72. Inteligencia artificial: El cerebro mecánico

La filosofía es algo así como la matemática de las palabras. "Filosofar no es ni tan ajeno, ni tan difícil". "Dialomania" es superfífico. "Y modo que meten". "Dialomania". Hay tengo otra pregunta. "Dialomania" no es de la ciudad y al mundo. "Huerbi" es "Horbi" a la ciudad y al mundo. Buenos días, buenas tardes, buenas noches. Esta es la primera parte de una serie de 13 episodios sobre inteligencia artificial. Hoy hablaremos principalmente de su historia y sus características más importantes en cada uno de sus momentos de desarrollo. En el camino, David explica también por qué la inteligencia artificial es un tema importante para la filosofía. Pues con ella se pone a prueba las teorías filosóficas sobre la mente, la inteligencia y la conciencia. Entender cómo funcionan estas máquinas es vital para poder someterlas al análisis filosófico. Esta parte de la conversación resultará de mucha utilidad para lo que vendrá en las entregas sucesivas y en las que esperamos contestar muchas de las preguntas que nos han hecho llegar sobre este tema. A continuación, inteligencia artificial, el cerebro mecánico. Compañero David Zuluaga, solucionemos la prima pregunta inmediatamente antes de saludarnos. ¿Por qué en un podcast de filosofía vamos a hablar de inteligencia artificial y también regáleme unañapa? ¿Por qué David Zuluaga siendo filósofo quiere echarse eso? Al obra porque al final del día, pues yo soy el curioso de la cuota, así que vengo más relajado. Muy legítimos preguntas y fondamentales. La primera, ¿por qué en un podcast de filosofía vamos a hablar de una cuestión de tecnología? Y la respuesta, Octí, es que la inteligencia artificial, de hecho, desde que empezó como programa de investigación. Sí. Se ha entendido que es estrechísimamente cercana a la filosofía, al punto de que algunos filosofos, como Daniel Danett, dicen que la inteligencia artificial es, en sí misma, ella, una forma de filosofía. ¿Ok? Tal vez la manera más concreta de entenderlo, Octí es que la inteligencia artificial es la prueba de fuego de cualquier filosofía de la mente. El proyecto de la inteligencia artificial, al menos en su concepción original, es el de crear máquinas inteligentes, es decir, con poderes cognitivos, con parables a los de los seres humanos, sino superiores. Y todos los esfuerzos de la comunidad académica que ha estado volcada, y ahora también la comunidad empresarial, volcada hacia el desarrollo de sistema de inteligencia artificial en el fondo, de manera implícita o explícita, está inspirado por la convicción de que es posible replicar la totalidad o una gran parte de los poderes cognitivos de la mente humana en un sistema computacional, de cómputo digital en una máquina. Si ese proyecto prospera en sus ambiciones más elevadas, si la de replicar mecánicamente una inteligencia, eso nos diría un montón acerca de la naturaleza de la inteligencia misma. Entonces, el proyecto fracasa, sobre todo si fracasa en la empresa de construir máquinas inteligentes como los homonos nosotros, decir inteligentes, además conscientes, etcétera, etcétera. Si ese proyecto fracasa también nos diría mucho acerca de la naturaleza de la mente. Entonces, una forma de pensar en la inteligencia artificial es como la evaluación empírica de las filosofías de la mente. Es lo tanto, un proyecto de la humanidad donde la filosofía está en el centro el debate, porque ella está en juego, podríamos decir que está sometida al juicio de la experiencia en el éxito o fracaso de la inteligencia artificial como proyecto, y por otra parte porque la filosofía ha hecho ha sido la que provee muchos de los puntos de partida de la inteligencia artificial como una familia de metodologías o de métodos computacionales, de lo que vamos a hablar en un ratico, por las relaciones estrechísimas. Y a su segunda pregunta, de por qué. Que en parte ya me responde un poquito, pero entrando más en su experiencia. Es correcto, es correcto. En parte, creo que se la contesté, porque esa cercanía entre la filosofía de la inteligencia artificial invita que el filósofo participe la discusión de la inteligencia artificial, pero también es un importante participar de ella con una mínima comprensión de lo que esta tecnología en efecto es, y yo que no pretendo ser experto en la materia, y sobre todo en su extraordinaria complejidad técnica, si llevo por cuestiones fortuitas de mi vida laboral, varios meses absolutamente dedicado a este tema, aprendiendo muchísimo, y todavía pues es aún más lo que me falta por aprender, pero creo que mi aun somera comprensión de qué son y cómo funcionan estos sistemas se presta para que podemos ser en un diálogo filosóficamente robusto, pero informado a partir de la realidad técnica de estas tecnologías. Entonces me parece el tema desde ese punto y este asirresistible, cómo no volver a una cuestión que tratamos ya hace tantos capítulos la de la filosofía y la mente, en el contexto de las revolucionarias transformaciones tecnológicas, en este proyecto y cómo le digo, puede interpretarse como el test empírico de las filosofías de la mente. -Posible no meterlo. -Me gustó, charada. Bueno, pero digamos que si me gustaba empezar así para resolver un poco como la enquietud pasa a ver, pues que bueno, aquí si ha habido como un trabajo de su parte entorno a esto desde hace unos meses, y que incluso hasta resuelve una pregunta que yo respondo jocosamente, varias veces cuando en Instagram me dicen, bueno, y David, ¿en qué trabaja o David qué hace, maldito? Y yo siempre digo no sea, él no lo molesta, no hace nada. Es un tiro, fue muy de mis regiones. -Te conté lo entienden de pronto, pero yo digo no, no sea, no molesta, no, no hace nada. Pero es, pero es muy. -Cómo. -Oye, me gustó esa palabra irresistible, porque irresistible fue para mí contactar a una artista de carne y hueso para que hiciera la imagen del capítulo del episodio sobre inteligencia artificial, aún cuando en la temporada, todas las demás imágenes han sido generadas con programas de inteligencia artificial. Esto es, digamos, un ejemplo que yo se llama tocar más en la segunda parte de esta serie, pero que nació como de una, ni siquiera ya era incomodidad, sin un deseo, como un deseo ahí de provocación, en donde dije que chevere que el episodio de inteligencia artificial vuelva a ilustrarlo una artista de carne y hueso. -Me parece que este caso es el provocación. -Oportunísima, o oportunísima. -Me pareció divertida y a él también, Anelio Andrés, que no sí, pues algo que es una imagen que ama, es su obra, si es provocadora, más que mi intención. Me parece fuerte y a mí me gusta mucho ese arte que confronta visualmente y que es fuerte. Así que invitamos por a los que nos han pasado por Inseram para que vean la Urbietorby Podcast, de que imagen estamos hablando. Una saluda, agradecimiento a mi nada, Anelio Andrés en Medellín. Y bueno, ahí salió la idea de cambiar un poquito como las condiciones, que en otro mismo aviamos a los puestos en esta temporada. -Sí, como mucho tino, como le digo. Y aprovecho que usted hace una mención para precisar algo. Te dice que vamos a hablar más de su en el segundo capítulo de esta serie. Y es que, usted y yo nos propusimos hacer un capítulo interiencial artificial. -Sí. -Y como el tema está tan enboga, se nos dio por preguntarle a nuestro seternamente y querísimos cinco pelagatos, pues que preguntas le surgen a ser cada interiencial artificial. -Llevamos recién. -Ladies. Una cantidad realmente magnífica de preguntas. -¿Qué es la cantidad? -Cómodo. -La verdad que les he las preguntas. -La dos. Sí, de todas las cosas bastante interesantes. Chebre también, porque hay muchos puntos de encuentro. Si hay personas, varias personas preguntándose cosas parecidas. Pero nosotros seguimos siendo cinco, es decir, cada uno de los cinco hizo como unas 40 preguntas. -Seremos cinco, aunque con personal y a multiple, pero cinco siempre. -Talgo. -Y bueno, por eso la decisión de hacer más de uno. -Exacto. Entonces, en vista de la cantidad y la calidad de las preguntas. Y además de su naturaleza, yo le propuse usted y usted generosamente aceptó que debíamos de pronto antes de hacer un episodio para ojalá responder muchas de esas preguntas. Hacer este de hoy, que podríamos decir, es un episodio introductorio o fundacional. Para explicar qué es la inteligencia artificial y sobre todo que es lo distintivo, que es lo especial, que es lo característico de los modelos de inteligencia artificial generativa que se han vuelto tan populares en el último año y no. i m'he de dir dos anys. Perquè entendre què es posa i què no es posa. De fet, és una part central de les respostes que esperamos ofrecer a moltes de les preguntes. Doncs no ens vam tornar a fer no 1, no 2, sinó 3 capítols o intel·lients artificiales. -Esté primer, digamos, un poco más introductorio, però creem o esperamos resulta útil. Un segon capítol per respondre les preguntes repito muy importante si de mucho tino que hemos recibido de nuestros cridíssimos, 5 poes lagatos, y un tercer capítolo para abordar la cuestión que a mí en lo personal más filosóficamente me interesa, que son los argumentos que existen en la filosofía, cuyo objetivo es cuestionar la posibilidad misma de lo que se llama una intel·ligència general artificial. Vamos a llegar allá. Y hecho, no contentos con hacer 3 capítulos, vamos a hacer una cosa más. Vamos al experimento en este arco de 13 episodios de convocar a un taller de lectura que va a realizarse el sábado 6 de auril, justo antes de la publicación del tercero de estos capítulos, un taller para que los que quieran nos acompañen a leer un ensayo muy famoso en la filosofía, la mente que se llama por su título en inglés, "Wari likes to be a bat", que es o cómo se siente ser un murciélago. Es un ensayo de filosofos más neigos, muy importante, muy corto, y es fascinante. Y vamos a hacer un experimento. Este taller lo vamos a hacer como digo, la semana antes de que se publica el tercer episodio de podcast, con la siguiente intención o con la siguiente, cert de nombre, diría yo, y es que quienes decían acompañarnos en él, estoy seguro van a tener una experiencia aún más enriquecedora con ese tercer y último capítulo de este ciclo. Claro, no es necesario ir al taller para entender o seguirle la pista, ese tercer capítulo que publicaremos a la siguiente. Pero sí que puede sacarle más húso. Exacto. Exacto. Aquí n'esquiera acompañarnos. Por favor, vayan a nuestra página web, triple www.urbietorbypodcast.com, o escriban "nos por correo, urbietorbypodcast.roa.gimeel.com". Les enviamos todos datos para inscribirse y ojalá se animen a acompañarnos el 6 de auril para conversar sobre ese breve, pero potente ensayo que tanta importancia mi concepto tiene a la hora de entender cómo ponderar la posibilidad de que los sistemas de inteligencia artificial algún día se vuelvan conscientes. Ese, no, está muy menos. Es la pregunta que vamos a empezar a orar al taller y que obviamente se invocarán ese tercer capítulo del arco completo. Una verra que era. Yo ya lo especialé, porque se me lo mandó esta semana, así que como digo yo siempre, cuando anunciamos talleres de lectura, sin salio está aprobado Octavios. Usted, también le tranquilos que eso puede manejar. Pues aquí muy cerrado de asumir mi papel. Entonces la gente que nos está escuchando antes del 6 de auril pásense por la página web o por Instagram para que nos acompañen los que nos escuchen después del 6 de auril, estuvo más bueno que en verraco, pongan cuidado para el próximo taller para que no se lo vuelvan a perder. Ahora sí entes, arranquemos. No meti a otro, ya arrancamos desde el segundo. -En arrancamos. -Tres. O sea, María Cristina y Camilo no nos pueden regañar, porque nosotros ya hemos 12 minutos pero hablando de inteligencia artificial. -Ey, sí, señor. -Bueno, entonces arranquemos porque estamos muy en. Pues tan animados, estamos que vamos a hacer 3 partes y un tallere de lectura, entonces, ¿cuámono el toro pues por los cuenos? Empezamos por el principio Octavio. O usted comú le ha ido con la inteligencia artificial. ¿Ya jugó con. -Changy pití? -Que me gusta, se apregunta, me gusta. No, no, pensé que me li va a ser. Pues vea, yo creo que yo ya. Siempre cuando apareció la gente energía artificial generativa, que usted nos va a explicar ahorita. La primera sensación que tuve fue algo que me explicó en la universidad cuando me hablaron del cine versus la fotografía, que en su momento cuando apareció la gente, dijo no, ya la fotografía se va a acabar, murió por completo, porque ya apareció la imagen y movimiento. Entonces, una sensación similar me ocurrió. Entonces, al principio fue de resistencia. -Le tuve cierto miedo. -Sí. Casi que una sensación de si yo uso las herramientas de inteligencia artificial, estoy faltándole a mi profesión. Pero lo curioso es que todo eso lo resubí muy rápido. Entonces, pase un "elumbral" empecé a usar un par de herramientas, más adelante, el "pocontar cuales", pues son las más comunes en últimas, por lo que más, con la que más he jugado, y es con Changy pití. Pero me considero, yo creo que. Muy en pañales todavía, porque sí que estoy jugando con ellas, todavía no termino de entender para que cientos por ciento pueden servir, me ellas en mi trabajo. Entonces, yo siento que estoy como un poquito atrás, también. No sé, usted que opinio, si tienes cifras para. para ilustrarme al respecto. Entonces, yo diría que estoy jugando, y estoy mirando a ver cacharriando en la vaina, como le encuentro, como decimos también nosotros en Colombia, la "como al palo". Yo creo que estén lo que estamos muchos. Me parece que ese ciclo que usted escribes como un montón de gente, ciertamente, yo siento mucha simpatía por eso, y yo también tú inicialmente una reacción, como aprehensiva, muy quieta. No inquieta en el sentido que el jugar, sino inquieta en el sentido de ansiedad. Caramba, esto qué así, qué va a ser, será que si l'ús, será que no, será que se me va a trofiar la capacidad de escribir, si me pongo a usar mucho esta vaina, y también estoy ya en la etapa de jugar y experimentar. Y no sé, no sé, usted que piensa, pero la verdad, me parece que es bastante deslumbrante, lo que estos sistemas son capaces de hacer. No hay nada. Como dicen en España, acogonante. Así es, así los libros también. Y la verdad es que si tienen las capacidades sorprendentes que reflejan una larga historia, entonces déjame le ochar en resumir a las cuentas el cuento, el relato de la intel·ligencia artificial como proyecto de investigación, como esfuerzo. La intel·ligencia artificial tiene una historia muy interesante porque hay apariencia de tantos otros programas de investigación tiene un origen muy específico, tiene un instante en el que nace realmente volumenos. Se suele hablar de ese instante como en la asimiento el proyecto de intel·ligencia artificial moderna, que fue una especie de simpócio que seguís un universidad de Tarbroth en el año 1956. De hecho, es en el contexto de ese simpócio que John McCarty o uno de los asistentes o uno de los padres de la intel·ligencia artificial moderna consiguió el vocául o el término intel·ligencia artificial. -Ok. -56. -En esa? -Cómo? -1956. -Sí, señor, 1956. Y en ese mismo simpócio, dos grandes. Genio, sí, de nuevo, padres también fundadores de esta disciplina, Núon Simon, revelaron o compartieron por primera vez su sistema intel·ligencia artificial, que se llama Logic Theorist, y era un programa de computación que básicamente era capaz de demostrar ciertos teoremas en el campo del cálculo matemático. Allà arrancaste por eso, obviamente, sus raíces históricas son mucho más antiguas, ya Lightning se había imaginado la posibilidad de un cálculo universal, pero, sobretot, Alan Turing, un par de décadas antes, había realmente concebido esta idea de una máquina de clácter digital, cuyo poder computacional podría reproducir actividades o labores cognitivas. És la idea de lo que se llama la máquina de Turing, el Turing Machine. -Que lo troba la motel. -Y hecho. -Correcto. -Y hecho. D'allà es donde viene el concepto de "el test de Turing", que fue lo que hablamos por el año en algún capítulo hace mucho tiempo. -Amb todo lo que vamos al concepto de Turing". Entonces, en esa conferencia en Dormals, en ese simpósobre el 56, podríamos decir que nace la disciplina de la intel·ligencia artificial. Y lo que nace, en realidad, es una familia de model o de algoritmos de intel·ligencia artificial que tiene una característica común, se suele referir a ellos como los algoritmos de intel·ligencia artificial simbólica. Y es que en su mayoría se trata de sistemas lógicos, normalmente lógico de doctígos, aunque no siempre, los hay también probabilísticos, pero básicamente lo que tienen todos en común es que son sistemas explicitamente programados para llevar a cabo alguna labor computacional o cognitiva. Es decir, hay una persona que se sienta y escribe un programa de computación para que la máquina pueda resolver algún problema. problema. Correcto. Lo más importante entender respecto de esa primera generación de la inteligencia artificial, la que ella muy inteligencia artificial sin búlica, es que es fruto de la programación explícita. Y esa es el primer esfuerzo por construir máquinas inteligentes a parte de la programación explícita, produjo cosas en su momento verdaderamente prodigiosas, produjo programas capaces de llevar a cabo tareas computacional y cognitivamente muy complejas, probar programas matemáticos y de hecho los los modelos más insipientes capaces de jugar juegos como la GEDRES. La GEDRES durante mucho tiempo fue como una especie de litmus test, un santo grill de la inteligencia artificial, se pensaba que si se podía construir un sistema capaz de jugar a GEDRES estaríamos ya acercando en los cados más alumbrados de la verdadera inteligencia, sobre el resultado, no ser cierto. Y obviamente también se intentó de entonces utilizar a sus sistemas simbólicos de programación explícita para que los computadores pudieran entender el lenguaje natural, el inglés, el español, el francés, la lengua nuestra. Este tipo de esfuerzos condujo como digo a la creación de sistemas y programas verdaderamente prodigiosos todos con una característica y es que eran locales desde el punto de vista cognitivo, es decir eran capaces incluso cuando lo hacían muy bien solamente de hacer aquello para lo cual estaba programado. Estaban programados, no se salían de ahí. No, es lo que se llama la generación de los expert systems, los sistemas expratos, sistemas que podrían ser de altísimo desempeño en un rango en el caso muy reducido, muy circunscreto, limitado por qué, limitado por la capacidad programación explícita. Sientes si usted por un segundo octe pensar en una acción sencilla o en un ejercicio cognitivo más o menos sencillo como por ejemplo entender un chiste, buena apariencia sencilla. Sí. Y trate usted de hacer una lista exprícita de todo lo que un oyente tendría que saber para captar el chiste. Claro, tendría que saber lo que significa. Es como el chiste es tan malo como los que yo he hecho aquí en Urbietorby, buena vida, como el de Bruce Wayne por ejemplo. Ahí sí que la tarea es titánica. Ahí sí es más todavía difícil. Primaginese, usted tiene que tener una noción de lo que significa cada palabra. Tiene que tener una gramática capas de decir frear al significado una oración completa. Tiene que tener una apreciación acerca de los matices de significado las palabras, sobre todo cuando hay un chiste que juega con ambigüedades o con metonímias o con metáforas o con cualquier otro tipo y vamos de juego lingüístico que trascienda el sentido literal y un vocablo. Sí. Y luego imagínese toda la información implícita y contextual necesaria para entender un chiste. Totalmente. Si usted fuera que hacer la lista completa no acaba nunca y en efecto, tarde que temprano lo que siguieron cuenta los programadores o la mayoría de personas que se embarcaron el proyecto de la inteligencia artificial sin bólica es que esta necesidad de volverlo todo expolicito precisamente porque no sistemos que operaban solo la base de una programación diseñada con un porpocito determinado es una lagor que nunca o por lo menos muy difícilmente podría conducir a una capacidad cognitiva general aplicable a una amplia gama de problemas. Lo máximo que se podía hacer era crear sistemas expertos en rangos de aplicación o dominios cognitivos muy específicos, muy circunscritos. Hay gente que siguió en esa tarea, hacer la teada en tiempo, poco morir un académico, que era muy famoso porque tipo estaba tan casado con la noción de la inteligencia artificial sin bólica que invirtió 20 años en su de su vida tratando de codificar formalmente todas las cosas que nosotros sabemos en virtud del llamado sentido común. No, como llamó. Hombre se me está escapando el nombre. Bueno ahorita se recordaba. Ahora te va a acordar, ahora te va a acordar. Le cuento el nombre que tomó un personaje. Si es un muy famoso porque creo un sistema que era capaz de jugar un juego de estrategia y se ganó el campeonato mundial y fueron que progiren las reglas, la participación en ese campeonato, utilizando el sistema que el tipo se inventó de nuevo. Los logros cosas asombrosamente competentes, programas, asombrosamente competentes en dominios de aplicación muy restringidos y este tipo como tantos otros se puso a esa tarea de volverlo todo explícito y resulta que esa es una labor como le digo casi imposible. Ahora hubo intentos de tratar de simplificar a sus problemas pero en esencia digamos después del gran envío de la inteligencia artificial simbólica que estuvo acompañado de extraordinario optimismo acerca de sus posibilidades. Con el tiempo la cosa fue diluyéndose porque lo único que lográbamos construir eran más y más expert systems, más y más sistemas expertos ninguno de los cuales parecía exhibir aptitudes de raciocinio o de cognición generales extendidas más allá de repito de esos dominios de aplicación muy específica. Y luego una gran revolución con la llegada de lo que no puede llamar digamos la familia de tecnologías inteligencia artificial neurocomputacionales y hay de básicamente ir a esta. ¿Por qué no nos inventamos una forma de crear programas de computación que esté un poco inspirada por la manera como funcional cerebro? Más o menos tratando de desifrar la actividad cognitiva cerebral humana en términos de una computación digital y cuando no lo piensan en esos términos, la expectativa, la esperanza de ese tipo de sistemas es que efectivamente logremos eventualmente una máquina con la concapacidades de raciocinio, semejantes, comparables e incluso superiores a los del cerebro humano. Ese, digamos, cambio en el énfasis tiene una característica central y es abandonar el propósito de la programación explica. En vez de usted decirle al computador que tiene que hacer paso a paso, usted lo que hace es que le ha un computador, unas cantidades astronómicas de información para que el computador mismo aprenda de esa información. Por eso, los sistemas neurocomputacionales realmente floresen de la mano de la digitalización del mundo, porque cuando no se digitaliza, se crean pastas cantidades de información. Imagínese, por ejemplo, cuánta información tiene Google a partir de las búsquedas que en Google hemos hecho los miles de millones de seres humanos que lo utilizamos casi todos los días. El volumen, el flujo de información disponible en el mundo para entrenar las máquinas ha explotado de tal manera que es posible entregar esos volúmenes exorbitantes de información con computador para el que el computador de manera más o menos autónoma identifique patrones estadísticos en la información en la data, ¿sierto? Y eso es lo que se llama Machine Learning. Machine Learning o el aprendizaje de máquinas, la traducción a la español, y eso es un poco desafortunada. Ese aprendizaje, preciante lo que se trata de que la máquina solita más o menos, aprenda de la data que se le da, en vez de ellos enarme explícitamente a programarla y a decirle qué debe hacer. ¿sierto? Inicialmente, el Machine Learning requería un tipo de información específico para poder llevar a cabo su tarea de la detección de patrones estadísticos en la información que se le entregaba y lo que requerían es que enciera información muy bien organizada, información estructurada que estuviera descrita en muchos casos se requería o se requería aún en ciertos modelos que un programador le ayude, digamos, para simplificar la cosa al computador a digerir esa información que se le entrega. ¿sierto? Pero repito, el computador no tiene un programa explícitamente dictado por quien lo programa para razonar de tal o cual manera o para hacer un proceso cognitivo en tal o cual orden con estos momentos o con estas etapas o con estos pasos. Lo que tiene es un volumen extraordinario información, se le dice estos, digamos, son los inputs, una cantidad de información y se le dice esto, los son los outputs, por favor, encuentro los patrones estadísticos relevantes, en virtud, pues, el poder computacional que tiene el hardware que existen en el mundo, los en mi conductor, los microchips que tenemos, ¿sierto? Y luego, viene una generación siguiente dentro de la familia de tecnologías del Machine Learning, que se llama Deep Learning, que está inspirado en las famosas redes neuronales, las neural networks, de nuevo, esto todo en principio inspirado por la noción de cómo funcionan las neuronas. La manera como operan las redes neuronales es muy compleja, pero lo importante entender es que son sistemas que también buscan detectar esos patrones profundos y ocultos en la cantidad enorme información de que uno provee al computador con una diferencia muy importante. Cuando usted hace Machine Learning clásico, ¿sierto? usted tiene que ayudarle al computador identificar cuál es el tipo de características en los inputs que son relevantes para los outputs de interés. Vamos a poner en plomo muy sencillo. Usted es Octavio Galvice, son unos que fueron programas de computación, ¿sí? Y yo como input le doy un libro y como output le pido un resumen del libro. ¿Por qué usted en realidad no son computadores, sino una inteligencia humana. Usted tiene una comprensión instintiva, inconsciente e implícita de que hay una cantidad de cosas acerca del libro, una cantidad de hechos acerca del libro que son irrelevantes para afectos de producir un resumen. Por ejemplo, el diseño de la portada, en la mayoría de los casos es irrelevante. El lugar, la hora y la fecha incluso en la que se imprimió la copia específica que usted tiene, todos son hechos irrelevantes para producir un resumen del libro. ¿Cierto? Sí. La ubicación específica del libro en su biblioteca es también irrelevante. El papel de esta empresa. Todo eso es irrelevante. Fíjese que este es un tópico el que nosotros hemos hablado antes. Hemos hablado ese tópico muchos capítulos incluyendo el de las mentiras de Nietzsche y es el hecho de que las cosas del mundo tienen una cantidad infinita información de cualquier objeto del mundo. Yo puedo hacer una serie infinita de afirmaciones verdaderas, ¿sierto? La inmensa mayoría de los cuales son irrelevantes para un propósito específico. La Comunición humana, una de sus claves, uno de sus misterios, y yo, ese filtro automático de lo relevante y lo irrelevante en un contexto determinado. A usted nadie le tiene que enseñar que la locación del libro en su biblioteca no tiene importancia la hora de precisar el contenido del libro. Usted no se lo tiene que explicar nadie. Usted eso siempre lo ha sabido. ¿Cierto? Sí, es el que vuelve y juega la importancia del conocimiento implícito de lo que llamamos sentido común. Para una máquina son es obvio. La máquina no tiene un estándar intrínseco de lo relevante y de lo relevante. Y de lo relevante. Entonces en Machine Learning, la labor fundamental del programador es definir lo que se llaman los features, los atributos, algo así como las dimensiones de los inputs que son importantes para el output de su interés para el resultado que usted busca. En el ejemplo que estamos poniendo, si usted fuera un sistema de computación, yo como programador tendría que decirlo, "y a mí, no le preste atención a la caráctula, no le preste atención al tipo de papel, haga caso miso de lugar fecha y hora de impresión, nada de lo cual importa la hora de producir un resumen". ¿Cierto? Esa labor de ingeniería de los features es lo que los sistemas de Deep Learning esencialmente automatizan. Y también eso deja en gran medida de ser una labor explícita del programador. Los sistemas de Deep Learning de aprendizaje profundo se llama utilizan la complejidad de las redes neuronales, que es una forma de diseñar programas de computación para que el computador es solo haga solo. Es una cosa realmente fascinante y extraordinaria. Y es precisamente de ese tipo de desarrollo de donde mergen los modelos de inteligencia artificial generativo. Esos modelos tienen muchas características interesantes. La primera octiz que como nadie los programó explícidamente para hacer una cosa o hacer la otra, lo que esos modelos en efecto son capaces de hacer es una verdadera sorpresa. Nadie lo sabe en este plano. Cuando usted cogió un modelo como Gpt y lo entrena, que es el proceso de entregar el modelo, esta cantidad realmente es sorbitan de información de la cual el modelo extrae de los patrones estadísticas interreales antes cuando usted hace eso que se entrenar el modelo. Usted no sabe en el fondo que va a salir. Usted le está postando a que envirtúel poder computacional del modelo y esa arquitectura de sistema de reenuroniales, etcétera. El modelo va a encontrar patrones estadísticamente relevantes y poderosos para que, para crear predicciones que coincidan con los patrones observados en esa información, ese cuerpo de información en esa data. Entonces, ¿qué hace Gpt y cómo Gpt es lo que va a decir es cierto de Claude de Anthropic y es cierto de Lama, el modelo de Meta y es cierto de Jamini o de Bard, es cierto todos los modelos de lo que se llama Inteligencia Artificial Generativa. El modelo coge este corpus de información, que en la práctica es una un porcentaje importante de todo lo que está escrito en el Internet. Estos hablando específicamente los modelos del lenguaje, ¿sierto? Los modelos del lenguaje, lo que se llama Large Language models, los grandes modelos del lenguaje. Y se le todo, se le todo los libros, se le todos los artículos, se le dan otra de prensa, no se le todo el interno, pero se lee una gran parte del interno, no parte muy importante el Internet. Y no hay tanto que efectivamente encuentran los patrones sistemáticos y consistentes en la relación entre palabras. ¿Qué es lo que hace Gpt y Gpt coge? O esto es lo que coge en es cada, se llama tokens, que son unas unidades lingüísticas, no es exacta en tu palabra, pero digamos, en gran discusión que un token es equivalente a una palabra. Coge cada token, ¿sí? Y lo ubica en una especie de mapa matemática. Es un tema puramente de cómputo de vectores, lo ubican un mapa. Ahora, es un mapa de una complejidad extraordinaria, extraordinaria, para que se haga una idea que tan complejo es el mapa. Piense por un segundo que usted y yo vivimos en un mundo tetradimensional, de cuatro dimensiones, las tres dimensiones del espacio y la dimensión del tiempo. Sí, su vida y la mía transcurren en cuatro dimensiones, cuatro dimensiones. Y los objetos del mundo tienen una ubicación en ese esquema tetradimensional. Todos los objetos que han existido, existen que existirán, tienen una locación tetradimensional. Cuando GPD analiza el corpus de texto sobre la base del cual se entrena, a cada token, a cada palabra, más o menos, repito, no es exacta en tu lo mismo, pero para efectos de la discusión, no importa, coge cada palabra y la ubica en un mapa. Un mapa que tiene tantas dimensiones como parámetros, el modelo. ¿Cuántos parámetros dirió usted que tiene GPD 4, por ejemplo? ¿Cuántos parámetros? ¿Cuántos dime? No, violones, imagina que tiene el mapa mental de GPD 4, por así llamarlo. Pues con el preámbulo que me acaba de hacer, ya estoy impresionado porque nosotros estén en los cuatro, pero yo creería que GPD 4 tiene millones. ¿Tiene billones? ¿Billones? Sí, digamos, la cifra, creo que ope que hay nunca lo hecho explícito oficialmente, pero la cifra que sea más o menos reconstruido el consenso es que tiene 1.7 billones de parámetros, billones en español. En español. Ah, ya le va a preguntar, yo que siran inglés en español. Son billones de millones, no, no, no, no. Billones en español, trillion en inglés, 1, 2, 7, más sin ese. La complejidad de ese mapa matemático. Y entonces lo que GPD hace es que empieze a encontrar patrones e interconexiones entre las palabras en esos mapas. Eso es una locura, es una cosa casi imposible conceptualizar, ¿sierto? Entonces cuando estéis ahí GPD, lo que Bogota, esa Colombia, Buenos Aires, es a y GPD 4, están argentinos. ¿Y por qué? Porque en el mapa conceptual de ese número astronómico de parámetros, GPD hace los cálculos de matemática de Victorian para detectar que el token o el vocáulo más próximo a Buenos Aires, dado el paralelo que yo antes he hecho entreables y Donbians es Argentina. Entonces GPD, con ese mapa lo único que hace el modelo es identificar la siguiente palabra más probable en una secuencia de palabras. Esos todos lo que hace. Eso es todo lo que hace y el mucho. Porque por eso yo les escuchado ustedes en conversaciones informales que por ejemplo chagypti está malo haciendo aritmética o tiene dificultades digamos mejor ponga muy pero en los que le da un montón de ocho que alguna vez les escucho sé que la calculadora casi lo lleva por los cachos. Pues digamos esa es la versión menos controversial de lo que de mi observación. La calculadora caso de bolsillo le asó paísaco a cualquier sistema de inteligencia artificial generativa en materia matemáticas. Ya. Eso tiene muchas explicaciones y una de ellas es que estos sistemas tratan a los números normalmente como si fueran palabras no como si fueran números para activar digamos un cómputo al quebraico aunque esto es la misma. Y así chagypti. Exacto. Hace entonces la misma relación pero desde las palabras no desde las cifras. Exactamente. Aunque eso lo han ido ajustando y eso mal que bien lorta. Ah, y va. Resolviendo. Ah, y va. Pero lo importante esto es que aquí tenemos frente nosotros en estos módulos de inteligencia artificial generativa un básicamente lo más próximo que la humanidad ha construido a un sistema de inteligencia artificial de verdad decir de raciocinio aparente sobre la base de la pura cantidad de la pura dimensión del modelo. Acueres que cuando arrancamos hablando de los sistemas simbólicos el propósito era que los sistemas supieran cosas. Cuando este programa le dice oiga venga para resolver este tipo de problema haga esto luego haga tal otra cosa sepa esta regla no a igual a v y v más c igual a d ese programa uno puede plasilante decir sabe esas cosas sabe que hay iguales a v sabe que v más más y igual a d sabe que si el paso uno se cumple se sigue el paso dos si uno podría hablar plausiblemente entre nos de que el computador sabe esas cosas porque está programado en esos términos digamos generales y genericos. Tengo una duda inominable puede ser insignificante pero quiero saber si emplace llamó inteligencia artificial sin bólica o fue con el avance de la misma que esta se convirtió sin bólica fue con el avance del programa investigación de la inteligencia artificial que fue necesario ir haciendo distinciones entre distintas en el juego aparecido después. El contraste de fondo entre lo simbólico y está ideado en euro computacional es lo que inicialmente era el debate entre la inteligencia artificial sin bólica y lo que se llama al conexionismo. ¿Cuál es la apuesta del del del de la metodología con neuro computacional que termina en el machine learning que derivan el deep learning y se convierte en últimas en G. P. T. y todas estos modelos la apuesta es que en lugar de darle a un computador con conocimiento explícito lo que hay que darles una riqueza de conexiones computacionales fíjese en la analogía con la idea de las conexiones neuronales en el cerebro tal riqueza de conexiones que sólo en virtud de la complejidad misma es suficiente para producir un comportamiento en apariencia inteligente. Es una idea que realmente fascinante lo es. ¿Qué es ppt no entiende nada? G. P. T. no entiende nada. Son sistemas donde no hay, digamos, contenido semántico en el sentido en el que no podría plausiblemente atribuírselo a un programa simbólico. G. P. T. lo que tiene es un poder de computo extraordinario que hace posible que a fuerza de pura matemática sepa calcular a la luz del corpus en el que se ha entrenado la secuencia más probable de palabras es un cálculo permanente probable y acondicional, ¿no? Dado que este me ha dado el ejemplo Bogotá es a Colombia, dado que usted me ha dicho, bueno, saíres, por lo tanto la más probable de todas las palabras obsiguientes es Argentina, es un cálculo complejísimo, sin complejísimo, claro que lo es, pero conceptivamente sencillo, si conceptualmente sencillo de probabilidad condicional. G. P. T. no es más, no es más, lo asombroso, lo asombroso es que como son tan grande de los modelos, tan grandes, tanto en la cantidad de información en la que se han entrenado, como en la cantidad de dimensiones de ese mapa matemático subjacente, los 1.7 billones de parámetros, es tan grande que logra a fuerza simplemente de eso producir lo que en apariencia es un comportamiento asombrosomente racional y eso nos lleva de pronto al punto de inicio, que es la idea de altez de touring, creo que lo traemos a colación en nuestro betusto, pero no por eso menos oportuno, capítulo sobre la filosofía, la mente. Betusto, pero no ve gente, exactamente. La idea de touring era muy sencilla, si oiga, venga, supongamos que alguien crea una máquina en efecto inteligente, ¿cómo haríamos pasado a ver si esa máquina está en inteligencia como un ser humano? ¿Cuál es el estándar de medición? En materia de la inteligencia, sí que es cierto, que el hombre en la media, todas las cosas, la única métrica que tenemos de la inteligencia es la propia de la nuestra, si algo es inteligente es porque de alguna forma guarda estrecha, analogía o cercanía, en la manera nuestra de encontrarnos con el mundo, de procesarlo, de asimilarlo, ¿cierto? Entonces, touring propuso más o menos esta noción. Si una persona está interactuando, digamos, con dos ventanillas separadas, sin saber que hay detrás de cada ventanilla y en una hay un ser humano y en otra hay una máquina. La interacción es en lenguaje natural, el anguística de la cupreguntas, me contestan en una ventanilla y en la otra. Y la persona no tiene manera de definir en cuál las dos ventanillas hay un ser humano y en cuál hay una máquina. Entonces, la máquina ha pasado el tec de touring, debemos considerar la inteligente. Esa noción parte esencialmente de una premisa muy común en la época en la que touring escribía, que es la idea del lo que se llama en inglés, behaviorism, el comportamentalismo, tal vez, debe haber mejores traducciones por ahí. ¿Qué es en esencia la noción de que el único criterio real de la inteligencia es el comportamiento inteligente? Que tratar de adivinar que ocurre dentro de la mente de alguien no tiene sentido porque adentro de la mente de la gente no hay nada. Lo que hay es los comportamientos inteligentes que nos permiten atribuirles inteligencia. Entonces, la tecis del tec de touring es que, si una máquina y un ser humano en el ambiente lenguaje natural son comportamentalmente indiceernibles, son, por lo tanto, para todos los efectos igual inteligentes. Es una especie aplicación del principio el ipnets de la identidad de los indiceernibles. Si de donde tres, dos cosas es imposible precisar la diferencia, nos toca tratarlas como iguales. Sí. Sí. Y lo lo increíble y la razón por la cual a mí me sigue asombrando lo que ha pasado en la tecnología este último año y medio dos años. Aunque los desarrollos conceptuales son un poco más viejos, no? Primero fue la academia encontrando, por ejemplo, el sistema de red novela, es que la capacidad práctica de hecho entrenar uno grande. Me sigas asombrando porque estas máquinas la verdad suelen pasar el desde touring. Si usted se sienta hoy a conversar con un asistente virtual soportado por GPD o, digamos, apoyándose en los poderes computacionales de GPD. Es perfectamente plausible pensar que usted puede no saber si se trata de una persona de un computador. Sí. Sobre todo si nunca usaba GPD. El que usaba GPD se da dando cuenta que GPD tiene cierta forma de contestar las preguntas. Siempre es muy amable y muy respetuoso y tal. No sé. Afstráigamos los de eso. Supongo que usted nunca interactúa con un sistema de inteligencia artificial generativo y le pone en esa inenferente. Es muy difícil saber si el que hay detrás es una persona o no. Y antes va a hués a estar, estas máquinas pasan el desde touring. Pero repito, cuando uno se sienta a precisar, ¿qué es lo que hacen? No es fácil llegar a la conclusión de que estas máquinas saben cosas, entienden cosas. Porque no hay en apariencia contenido semántico en las máquinas. ¿Ok? Yo que hay es repito un poder computacional de extraordinaria complejidad. Esa fuerza del tamaño que logran lo que logran. Sí. Ahora la exclusión se vuelve muy interesante porque ahora gente que entonces dice "ven como un mítico". Pero es que el cerebro, visto de esa perspectiva es lo mismo, no es sin una suma de neuronas, ninguna de las cuales tiene contenido semántico. una neurona dispara una señal neuroquímica pasa por una synapsis pasa otra neurona la activa de tal o cual manera es activa la siguiente tal o cual otra forma y en última se producción comportamiento entonces no falta quien dice venga la manera como el otro es que en el GPT claro bien podría hacer la manera de escribir un cerebro y ya se va dando cuenta ustedes pero porque entender cómo funcionan estos sistemas es clave para tomarnos a pecho lo primero que hablamos y es que la inteligencia artificial bien puede entenderse como la prueba de fuego empírica de las filosofías de la mente claro ahora ya hoy entendiendo poco más lo que me dijo es el principio claro porque si usted por ejemplo por ejemplo si usted tiene una filosofía la mente materialista o física lista como se le llama veces en principio cualquier sobre todo si tiene una visión funcionalista también lo hablamos en su momento en ese capítulo y luego lo vamos a hablar de eso más más detalle en principio no es claro porque un computador a pesar de la manera como yo lo estoy escribiendo no daría lugar a que le atribuyamos contenido semántico y cuando ya lo he contenido semántico me refiero a lo que a veces llamaríamos estados mentales creer algo tener la intención de hacer algo si todos esos estados mentales son cosas que contienen proposiciones que tienen contenido proposicional cierto cuando usted cree algo usted cree x no es que usted crea punto usted cree que mañana sale el sol por ejemplo cierto el contenido semántico y su creencia es que mañana va a salir el sol lo que nosotros llamamos actitudes mentales tienen esa característica de lo que Brentano es que había como intencionalidad tiene ese contenido semántico que creemos mucho es una característica central de la mente importantísima lo que significa ser inteligente y ahí está planteado de batencia y cabllo no atribuirle eso a un sistema de las características de lo que yo estoy explicando una máquina de cálculo de probabilidades condicionales sobre la base de un mapa de matemática victoria al de ene dimensiones no es obvia la respuesta pero tienen lo que entenderla entender a esa máquina no entender qué es lo que así como lo hace para poder dar en serio la discusión y dar la dar la con algún a tisbo de rigor de uno a diez que tan perdió se siente cuenta no le va yo le voy a preguntar es más adelante vamos a empezar a hablar de otras sentidades que estoy ya es de macuerdo autónomas o sea pellina autónomas por no más acuerdo el nombre solo vamos a tener más adelante cierto sí o se lo cuenta de una vez digamos que una de las cosas interesantes es que estos sistemas ya pueden utilizarse para nutrir y asimismos para mejorar en la interacción entre unos y otros ciertos entonces por ejemplo usted sabe que cuando no interactúa con una plataforma de inteligencia artificial generativa cuando no le hace preguntas o le dice cosas es actividad se llama en inglés le llama prompting que es que es que es de esas palabras que va a terminar incorporadas a todos los idiomas en su versión en inglés no creo también le tenía un prompt a y piti y piti contesta cierto por resulta que ya estamos menos claro que estas máquinas son muy buenas haciendo los prompts para las otras antes esta estos sistemas tienen como esa característica que pueden utilizarse para nutrirse entre sí y eso lo que significa esa es una de las razones que permite pensar que la innovación en el campo la inteligencia artificial va a seguir ocurriendo a tasas muy aceleradas y probablemente digamos de velocidad creciente o mejor a tasas muy rápidas y probablemente aceleradas y entonces como le digo ya más o menos sabemos lo que se viene en primero se construyeron estos modelos enfocados en el lenguaje en la información de tipo textual por eso se llaman el el emz large language morals los grandes modelos del lenguaje y acuerda que vamos a dicho al principio que para el proyecto de la inteligencia artificial la destresa lingüística como en algún momento lo fue la habilidad de jugar a géneres digamos tiene este peso sin bólico como una gran capacidad que era importante conquistar para la inteligencia artificial por resulta que el lenguaje o el idioma o el texto es solamente una de muchas formas de información es un tipo de data no es la única y hoy existen una serie de modelos que tienen la misma estructura en el fondo no hace lo mismo tiene la misma arquitectura pero que son capaces de procesar información de distinto tipo no solamente información textual sin información visual auditiva audio visual y más y otras cosas también no por ejemplo Gemini que es modelo multimodal se llama de google es capaz de construir digamos un mapa vectorial unificado o mapa matemático unificado de información de todos estos tipos y por eso es que usted Gemini le puede o a Sora que es la versión multimodal recientemente echa pública por parte de OpenAI usted le puede el lenguaje natural dar instrucciones para que crea un vídeo sí y uno puede pensar en los modos de data más o menos como como pensando en los sentidos el mundo exterior es uno solo pero ese mundo exterior nosotros registramos diferentes aspectos a través de cada uno de los sentidos no el tacto la la escucha el olfato la vista todos nos revelen dimensiones diferentes de los mismos objetos y nuestra comprensión muy sofisticada de las cosas del mundo parte la base de unificar digamos esos inputs sensoriales de muy distinto tipo alrededor de los mismos objetos algo parecido podríamos decir ocurre con los modos multimodales que son esta siguiente generación los el mm large mode timoroo morals que son distintos de los del lenguaje los large language morals y lo que viene después todavía no no está alto inventado es un tipo de tecnología se refiere que son rusas y llamados agentes autónomos que son como como un sistema que son sistemas compuestos de varios tipos de inteligencia artificial no únicamente generativa necesariamente que ya se vuelven capaces de hacer cosas más complejas en que sentido en que en vez de yo darle al sistema de instrucción para una tarea específica yo podría darle al sistema un objetivo un fin que el sistema luego es capaz de desglosar en una serie de tareas concretas y específicas pero yo ya no tengo yo para estar ya exactamente lo de lo que es capaz de ser un sistema de hacer cosas en el mundo y conectarse con otros sistemas de información las plataformas digamos que esa parte es un poquito futurista pero está más o menos claro que para allá es donde va la velocidad que estamos ese poquito de futurismo pues habrá hay gente ya que calculado de su cuando podrían empezar a ocurrir uno eso sí eso sí es muy difícil adivinar lo que soltó porque en el campo la inteligencia artificial hay una historia muy graciosa de predicciones excesivamente optimistas en esa primera conferencia la inteligencia artificial de 1956 hay gente que decía que ya estamos apenas a un par de décadas de la inteligencia artificial general en este campo hay hay una sobre dos y optimismo cada vez que ocurren desarrollos nuevos de la base de píganos pronósticos si le apasiono recapitulamos un poquito como los sitos de la misma inteligencia para que para si si paso el examen entonces en el 50 y seis aparece la inteligencia artificial que con el tiempo esa de ese momento se llama simbólica si aquella a la que se programa para que cumpla una tarea específica y esa más y no es el dispositivo no es que va a hacer cosas distintas sino a lo que fue programado cierto exactamente y lo clave ahí es la programación explícita explícita clave es como si el programador tuviera que dictarle definirle el computador los procesos y pasos cognitivos que tiene que seguir para resolver el problema en cuestión y todo tiene que ser explícito para que pueda el cubo de la carta acabó al con la tarea correcto ahí nos quedamos cuantos años y eso hasta hasta bien ha entre dos años 70 finalizándolos años 70 la cosa empieza a enfriarse pero la gente todavía estaba trabajando en eso listo esto luego después después estoy redondando ya me y ya más de un año este episodio con redundances, pero bueno estoy con Centro de Nucortaz. hasta el momento, me perdonó la. más tarde entonces viene entre a los 70 o cuando usted me correge. - Empieza. - Más a ser el momento. - El de la neurocomputación en algo. - Correcto. - Correisto que ahí empieza a ir. - Machining Learning y el Deep Learning. - Es el desco que viene después. - ¿Cierto? - Correcto. - Ahí estos dos manes que lo que hace. - El cambio de paradigma es el lugar de la programación explícita de un proceso cognitivo. - Sí. - Yo lo que construyó es un computador, un programa de computación, capaz de más o menos autónomamente detectar por sí solo, los patrones estadísticos de la información que yo le doy. - Ok. - Esos patrones cumplen la función que en la Inteliencia Artificial Symbolica tenían los programas explícitamente diseñados por el programador. - De hecho. - En el caso sobre todo del Deep Learning, cada vez hay menos y menos y menos programación explícita, lo que hay es una inversión de esfuerzo humano en el diseño de la estructura del modelo para que pueda aprender. El programador lo que hace es construir la arquitectura del modelo para que el modelo vaya y aprenda con la información en la que lo entreno. Pero el programador no le edicta al modelo. - Sí. - Cada vez le edicta menos al modelo. Los detalles del algoritmo es decir, los procesos cognitivos explícitos y las reglas o principios son normas que debe aplicar para producir un resultado determinado, un output determinado. El programa solito reconstruye los patrones latentes en la información implícita, en la información que le permiten pasar de un input a un output. Y lo hace a fuerza de tamaño, a fuerza de escala, de la cantidad de computos y la complejidad de los cálculos que hace para identificar y luego ejecutar esos patrones. Es el cambio paradigma de la programación explícita a la aprendizaje más o menos autónomo de una máquina, solo la base de una arquitectura de un diseño de una estructura más compleja. Y en principio inspirada por la estructura del cerebro humano. - Ok, listo. Ahí nos quedamos que una década, un poco más. - No, en eso estamos. - En eso estamos. Pero tú es como. - Yo quiero que me digáis cuál diferencia entre Machine Learning y Inteligencia Visual Generativa. - En la Inteligencia Arjitificia Generativa es un tipo de machine learning. Es un tipo de deep learning que a su vez es un tipo de machine learning. - Vale. - Ok. - Si el machine learning es el género, la especie es el deep learning y los sistemas que tenemos Inteligencia Artificial Generativa, estos populares grandes como GPD, los que están en boca, son una arquitectura específica de deep learning. - Va. - Es la subespecie. - Exacto. Pero lo importante es el cambio paradigma. - Que es el ocurrió en el Machine Learning. - Exactamente. - Que hay arranca. - Claro, hay arranca. - Es progresivo. - Pero hay arranca. - Como esta. - Abastas cantidad de información. - Esa. - Pasarse a la máquina la que pueda establecer el relacionamiento entre una cosa y el. - Exactamente. - Y a partir de vez de mis respuestas. - Exacto. - Y por eso es que es tan difícil atribuirle a esas máquinas contenidos se mantico, pero es tan difícil decir que la máquina entiende algo. - Ya. - Porque la máquina no tiene, y cierta, ente no se le ha dado, un conjunto de reglas o de principios lógicos, como si es el caso en la Inteligencia Artificial Simbólica, que nosotros pudiéramos reconocer como la comprensión de algo. La capacidad de utilizar una palabra, correctamente en casi todos los contextos, simplemente porque no es muy bueno a la hora de predecir cuál es la siguiente palabra más probable de a las anteriores, no es a lo que nosotros nos referimos con la comprensión de un vocablo. - Sí. - Nosotros decimos que alguien entiende una palabra, lo que decimos es que esa persona capta el contenido semántico de la palabra. No estamos haciendo una firmación acerca de los poderes de cálculo probabilístico de la persona. Pero si todo lo que hace GPs es un cálculo probabilístico sobre la base, ese mapa extraordinariamente complejo es una temática vectorial. Si eso es todo lo que hace, pero eso no es lo que para nosotros significa comprender algo. Por eso, digamos, es tan plausible la tecis de que GPs no entienden nada a lo que dice. Pero por otra parte está quien dirá como de la luz, así un reto en capra, que tan distinto es en realidad eso, y lo comparar a un diario que hace un cerebro. - Ajá. - Que es. - Me gustó mucho el ejemplo suyo de los chistes, porque entonces también le voy a escuchar que podés estar con el juego entender el chiste. - Exactamente. Pero GPs entiende chistes y hace chistes. - Sí. - Malos, muy. - Pero lo hace. - Máines, sí. - Si lo digiste. - Mágenes, imagínese exactamente. Y son malos. - Yo me siento súper bien en un nivel impresionante. - Cuando. - Pero yo. - Pero yo. - Para mí lo importante es cerrar con esto, porque yo creo que en el siguiente y en el tercer capítulo esta serie va a ser muy claro porque era tan importante este recorrido por la historia, la inteligencia artificial, y por los distintos paradigmas de cómo realizarla, de cómo llevarla a buen término. - Sí. - Y es resalto o insisto, ese contraste entre un sistema que opera suela base, principios, normas, lógicas, inteligibles que usted y yo comprendemos, ¿sierto? Y que son más o menos analogas a la manera como los seres humanos, no representamos lo que creemos, lo que sabemos, lo que dudamos, que es el caso de la inteligencia artificial sin bólica. Y por otro lado el paradigma conexionista, neurocomputacional, donde no hay tales reglas, no hay tales principios, no hay tales, digamos, máximas generales de raciocinio en la máquina. Hay una máxima, estoy sobre simplificando, pero digamos, hay un principio de cálculo matemático, de una forma de char número, de char cuenta. Pero es una forma de char cuenta, digamos, que es completamente ciega, al contenido semántico de las palabras y de las cosas. Gipiti no sabe que es un árbol, pero Gipiti sabe la relación probabilística entre árbol y todas las demás palabras del idioma en todas las posibles configuraciones. Pero es eso lo mismo que entender la palabra árbol? - Entiendo. - Ya? - Sí, sí, sí. Ya he visto porque esto está en import, ya va viendo, porque nosotros recién muchas preguntas sobre si estos sistemas piensan, si entienden, si razones, si tienen voluntad, si pueden acrir conciencia, y los fundamentos de cualquier intento de respuesta están en esta discusión. Por eso este capítulo, aunque sea difícil que lo es, porque esto es un tema de gran complejidad técnica y repito que en algunos elementos sobre simplifico, no todo es lo mejor, terminó rayando en la imprecisión, pero esta comprensión general es clave, para no tener una discusión inteligente e informada acerca de esas preguntas vitales, que nos hacemos todos y que nos hicieron nosotros explícidamente, casi todos los cinco queridísimos pelagatos. - Sí, sobre todo para entender como desde el principio, y ya después casi estoy pensando en lo mismo que hablamos, entonces como que está gran cantidad de información, va a ser muy importante para que nosotros posteriormente podamos empezar a emitir conclusiones. - O mejor, por lo menos hipótesis, que no se nos ha gustado. - Sí, digamos le lectura. - Exacto. - Interpretación correcto. - Exacto. - Bueno, vamos bien, ¿no? - Está listo para pedir trabajo en OpenAI, ¿ok? - No, pero le quiero preguntar una cosa. Con base en lo que yo le dije que era mi estado actual, ver relacionamiento con la inteligencia artificial, estoy ya resagado o como estoy yo, usted me lo dijo pues que así estamos muchos, porque a veces digo esto está avanzando tanto, yo digo, fujas de la que es que ya me quede el traste, ¿ok? - No, no. - No, no, no, no, no, para nada, no sé, es trase por eso. - Y vas a contarnos más una cosa. - Y soricamente cada vez que aparecen transformaciones tecnológicas con la potencia de estos sistemas, y no son tanto los presentes, ¿no? La electricidad, por ejemplo, es uno, la regulación de las tecnologías de la información, la mitad de siglo es otro. - Sí. - Cuando ocurren estos cambios, y sobre todo cuando las tecnologías quemerojen, son multipropósitos, son lo que se llama en tecnologías de propósito general o de uso general. - No. - El proceso de adaptación social las tecnologías es muy lento. hay un ensayo muy famoso en historia económica que se llama el dinamoo y el computador del historiador económico Paul David y en ese ensayo David cita una frase que hay me encanta de Robert Solow que era un gran gran gran economista que por ahí han eló en el 80 o a principio de la de Carlos 80 tiró una frase maravillosa y se vega después de la revolución de los computadores que ya llevaba varios años para entonces digo vemos computadores en todas partes menos en las estadísticas de productividad es decir la tecnología estaba allí pero todavía nos habíamos colectivamente que hacer con ella y eso es normal eso ya nos ha pasado seguramente va a pasar nuevamente con este tecnología o sea que usted no está colgado tranquilo ahí está muy a tiempo para todo seguir un poco, poco montándose en el búste por lo menos comprenderlas o tratar de comprenderlas y empezar a verlas en su de vida proporción ni por menos de lo que son ni por más de lo que en efecto son por más que se puedan ser que es el tema de nuestra de nuestras heridos dos capítulos que vienen bueno más adelante veremos que se siente ser un murciélago si no está bueno está bueno seguiré leyéndolo y ahí pues espero que más se sumen a la lectura bueno compañero nos vemos en 15 días para que sigamos que resolviendo y ya entramos con las preguntas de los pelagatos y ¿qué? Así es en 15 años vemos para empezar a hablar de fondo las preguntas que hemos recibido a los ocho días siguientes nos vemos en el taller de lectura sobre lo que se siente ser un murciélago de tomas neigo y una semana después a nuestro tercera y último capítulo esta serie sobre la inteligencia artificial por ahora vaya a se dormir porque por allá por donde esté ya es la una de la mañana imagínense maestro y mañana que vente se levanta la 6 no perdónato pa' él no es ningún pro esto no tiene que ver con él mañana la la 6 no no no empieza su turno ahora se compa' ya que le tiene sin cuidado que un GPT que una cosa que la otra nada a las 6 como dice el TTT TTT a ya dice TTT 17 y por estos días tiene una obsesión con un con un hipopótamo de plástico que le regaló María Cristina y le dice pupa antes ahora se levanta y primero grita para quien no le llevia pupa y después grita para que le llen el TTT bien la sinfonía de las 6 de la mañana inconfundible es pupa pupa pupa y a entrar entre con un hipopótamo y TTT TTT TTTT que ve el que es apaternia octí le falta 4 horas 55 entonces para que llame una pupa y a esa casa calle esos ojos hombre ahora feliz noche maestro un vietor vi es producido por vielo media con la música original de Felipe Durán la coordinación general de Camilo su luaga y la dirección creativa de María Cristina Pimiento agradecemos especialmente a lucha y tipin por la voz del cabezote y nuestro logo nosotros somos David su luaga y Octavio Galbys feliz día feliz tarde o feliz noche Bien lo.