géminis

eminy será la gran apuesta de Google y

podría ser la transición entre esta

etapa de enormes modelos de lenguaje y

el Deep learning 3.0 por qué Para

empezar hay rumores de que la

computación dedicada a entrenar a esta

primera versión de la bestia de Google

implica la computación dedicada al

entrenamiento de gpt 4 y eso solo para

una primera versión pero es que con la

infraestructura de tpus con las que

Google cuenta esto podría escalar

rápidamente a unos niveles a los que

opening y ahí no podría competir por

otro lado se sabe que otra de la

fortalezas de Géminis que se tratará de

un modelo fundacional

multimodalty Mobile highlight

integrations

innovations like Memory and planning

waltzy we're already seen impression

ahora si hay algo que ha cautivado mi

atención respecto a lo que Géminis

podría llegar a ser son estas

declaraciones del ceo de Deep Mind de

mis hasabis a nivel general puedes

pensar en Géminis como una combinación

de algunas de la fortalezas de sistemas

tipo Alfa Go con las asombrosas

capacidades lingüísticas de los enormes

modelos del lenguaje es decir aquí nos

estaría hablando de la combinación de

tecnologías como la que hace funcionar a

gpt 4 comparte de su tecnología de

aprendizaje por refuerzo que encontramos

en los sistemas Alfa Go y esto podría

ser solo marketing o podría ser una

versión un poquito más avanzada del

rainforcement learning with human

feedback que sabemos que hace funcionar

a Chad gpt o algo por el estilo O podría

ser algo en la línea de lo que Comenta

aquí de

[Música]

esta declaraciones para mí son muy

relevantes y viniendo de boca de Demis

hassabis pues le doy a gemini el

beneficio de la duda aun cuando Google

ya me defraudó en el pasado con lo que

pal2 llegó a ser pero de ser lo que

promete Pues parecería que estaríamos

dando un paso firme más hacia esta

bonita idea de la Inteligencia

artificial general y eso amigos Eso sí

será el futuro del deeplerling fijaos

como todas las piezas que os he ido

presentando a lo largo de este vídeo se

han ido conectando en una conclusión que

Es evidente y es que el futuro de la

Inteligencia artificial va a ser

fascinante he querido empezar esta nueva

temporada del Canal con esta temática

con este vídeo con un vídeo bastante

extenso con mucho contenido porque

establece muy bien las bases de lo que

vamos a estar aprendiendo Durante este

año fundamento de aprendizaje reforzados

modelos fundacionales multimodalidad

robótica World models Microsoft contra

Google Deep Mind Géminis todos estos

temas los tendréis aquí en el canal Esta

es la nueva temporada y es para vosotros

aquí ahora donde vosotros tenéis que

suscribiros y darle a la campanita para

que no os perdáis nada del contenido que

está por venir y apoyar en patreon todo

este proyecto pero es que además tengo

una sorpresa para vosotros como soy

consciente de que el ritmo al que

produzco estos enormes vídeos

documentales que llevan un montón de

horas de trabajo por detrás pues no nos

da tiempo de cubrir toda la actualidad

todas las novedades todas las

herramientas que van saliendo y que me

gustaría probar y enseñaros y traeros

aquí a YouTube os Traigo una nueva

propuesta

SV la un nuevo canal de YouTube el

Antiguo canal secundario que tenía que

ahora voy a estar llevando en paralelo y

donde voy a subir vídeos con mayor

frecuencia evidentemente vídeos no tan

producidos pero que va a servir para

explorar experimentar probar muchas de

todas estas herramientas que están

saliendo contaros trucos de cómo podéis

sacarle el máximo partido a la

Inteligencia artificial hablar de la

actualidad y bueno una forma de

encontrarnos aquí en YouTube con todo lo

nuevo que está saliendo que no es poco y

poder pues disfrutar de forma más

continua de todo este contenido aprender

los fundamentos del Deep learning que

nos están llevando a la revolución

tecnológica más impresionante de nuestra

historia aquí en este canal cacharrear y

experimentar con todo lo nuevo que va

saliendo cada día en el laboratorio allí

podéis suscribiros ya este nuevo canal y

a ver si llegamos a los 100.000

seguidores solo con un vídeo publicado y

el vídeo que tenéis es este de aquí

donde prueba la herramienta que es una

herramienta espectacular para ser

justamente esto para poder doblarte a

diferentes idiomas poder modificar y

bueno es bastante espectacular lo podéis

ver aquí chicos chicas Muchas gracias

por ver este vídeo y estoy contentísimo

de empezar ya la temporada de 12 csv