Speaker A
La filosofía es algo así como la matemática de las palabras. Filosofar no es ni tan ajeno ni tan difícil.
Introducción filosófica a la inteligencia artificial, su historia, importancia y relación con la filosofía de la mente.
Ask about this video. Answers come from its transcript only — with the timestamp, so you can check them.
Generated from the transcript and can be wrong — check the timestamp.
Key Takeaways
- La inteligencia artificial es un tema central para la filosofía de la mente.
- El éxito o fracaso de la IA puede revelar mucho sobre la naturaleza de la inteligencia humana.
- La filosofía ha influido directamente en los métodos y objetivos de la IA.
- Un diálogo informado entre filosofía y tecnología es esencial para entender la IA.
- La IA actual, aunque avanzada, aún enfrenta desafíos para atribuirle comprensión real o conciencia.
What the video covers
- Introducción a la relación entre filosofía e inteligencia artificial (IA).
- La IA como prueba empírica de las teorías filosóficas sobre la mente, inteligencia y conciencia.
- Explicación del proyecto original de la IA: replicar los poderes cognitivos humanos en máquinas.
- Importancia de la filosofía en el desarrollo y análisis de la IA.
- Experiencia personal de David Zuluaga en el estudio de la IA desde una perspectiva filosófica y técnica.
- Decisión de hacer una serie de episodios para responder preguntas del público sobre IA.
- Mención del arte tradicional versus arte generado por IA para ilustrar el episodio.
- Contexto histórico y técnico de la IA, incluyendo inteligencia artificial simbólica y machine learning.
- Discusión sobre el funcionamiento de modelos como GPT y su capacidad para procesar lenguaje.
- Reflexión sobre las limitaciones actuales de la IA para comprender contenido semántico y conciencia.
Chapters
- 00:00Introducción y relación entre filosofía e inteligencia artificial
- 04:15La IA como prueba empírica de filosofías de la mente
- 08:18Preguntas del público y estructura de la serie sobre IA
- 12:38Contexto histórico y técnico de la inteligencia artificial
- 20:00Funcionamiento de modelos de lenguaje como GPT
- 23:57Reflexiones sobre la inteligencia, conciencia y limitaciones de la IA
Full Transcript — Download SRT & Markdown
Speaker A
Modo geométrico. Ahí tengo yo otra pregunta. Urby Orby a la ciudad y al mundo.
Speaker A
Buenos días, buenas tardes, buenas noches. Esta es la primera parte de una serie de tres episodios sobre inteligencia artificial.
Speaker A
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 ponen a
Speaker 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.
Speaker A
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.
Speaker A
A continuación, inteligencia artificial, el cerebro mecánico. Compañero David, solucionemos la primera pregunta inmediatamente antes de saludarnos. ¿Por qué en un podcast de filosofía vamos a hablar de inteligencia artificial? Y también regáleme una ñapa, ¿por qué David Zuluaga, siendo filósofo,
Speaker A
quiere echarse eso al hombro? Porque al final del día, pues yo soy el curioso de la cuota, así que vengo más relajado.
Speaker A
Muy legítimas preguntas y fundamentales. La primera, ¿por qué en un podcast de filosofía vamos a hablar de una cuestión de tecnología?
Speaker A
Y la respuesta, OCTI, 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 filósofos como Daniel Dennett dicen que la inteligencia artificial es
Speaker A
en sí misma una forma de filosofía. Okay. Tal vez la manera más concreta de entenderlo es que la inteligencia artificial es la prueba de fuego de cualquier filosofía de la mente.
Speaker A
El proyecto de la inteligencia artificial, al menos en su concepción original, es el de crear máquinas inteligentes, es decir, con poderes cognitivos comparables a los de los seres humanos, sino superiores.
Speaker A
Y todos los esfuerzos de la comunidad académica que ha estado volcada, bueno, y ahora también la comunidad empresarial volcada hacia el desarrollo de sistemas de inteligencia artificial, en el fondo, de manera implícita o explícita, está inspirado por la convicción de que es
Speaker A
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.
Speaker A
Si ese proyecto prospera en sus ambiciones más elevadas, ¿sí? La de replicar mecánicamente una inteligencia, eso nos diría un montón acerca de la naturaleza de la inteligencia misma.
Speaker A
Si ese proyecto fracasa, sobre todo si fracasa en la empresa de construir máquinas inteligentes como lo somos nosotros, es decir, inteligentes, además conscientes, etcétera, etcétera, si ese proyecto fracasa, también nos diría mucho acerca de la naturaleza de la
Speaker A
mente. Entonces, una forma de pensar en la inteligencia artificial es como la evaluación empírica de las filosofías de la mente. Ya. Por lo tanto, un proyecto de la humanidad donde la filosofía está en el centro del debate porque ella está en juego,
Speaker A
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 de hecho ha sido la que provee muchos de los puntos de partida
Speaker A
de la inteligencia artificial como una familia de metodologías o de métodos computacionales, de lo que vamos a hablar en un ratico, pero la relación es estrechísima.
Speaker A
Y a su segunda pregunta de por qué, que ya me respondió un poquito, pero entrando más en su experiencia.
Speaker A
Es correcto. Es correcto. En parte creo que se la contesté porque esa cercanía entre la filosofía y la inteligencia artificial pues invita a que el filósofo participe en la discusión de la inteligencia artificial, pero también es muy importante participar de ella con
Speaker A
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, sí llevo por cuestiones fortuitas de mi vida laboral varios meses absolutamente
Speaker A
dedicado a este tema, aprendiendo muchísimo y todavía pues es aún más lo que me falta por aprender, pero creo que mi aún somera comprensión de qué son y cómo funcionan estos sistemas se presta para que podamos tener un
Speaker A
diálogo filosóficamente robusto, pero informado a partir de la realidad técnica de estas tecnologías. Entonces me parece que el tema desde ese punto de vista es irresistible. ¿Cómo no volver a una cuestión que tratamos ya hace tantos
Speaker A
capítulos, la de la filosofía de la mente en el contexto de las revolucionarias transformaciones tecnológicas en este proyecto que, como le digo, puede interpretarse como el test empírico de las filosofías de la mente? Imposible no meter la cucharada.
Speaker A
Sí, bueno, pero digamos que sí me gustaba empezar así para resolver un poco la inquietud, para saber pues que bueno, aquí sí ha habido como un trabajo de su parte en torno a esto desde hace unos meses y que
Speaker A
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 más bien, y yo siempre digo, "No, si a él no lo molestan, no hace nada."
Speaker A
Que es un tiro pues muy de mi región. Pocos lo entienden de pronto, pero yo digo, no, no, si él no lo molesta, no hace nada. Pero es muy, es como... Oiga, me gustó esa palabra irresistible porque irresistible fue para mí contactar a un 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
Speaker A
artificial. Esto es, digamos, un ejemplo que yo sé que vamos a tocar más en la segunda parte de esta serie, pero que nació como de una, ni siquiera ya era incomodidad, sino un deseo ahí
Speaker A
de provocación en donde dije, pues qué chévere que el episodio de inteligencia artificial vuelva a ilustrarlo un artista de carne y hueso.
Speaker A
Me parece que en este caso es el provoca. Ah, oportunísima. Oportunísima. Me pareció divertida. Y a él también, a Nelio Andrés se llama él, que nos hizo pues algo que además es una imagen que además provoca, es su obra, sí es
Speaker A
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 ahí a los que no se han pasado por Instagram para que vean en Urby Orby podcast
Speaker A
de qué imagen estamos hablando. Un saludo y agradecimiento también a Nelio Andrés en Medellín. Y bueno, de ahí salió la idea de cambiar un poquito las condiciones que nosotros mismos habíamos puesto en esta
Speaker A
temporada. Sí, como chotino, como le digo. Y aprovecho que usted hace una mención para precisar algo. Usted dice que vamos a hablar más de eso en el segundo capítulo de esta serie y es que usted y
Speaker A
yo nos propusimos hacer un capítulo de inteligencia artificial y como el tema está tan en boga, se nos dio por preguntarle a nuestros eternamente y queridísimos cinco pelagatos, pues, ¿qué preguntas les surgen acerca de la inteligencia artificial? Y hemos recibido una
Speaker A
cantidad realmente magnífica de preguntas y magnífica la cantidad, como la naturaleza, las preguntas, las dos. Sí, además de todo tipo, unas cosas bastante interesantes. Chévere también porque hay muchos puntos de encuentro, o sea, hay personas, varias personas preguntándose cosas
Speaker A
parecidas, pero nosotros seguimos siendo cinco. Es decir, cada uno de los cinco hizo como unas 40 preguntas, pero son cinco.
Speaker A
Tenemos cinco, aunque con personalidad múltiple, pero cinco siempre. Tal cual. Entonces,
Speaker A
Tenemos cinco, aunque con personalidad múltiple, pero cinco siempre. Tal cual. Entonces, bueno, por eso por eso la decisión, ¿no? De hacer más de uno.
Speaker A
Exacto. Entonces, en vista de la cantidad y la calidad de las preguntas y además de su naturaleza, yo le propuse a usted y usted generosamente aceptó que debíamos de pronto antes de hacer un episodio para ojalá responder muchas de
Speaker A
esas preguntas hacer este de hoy, que podríamos decir es un es un episodio eh introductorio o fundacional.
Speaker A
para explicar qué es la inteligencia artificial y sobre todo qué es lo distintivo qué es lo especial, qué es lo eh característico de los modelos de inteligencia artificial generativa que se han vuelto tan populares en el último año y medio, 2 años.
Speaker A
Porque entender qué hacen y qué no hacen, de hecho, es una pieza central de las respuestas que esperamos ofrecer a muchas de esas preguntas. Entonces, nos vamos a aventurar a hacer no uno, no dos, sino tres capítulos sobre
Speaker A
inteligencia artificial. un poco más introductorio, pero creemos o esperamos resulte útil un segundo capítulo para responder las preguntas, repito, muy importantes y de mucho tino que hemos recibido de nuestros queridísimos cinco pelagatos y un tercer capítulo para abordar la cuestión que a
Speaker 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 inteligencia general artificial.
Speaker A
Vamos a llegar allá. Y hecho, no contentos con hacer tres capítulos OPTI, vamos a hacer una cosa más. Vamos a hacer el experimento en este arco de tres episodios de convocar a un taller de lectura que va a realizarse el sábado
Speaker A
6 de abril. Sí, 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 de la mente que se llama por su título en inglés What it is like to
Speaker A
be a bat. ¿Qué es o cómo se siente ser un murciélago? Es un ensayo del filósofo Thomas Neigo, muy muy importante, eh, muy corto, este fascin, fascinante. Y vamos a hacer un experimento. Ese taller eh lo vamos a hacer, como digo, la
Speaker A
semana antes de que se publique el tercer episodio podcast con la siguiente intención o con la siguiente certidumbre, diría yo, y es que quienes desean acompañarnos en él, estoy seguro, van a tener una experiencia aún más enriquecedora con ese tercer y último
Speaker A
capítulo de este ciclo. Claro, no es necesario ir al taller para eh entender o seguirle la pista a ese tercer capítulo que publicaremos a la semana siguiente, pero sí que pueden sacarle más.
Speaker A
Exacto, exacto. Entonces, e a quienes quieran acompañarnos, por favor, vayan a nuestra página web www.urbietorbipodcast.com o escríbanos por correo [email protected].
Speaker A
Les enviamos todos los datos para inscribirse y ojalá se animen a acompañarnos el 6 de abril e 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
Speaker A
sistemas de inteligencia artificial algún día se vuelvan conscientes. Esa menos es la pregunta que vamos a empezar a abordar en el taller y que obviamente desembocará en ese tercer capítulo del arco completo.
Speaker A
Una berraquera. Yo ya lo empecé a leer porque usted me lo mandó esta semana.
Speaker A
Así que como digo yo siempre cuando anunciamos talleres de lectura, ese ensayo está a prueba de octavios. Usted vle tranquilos que eso que eso se puede manejar. Estoy pues aquí muy honrado de de asumir mi papel. Entonces, la gente
Speaker A
que nos está escuchando antes del 6 de abril, pásense por la página web o por Instagram e para que nos acompañen. Los que nos escuchen después del 6 de abril.
Speaker A
Estuvo más bueno que un berraco. Pongan cuidado para el próximo taller para que no se lo vuelvan a perder. Ahora sí, entonces arranquemos. No, mentira, nosotros ya arrancamos desde el segundo tres. O sea, María Cristina y Camilo no
Speaker A
nos pueden regañar porque nosotros llevamos 12 minutos, pero hablando de inteligencia artificial. Eh, sí, señor.
Speaker A
Bueno, entonces arranquemos pues porque sí estamos muy pues tan animados estamos que vamos a hacer tres partes y un taller de lectura. Entonces cojamos el toro pues por los cuernos.
Speaker A
Empecemos por el principio. Octavio, a usted cómo le ha ido con la inteligencia artificial. Ya jugó con ChanPT.
Speaker A
Que me me gusta esa pregunta. Me me gusta. No me no pensé que me la iba a hacer. Eh, pues vea, yo creo que yo ya pasé siempre cuando apareció la gente de energía artificial generativa que usted nos va a explicar eh ahorita.
Speaker A
Eh, la primera sensación que tuve fue algo que me explicaron a mí en la universidad cuando me hablaron de el cine versus la fotografía, que en su momento cuando apareció la gente dijo, "No, ya la fotografía se va a acabar."
Speaker A
Eh, murió por completo porque ya apareció la imagen de movimiento. Entonces, una sensación similar me ocurrió. Entonces, al principio fue de resistencia. Le tuve cierto miedo, casi que una sensación de si yo uso las herramientas de inteligencia artificial,
Speaker A
estoy faltándole a mi profesión. Pero lo curioso es que todo eso lo resolví muy rápido. Entonces, pasé un el umbral, empecé a usar un par de herramientas.
Speaker A
Eh, más adelante le puedo contar cuáles, pues son las más comunes en últimas pues la que más con la que más he jugado es con chat GPT. Eh, pero me considero, yo creo que hm muy muy en pañales todavía porque sí que
Speaker A
estoy jugando con ellas. Todavía no termino de entender eh para qué 100% pueden servirme ellas en mi trabajo.
Speaker A
Entonces, no yo siento que estoy como un poquito atrás también. No sé usted qué opine o si tiene cifras para para ilustrarme al respecto. Entonces, yo diría que estoy jugando y estoy mirando a ver cacharreando en la vaina como la
Speaker A
encuentro, como decimos también nosotros en Colombia, la comba al palo. Yo creo que usted está en lo que estamos muchos. E y me parece que ese ese ciclo que usted escribe es como una a un montón de gente. Ciertamente
Speaker A
eh yo siento mucha simpatía por eso. Yo también tuve inicialmente una reacción como apreensiva, un poco inquieta, no inquieta en el sentido de querer jugar, sino inquieta en el sentido de ansiedad.
Speaker A
Eh, caramba, esto, ¿qué hace? ¿Qué va a hacer? ¿Será que sí lo uso? ¿Será que no? ¿Será que se me va a atrofear la capacidad de escribir si me pongo a usar mucho esta vaina?
Speaker A
E y también estoy ya en la etapa de jugar y de experimentar y no sé no sé usted qué piensa, pero la verdad a mí me parece que que es bastante deslumbrante lo que estos sistemas son capaces de hacer. Es una
Speaker A
vaina como como dicen en España, acojonante. Así es. Así lo siento yo también. y y la verdad es que sí tiene unas capacidades sorprendentes que reflejan una larga historia.
Speaker A
Entonces, déjeme le voy a echar en resumidas cuentas el el cuento, o el relato de la inteligencia artificial como como proyecto de investigación, como esfuerzo.
Speaker A
La inteligencia artificial tiene una historia muy interesante porque a diferencia de tantos otros programas de investigación tiene un origen muy específico, tiene un instante en el que nace realmente, por lo menos se suele hablar de ese instante como el
Speaker A
nacimiento, el proyecto de la inteligencia artificial moderna, que fue una especie de simposio que se hizo en la Universidad de Darwth en el año de 1956.
Speaker A
De hecho, es en el contexto de ese simposio que eh John McCarthy, uno de los asistentes, uno de los padres de la inteligencia artificial moderna, concibió el vocáblo, el término inteligencia artificial.
Speaker A
Okay. 56. En esa cómo 1956. Sí, señor. 1956. Y en ese mismo simposio, dos grandes eh genios y de nuevo padres también fundadores de esta disciplina, New and Simon, eh revelaron o compartieron por primera vez su sistema de inteligencia
Speaker A
artificial que se llamaba Logic Theorist y era un programa de computación que básicamente era capaz de demostrar ciertos teoremas en el campo pues del cálculo matemático.
Speaker A
Ahí arranca este proceso. Obviamente sus raíces históricas son mucho más antiguas, ¿no? Ya Lipnet se había imaginado la posibilidad de un cálculo universal, pero sobre todo Alan Tureng un par de décadas antes había realmente concebido esta idea de una máquina
Speaker A
de carácter digital, cuyo poder computacional podría reproducir actividades o labores cognitivas. es la idea de lo que se llama la máquina de Turing, el Touring Machine, que nosotros hablamos de él y hecho, correcto. Y de hecho, de ahí es
Speaker A
donde viene el concepto de el test de Touring, que fue lo que hablamos por allá en algún capítulo hace mucho tiempo.
Speaker A
Ahorita volvemos al al concepto del test de Touring. En esa conferencia en Dmarth, en ese simposio, el 56, eh podríamos decir que nace la disciplina de la inteligencia artificial y lo que nace en realidad es una familia de eh modelos o de
Speaker A
algoritmos de inteligencia artificial que tienen una característica común. Se suele referir uno a ellos como los algoritmos de inteligencia artificial simbólica.
Speaker A
Y es que en su mayoría se trata de sistemas lógicos. Eh, normalmente lógico deductivos, aunque no siempre los hay también probabilísticos, pero básicamente lo que tienen todos en común es que son sistemas explícitamente programados para llevar a cabo alguna
Speaker A
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. ¿Correcto? Lo más importante de entender respecto de esa primera generación de la inteligencia
Speaker A
artificial, la que llamo inteligencia artificial simbólica, es que es fruto de la programación explícitam y esa ese primer esfuerzo por construir máquinas inteligentes a partir de la programación explícita produjo cosas en su momento verdaderamente prodigiosas.
Speaker A
produjo programas capaces de llevar a cabo tareas computacional y cognitivamente muy complejas, probar teoremas matemáticos y de hecho los modelos más incipientes capaces de jugar juegos como el ajedrez.
Speaker A
El ajedrez durante mucho tiempo fue como como una especie de litmus test, ¿sí? Un un santo grial de la inteligencia artificial. Se pensaba que si se podía construir un sistema capaz de juzgar ajedrez, estaríamos ya acercándonos cada vez más al umbral de la verdadera
Speaker A
inteligencia. Eso resultó pues no ser cierto. Eh, y obviamente también se intentó desde entonces utilizar esos sistemas simbólicos de programación explícita para que los computadores pudieran entender el lenguaje natural, el inglés, el español, el francés, ¿no?
Speaker A
La lengua nuestra. Sí. Este tipo de esfuerzos condujo, como digo, a la creación de sistemas y de programas verdaderamente prodigiosos, todos con una característica, y es que eran locales desde el punto de vista cognitivo, es decir, eran capaces,
Speaker A
incluso cuando lo hacían muy bien solamente de hacer aquello para lo cual estaban programado, para lo cual estaban programados, o sea, no se salían de ahí, no. es lo que se llama la generación de los expert systems, los sistemas
Speaker A
expertos, sistemas que podrían ser eh de altísimo desempeño en un rango de aplicación muy reducido, muy circunscrito.
Speaker A
Limitado, ¿por qué? Limitado por la capacidad de programación explícita. Siéntese usted por un segundo te a pensar en una acción sencilla o en un ejercicio cognitivo más o menos sencillo, como por ejemplo entender un chiste o en apariencia sencillo.
Speaker A
Sí. Y trate usted de hacer una lista explícita de todo lo que un oyente tendría que saber para captar el chiste.
Speaker A
Claro, tendría que saber lo que significan las incluso cuando el chiste es tan malo como los que yo he hecho aquí en Urbietorbi o en la vida general, como el de Bruce Wayne, por ejemplo.
Speaker A
Ahí sí que la tarea es titánica, ahí sí es más todavía difícil, pero imagínese, usted tiene que tener una noción de lo que significa cada palabra. tiene que tener una gramática capaz de descifrar el significado de una oración completa.
Speaker A
Tiene que tener una apreciación acerca de los matices de significado de las palabras, sobre todo cuando hay un chiste que juega con ambigüedades o con metonimias o con metáforas o con cualquier otro tipo, digamos, de juego lingüístico que trascienda el sentido
Speaker A
literal de un vocáblo. Y luego, imagínese toda la información implícita y contextual necesaria para entender un chiste. Totalmente.
Speaker A
Si usted tuviera que hacer la lista completa, no acaba nunca. Y en efecto, tarde que temprano, lo que se dieron cuenta los programadores o la mayoría de personas que se embarcaron en el proyecto de la inteligencia artificial simbólica, es que esta necesidad de
Speaker A
volverlo todo explícito precisamente porque eran sistemas que operaban sobre la base de una programación diseñada con un propósito determinado, eso era una labor que nunca o por lo menos muy difícilmente podría conducir a una capacidad cognitiva general aplicable a
Speaker 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.
Speaker A
Hay gente que siguió en esa tarea. Hace relativamente poco murió un académico que era muy famoso porque el tipo estaba tan casado con la noción de la inteligencia artificial simbólica que invirtió 20 años en su de su vida
Speaker A
tratando de codificar formalmente todas las cosas que nosotros sabemos en virtud del llamado sentido común.
Speaker A
No, ¿cómo llamado? Eh, ay, hombre, se me está escapando el nombre. Dog. Bueno, ahorita se acerá. Ay, ahorita me acuerdo. Ahorita me acuerdo. Le cuento el nombre. Todo un personaje.
Speaker A
Eh, se hizo muy famoso porque creó un sistema que era capaz de jugar un juego de estrategia y se ganó el campeonato mundial y tuvieron que prohibir en las reglas la participación en ese campeonato utilizando el sistema que el
Speaker A
tipo se inventó. de nuevo, logró construir 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
Speaker A
digo, casi imposible. E ahora hubo intentos de tratar de simplificar esos problemas, eh, pero en esencia, digamos, después del gran envión de la inteligencia artificial simbólica, que estuvo acompañado de extraordinario optimismo acerca de sus posibilidades, con el tiempo la cosa fue diluyéndose,
Speaker A
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.
Speaker A
¿Okay? Y luego una gran revolución con la llegada de lo que uno puede llamar, digamos, la familia de tecnologías de inteligencia artificial neurocomputacionales.
Speaker A
Y ahí la idea básicamente era esta, ¿por qué no nos inventamos una forma de crear programas de computación que esté un poco inspirada por la manera como funciona el cerebro?
Speaker A
más o menos tratando de descifrar la actividad cognitiva cerebral humana en términos de una computación digital en y cuando uno lo piensa en esos términos, la expectativa, la esperanza de ese tipo de de sistemas es que efectivamente logremos
Speaker A
eventualmente una máquina con la con capacidades de raciocinio semejantes, comparables o incluso superiores a los del cerebro humano.
Speaker A
Ese esa digamos cambio en el énfasis tiene una característica central y es abandonar el propósito de la programación explícita. En vez de usted decirle al computador qué tiene que hacer paso a paso, usted lo que hace es que le da a un
Speaker A
computador unas cantidades astronómicas de información para que el computador mismo aprenda de esa información. Sí.
Speaker A
Por eso los sistemas neurocomputacionales realmente eh florecen de la mano de la digitalización del mundo, porque cuando el mundo se digitaliza se crean vastas cantidades de información. O sea, imagínese, por ejemplo, cuánta información tiene Google a partir de las búsquedas que en Google
Speaker A
hemos hecho los miles de millones de seres humanos que lo utilizamos casi todos los días. Sí, 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
Speaker A
exorbitantes de información a un computador para el que el computador de manera más o menos autónoma identifique patrones estadísticos en la información, en la data, ¿cierto?
Speaker A
Y eso es lo que se llama machine learning. machine learning o el aprendizaje de máquinas, la trans traducción al español en eso es un poco desafortunada. Esa ese aprendizaje precisamente lo que se trata es de que la máquina solita más o menos
Speaker A
aprenda de la data que se le da en vez de yo sentarme explícitamente a programarla y a decirle qué debe hacer.
Speaker A
¿Cierto? Sí. 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 requería en esencia era información muy bien organizada,
Speaker A
¿no? Información estructurada que estuviera descrita. En muchos casos se requería o se requería aún en ciertos modelos que un programador eh le ayude, digámoslo así, para simplificar la cosa al computador a digerir esa información que se le entrega ¿cierto?
Speaker A
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
Speaker A
pasos. Lo que tiene es un volumen extraordinario de información. se le dice, "Estos, digamos, son los inputs, una cantidad de información y se le dice, estos son los outputs." Por favor, encuentre usted los patrones estadísticos relevantes eh en virtud pues del poder
Speaker A
computacional que tiene el hardware que existe en el mundo, los semiconductores, los microchips que tenemos, ¿cierto?
Speaker A
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 eh redes neuronales, las neural networks. De nuevo, esto todo en principio inspirado por la noción de
Speaker A
cómo funcionan las neuronas, ¿okay? La manera como operan las redes neuronales es es muy compleja, pero lo importante de entender es que son sistemas que también buscan detectar esos patrones profundos y ocultos en la cantidad enorme de información de que
Speaker A
uno provee al computador con una diferencia muy importante. Cuando usted hace machine learning clásico, ¿cierto? Usted tiene que ayudarle al computador a identificar cuál es el tipo de características en los inputs que son relevantes para los outputs de interés. Vamos a poner un
Speaker A
ejemplo muy sencillo. Por favor, usted es Octavio Galvis. Sí. Supongamos que usted fuera un programa de computación. Sí.
Speaker A
Y yo como input le doy un libro y como output le pido un resumen de libro.
Speaker A
¿Okay? Porque usted en realidad no es un computador, 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 efectos
Speaker A
de producir un resumen. Por ejemplo, el diseño de la portada en la mayoría de los casos es irrelevante. El lugar, la hora e y la fecha incluso en la que se imprimió la copia específica que usted tiene, todos
Speaker A
son hechos irrelevantes para producir un resumen de libro, ¿cierto? Sí, la ubicación específica del libro en su biblioteca es también irrelevante.
Speaker A
El papel en el que está impreso, todo eso es irrelevante. Todo eso es irrelevante.
Speaker A
Fíjese que este es un tópico del que nosotros hemos hablado antes. Hemos hablado de ese tópico en muchos capítulos, incluyendo el de las mentiras de de Nietzsche y es el hecho de que los las cosas del mundo tienen una cantidad
Speaker A
infinita de información. de cualquier objeto del mundo, yo puedo hacer una una serie infinita de afirmaciones verdaderas ¿cierto?
Speaker A
Sí. la inmensa mayoría de los cuales eh son irrelevantes para un propósito específico. La cognición humana, una de sus claves, uno de sus misterios, diría yo, es filtro automático de lo relevante y lo irrelevante en un contexto determinado. A usted nadie le tiene que
Speaker A
enseñar que la eh la locación del libro en su biblioteca no tiene importancia a la hora de precisar el contenido del libro.
Speaker A
Usted eso no se lo tiene que explicar nadie. Usted eso siempre lo ha sabido.
Speaker A
¿Cierto? Fíjese que vuelve y juega la importancia del conocimiento implícito de lo que llamamos sentido común. Mm.
Speaker A
Ya, para una máquina eso no es obvio. La máquina no tiene un estándar intrínseco de lo relevante y de lo relevante y de lo relevante.
Speaker A
Entonces, en la 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
Speaker A
busca. En el ejemplo que estamos poniendo, si usted fuera un sistema de computación, yo como programador tendría que decirlo, oiga, mire, no le preste atención a la carátula, no le preste atención al tipo de papel, haga caso del lugar e fecha y
Speaker A
hora de impresión, nada de lo cual importa a la hora de producir un resumen ¿cierto?
Speaker A
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
Speaker A
complejidad de los de las redes neuronales, que es una forma de diseñar programas de computación para que el computador eso lo haga solo. es una cosa realmente fascinante y extraordinaria y es precisamente de ese tipo de desarrollos de donde emergencia
Speaker A
artificial generativa. Esos modelos tienen muchas características interesantes. La primera OCT es que como nadie los programó explícitamente para hacer una cosa o hacer la otra, lo que esos modelos en efecto son capaces de hacer es una verdadera sorpresa.
Speaker A
Nadie lo sabe de antemano. Cuando usted coge un modelo como GPT y lo entrena, ¿sí? que es el proceso de entregarle al modelo esta cantidad realmente exorbitante de información de la cual el modelo extrae los patrones estadísticamente relevantes. Cuando
Speaker A
usted hace eso, que es entrenar el modelo, usted no sabe en el fondo que va a salir. Usted le está apostando a que en virtud del poder computacional del modelo y de su arquitectura de sistema de redes neuroneales, etcétera, el
Speaker A
modelo va a encontrar patrones estadísticamente relevantes y poderosos. ¿Para qué? Para crear predicciones que coincidan con los patrones observados en esa información, ese cuerpo de información, en esa data.
Speaker A
Entonces, ¿qué hace GPT? ¿Qué hace GPT? Y como GPT es lo que voy a decir, es cierto de Clodropic y es cierto de Lama, el modelo de Meta y es cierto de Gemini o de Bard, es cierto todos los modelos de lo que se llama
Speaker A
inteligencia artificial generativa. El modelo coge este corpus de información, ¿sí? Que en la práctica es una un porcentaje importante de todo lo que está escrito en el internet. Estoy hablando específicamente los módulos de lenguaje, ¿cierto? Los módulos de
Speaker A
lenguaje, lo que se llaman large language models, los grandes módulos de lenguaje. Y se lee todo, se lee todos los libros, se lee los artículos, se lee las notas de prensa, no se lee todo el internet, pero se lee una gran parte del internet,
Speaker A
una parte muy importante del internet. lee tanto que efectivamente encuentra unos patrones sistemáticos y consistentes en la relación entre palabras.
Speaker A
¿Qué es lo que hace GPT? GPT coge o estos modelos lo que cogen es cada se llaman tokens, que son unas unidades lingüísticas, no es exactamente una palabra, pero digamos en gracia y discusión que un token es equivalente a
Speaker A
una palabra. Coge cada token, ¿sí? y lo ubica en una especie de mapa matemático. Esto es un tema puramente de cómputo de vectores.
Speaker A
Lo ubican un mapa. Ahora, es un mapa de una complejidad extraordinaria. Extraordinaria. Para que se haga una idea de qué tan complejo es el mapa, piense por un segundo que usted y yo vivimos en un mundo tetradimensional de cuatro dimensiones. Las tres
Speaker A
dimensiones del espacio y la dimensión del tiempo. Sí, su vida y la mía transcurren en cuatro dimensiones.
Speaker A
Cuatro dimensiones. Y los objetos del mundo tienen una ubicación en ese esquema tetradimensional. Mm. los objetos que han existido, que existen y que existirán tienen una locación tetradimensional.
Speaker A
Cuando GPT analiza el corpus de texto sobre la base del cual se entrena, sí, a cada token, a cada palabra más o menos, repito, no es exactamente lo mismo, pero para efectos de la discusión, no importa, coge cada palabra
Speaker A
y la ubica en un mapa. Un mapa que tiene tantas dimensiones como parámetros. el modelo.
Speaker A
¿Cuántos parámetros diría usted que tiene GPT4, por ejemplo? ¿Cuántos parámetros, cuántas dimensiones se imagina que tiene el mapa mental de GPT4, por así llamarlo?
Speaker A
Pues con el con el preámbulo que le acaba de que me acaba de hacer, ya estoy impresionado porque nosotros tenemos cuatro, pero entonces yo creería que GPT 4 tiene millones.
Speaker A
Tiene billones. billones. Sí, el digamos la la cifra, aunque creo que Open AI nunca lo ha hecho explícita y oficialmente, pero la cifra eh que se ha más o menos reconstruido el consenso es que tiene 1.7 billones de parámetros.
Speaker A
Billones en español. En español. En español. Ah, ya le iba a preguntar yo que si era en inglés o en español.
Speaker A
O sea, no son miles de millones, sino billones. Billones en español, trillion. 1.7. Imagínese la complejidad de ese mapa matemático.
Speaker A
Y entonces lo que GPT es que hace es que empieza a encontrar patrones e interconexiones entre las palabras en esos mapas.
Speaker A
Eso es una locura, es una cosa casi imposible conceptualizar, ¿cierto? Entonces, cuando usted le dice a GPT, eh, lo que Bogotá es a Colombia, Buenos Aires es a y GP contest Argentina.
Speaker A
Argentina. Ajá. ¿Y por qué? Porque en el mapa conceptual de ese número astronómico de parámetros, GPT hace los cálculos de matemática vectorial para detectar que el token o el vocabulo más próximo a Buenos Aires dado la la el paralelo que yo antes he
Speaker A
hecho entre Bogotá y Colombia es Argentina. Entonces, clase GPT, con ese mapa lo único que hace el modelo es identificar la siguiente palabra más probable en una secuencia de palabras. Eso es todo lo que hace.
Speaker A
Eso es todo lo que hace y es mucho porque por eso usted le escuchaba a usted en conversaciones informales que, por ejemplo, chat GPT es tan malo haciendo aritmética. o tiene dificultades, digamos, o mejor pongámoslo en Pero es
Speaker A
que a mí me quedó sonando mucho que alguna vez le escuchó a usted que la calculadora Casio se lo lleva por los cachos.
Speaker A
Claro, pues es digamos esa es la versión menos controversial de lo que de mi observación. Ya, la calculadora Casio de bolsillo le da sopa y seco a cualquier sistema de inteligencia artificial generativa en materia de matemáticas. Ya, eso tiene muchas explicaciones y una de
Speaker A
ellas es que estos sistemas tratan a los números normalmente como si fueran palabras, no como si fueran números para activar, digamos, un cómputo algebraico, aunque los sistemas misma hace entonces la misma relación, pero desde las palabras, no desde las cifras.
Speaker A
Exactamente. Exactamente. Aunque eso eso lo han ido ajustando y eso mal que bien lo resolviendo.
Speaker A
Ahí van. Pero lo importante de esto es que aquí tenemos frente a nosotros en estos modelos de inteligencia artificial generativa un básicamente lo más próximo que la humanidad ha construido a un sistema de inteligencia artificial de verdad, es decir, de
Speaker A
raciocinio aparentem sobre la base de la pura cantidad, de la pura dimensión del modelo.
Speaker A
Acuérdese que cuando arrancamos hablando de los sistemas simbólicos, el propósito era que los sistemas supieran cosas. Cuando usted un programa le dice, "Oiga, venga, para resolver este tipo de problema, haga esto, luego haga tal otra cosa, sepa esta regla,
Speaker A
¿no? A = B y B + C = D. ese programa uno puede plausilante decir, sabe esas cosas, sabe que a igual es a B, sabe que B plus má C igual a D, sabe que si el paso uno se cumple, se sigue el paso
Speaker A
dos. Sí, uno podría hablar plausiblemente en términos de que el computador sabe esas cosas porque está programado en esos términos, digamos, generales y genéricos.
Speaker A
Tengo una duda ahí nominal, pues que puede ser insignificante, pero quiero saber. Siempre se llamó inteligencia artificial simbólica o fue con el avance de la misma que esta se convirtió en simbólica.
Speaker A
Fue con el avance del programa de investigación de la inteligencia artificial que fue necesario ir haciendo distinciones entre distintos entre distintas metodologías.
Speaker A
Apellido apareció después. Entonces, el contraste de fondo entre lo simbólico y esta idea de lo neurocomputacional es lo que inicialmente era el debate entre la inteligencia artificial simbólica y lo que se llamaba el conexionismo.
Speaker A
¿Cuál es la apesta de la del del de la metodología neurocomputacional que termina en el machine learning, que deriva en el deep learning y se convierte en últimas en GPT y todos estos modelos? La apuesta es que en lugar de darle a un computador
Speaker A
conocimiento explícito, lo que hay que darle es una riqueza de conexiones computacionales. Fíjese la analogía con la idea de las conexiones neuronales en el cerebro.
Speaker A
Sí. tal riqueza de conexiones que solo en virtud de la complejidad misma es suficiente para producir un comportamiento en apariencia inteligente.
Speaker A
Es una vaina realmente fascinante. Lo es. GPT no entiende nada. GPT no entiende nada.
Speaker A
Son sistemas donde no hay, digamos, contenido semántico en el sentido en el que uno podría plausiblemente atribuírselo a un programa simbólico.
Speaker A
GBT lo que tiene es un poder de cómputo 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 de probabilidad
Speaker A
condicional, ¿no? Dado que usted me ha dado el ejemplo Bogotá es a Colombia, dado que usted me ha dicho Buenos Aires, por lo tanto, la más probable de todas las palabras subsiguientes es Argentina.
Speaker A
Es un cálculo complejísimo. Sí, complejísimo. Claro que lo es. Pero no, pero pero conceptualmente sencillo. Sí, conceptualmente sencillo de probabilidad condicional.
Speaker A
Ya no es más, no es más. Lo asombroso, lo asombroso es que como son tan grandes los modelos, tan grandes, tanto en la cantidad información en la que se han entrenado como en la cantidad de dimensiones de ese mapa matemático
Speaker A
subyacente, ¿no? Los 1.7 7 billones de parámetros es tan grande que logra a fuerza simplemente de eso producir lo que en apariencia es un comportamiento asombrosamente racional.
Speaker A
Y eso nos lleva de pronto al punto de inicio que es la idea del teste Touring.
Speaker A
Creo que lo traímos a colación en nuestro betusto, pero no por eso menos oportuno capítulo sobre la filosofía de la mente.
Speaker A
Betusto, pero no vegete. Exactamente. La idea de Turing era muy sencilla. Oiga, venga. Supongamos que alguien crea una máquina en efecto inteligentísima. ¿Cómo haríamos para saber si esa máquina es tan inteligente como un ser humano? ¿Cuál es el estándar
Speaker A
de medición? ¿No? En materia de la inteligencia sí que es cierto que el el hombre es la medida de todas las cosas, ¿no? La única métrica que tenemos de la inteligencia es la propia, es la nuestra, ¿no? Si algo es inteligente es
Speaker A
porque de alguna forma guarda estrecha analogía o cercanía con la manera nuestra de encontrarnos con el mundo, de procesarlo, de asimilarlo, ¿cierto?
Speaker A
Entonces, Turing propuso más o menos esta noción. Si una persona está interactuando, digamos, con dos ventanillas separadas sin saber qué hay detrás de cada ventanilla. Y en una hay un ser humano y en otra hay una máquina y la interacción
Speaker A
es en lenguaje natural, es lingüística. Yo le hago preguntas, me contestan en una ventanilla y en la otra y la persona no tiene manera de definir en cuál de las dos ventanillas hay un ser humano y en cuál hay una máquina.
Speaker A
Entonces, la máquina ha pasado el test de Turing y debemos considerarla inteligente. Esa noción parte esencialmente de una premisa muy común en la época en la que Turin escribía, que es la la idea del del lo que se llama en inglés
Speaker A
behaviorism, el comportamentalismo. Tal vez debe haber mejores traducciones por ahí, que es en esencia la noción de que el único criterio real de la inteligencia es el comportamiento inteligente, que y tratar de adivinar qué ocurre dentro de la mente de alguien
Speaker A
no tiene sentido porque adentro de la mente de la gente no hay nada. Lo que hay es comportamientos inteligentes que nos permiten atribuirles inteligencia.
Speaker A
Entonces, la tesis del test de Turouring es que si una máquina y un ser humano en el ambiente del lenguaje natural son comportamentalmente indiscernibles, son por lo tanto para todos los efectos igual de inteligentes. Es una especie de
Speaker A
aplicación del principio Lipennet de la identidad de los indiscernibles. Si entre dos cosas es imposible precisar la diferencia, nos toca tratarlas como iguales. Sí.
Speaker A
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
Speaker A
encontrando, por ejemplo, el sistema de redes neuronales que la capacidad práctica, de hecho, entrenar uno grande.
Speaker A
Me sigue asombrando porque estas máquinas, la verdad, suelen pasar el test de Turing. Si usted se sienta hoy a conversar con un asistente virtual soportado por GPT o digamos apoyándose en los poderes computacionales de GPT, es perfectamente plausible pensar que usted puede no
Speaker A
saber si se trata de una persona o de un computador. Sí, sobre todo si nunca ha usado GPT. El que ha usado GPT se va dando cuenta de que GPT tiene cierta forma de contestar las preguntas. No, siempre es es muy amable
Speaker A
y muy respetuoso y tal, no sé. Abstraigámonos de eso. Supongamos que usted nunca ha interactuado con un sistema de inteligencia artificial generativa y le ponen esa venda enfente, es muy difícil saber si el que hay detrás es una persona o no.
Speaker A
Mm. Y entonces bajo ese estándar, estas máquinas pasan el test de Turing. 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
Speaker A
apariencia contenido semántico en las máquinas. ¿Okay? Lo que hay es, repito, un poder computacional de extraordinaria complejidad. Esa fuerza del tamaño que logran lo que logran. Sí.
Speaker A
Ahora, la discusión se vuelve muy interesante porque habrá gente que entonces dice, "Venga un momentico." Pero es que el cerebro visto desde esa perspectiva es lo mismo. No es sino una suma. de neuronas, ninguna de las cuales tiene contenido semántico.
Speaker A
una neurona dispara una señal neuroquímica, pasa por una sinapsis, pasa otra neurona, la activa de tal o cual manera, esa activa la siguiente de tal o cual otra forma y en última se produce un comportamiento y entonces no falta quien dice, "Venga,
Speaker A
la manera como yo estoy describiendo GPT, claro, bien podría ser la manera de describir un cerebro y ya se va dando cuenta usted, espero, ¿por qué entender cómo funcionan estos sistemas? es clave para tomarnos a pecho lo primero que hablamos y es que la
Speaker A
inteligencia artificial bien puede entenderse como la prueba de fuego empírica de las filosofías de la mente.
Speaker A
Claro. Ahora ya voy entendiendo un poco más lo que me dijo usted al principio.
Speaker A
Claro. Porque si usted, por ejemplo, por ejemplo, si usted tiene una filosofía de la mente materialista o fisicalista, como se le llama a veces, en principio cualquier, sobre todo si tiene una visión funcionalista, también lo hablamos en su momento en ese capítulo
Speaker A
viejo, luego volvemos a hablar de eso más más en más detalle. En principio no es claro por qué un computador, a pesar de la manera como yo lo estoy describiendo, no daría lugar a que le atribuyamos contenido semántico. Y cuando yo hablo
Speaker A
de contenido semántico, me refiero a lo que a veces llamaríamos estados mentales, creer algo, tener la intención de hacer algo.
Speaker A
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?
Speaker A
El contenido semántico de su creencia es que mañana va a salir el sol. Lo que nosotros llamamos actitudes mentales tienen esa característica de lo que Brentano describía como intencionalidad. tiene ese contenido semántico que creemos muchos es una característica
Speaker A
central de la mente importantísima, lo que significa ser inteligente. Y ahí está planteado el debate si cabe o no atribuirle eso a un sistema de las características de lo que yo estoy explicando, una máquina de cálculo de probabilidades condicionales sobre la
Speaker A
base de un mapa de matemática vectorial de n dimensiones. No es obvia la respuesta.
Speaker A
Pero tiene uno que entenderla, entender a esa máquina, ¿no? Entender qué es lo que hace y cómo lo hace para poder dar en serio la discusión y darla darla eh con algún atismo de rigor.
Speaker A
De un a 10, ¿qué tan perdido se siente? Cuéntame. No, le iba yo le iba a preguntar es más adelante vamos a empezar a hablar de otras entidades que usted ya no me acuerdo autónomas, se apelliden autónomas, pero no me acuerdo del
Speaker A
nombre. Eso lo vamos a tener más adelante ¿cierto? Sí. o o se lo cuento de una vez. Digamos que eh una de las cosas interesantes es que estos sistemas ya pueden utilizarse para nutrirse a sí mismos, para mejorar en la
Speaker A
interacción entre unos y otros, ¿cierto? Entonces, por ejemplo, usted sabe que cuando uno interactúa con una plataforma de inteligencia artificial generativa, cuando uno le hace preguntas o le dice cosas, esa actividad se llama, en inglés se le llama prompting, que es, creo yo,
Speaker A
que es de esas palabras que va a terminar incorporadas a todos los idiomas en su versión en inglés, ¿no?
Speaker A
Uno le pone un prompt a GPT y GPT contesta, ¿cierto? Pues resulta que ya está más o menos claro que estas máquinas son muy buenas haciendo los prompts para las otras.
Speaker A
Ah, okay. Esta estos sistemas tienen como esa característica que pueden utilizarse para nutrirse entre sí. Sí.
Speaker A
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, es decir, o mejor a tasas muy rápidas y
Speaker A
probablemente aceleradas. ¿Sí? Y entonces, como le digo, ya más o menos sabemos lo que se viene. E primero se construyeron estos modelos enfocados en el lenguaje, en la información de tipo textual. Por eso se llaman LLMs, large models, los grandes modelos de lenguaje,
Speaker A
¿no? Y acuérdese que habíamos dicho al principio que para el proyecto de la inteligencia artificial, la destreza lingüística, como en algún momento lo fue la habilidad de jugar a ajedrez, digamos, tiene este peso simbólico como una gran capacidad que era importante
Speaker A
conquistar, ¿no?, para la inteligencia artificial. Pero 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
Speaker A
estructura en el fondo, ¿no? Hacen lo mismo, tienen la misma arquitectura, pero que son capaces de procesar información de distinto tipo, no solamente información textual, sino información visual. auditiva, audiovisual y más y otras cosas también, ¿no?
Speaker A
Por ejemplo, Gemini, que es un modelo multimodal se llama de Google, es capaz de construir, digamos, un mapa vectorial unificado o un mapa matemático unificado de información de todos estos tipos. Y por eso es que usted a Gemini
Speaker A
le puede o a Sora, que es la versión multimodal recientemente eh hecha pública por parte de Open AI, usted le puede en lenguaje natural dar instrucciones para que cree un video.
Speaker A
Sí. Y uno puede pensar en los modos de data más o menos como como pensando en los sentidos.
Speaker A
Sí. Eh, el mundo exterior es uno solo, pero de ese mundo exterior nosotros registramos diferentes aspectos a través de cada uno de los sentidos, ¿no? El tacto, la escucha, eh el olfato, la vista, todos nos revelan dimensiones diferentes de los mismos objetos. Y
Speaker A
nuestra comprensión muy sofisticada de las cosas del mundo parte de la base de unificar, digamos, esos inputs sensoriales de muy distinto tipo alrededor de los mismos objetos. Algo parecido, podríamos decir, ocurre con los modelos multimodales que son esta siguiente generación, los LMMs,
Speaker A
large multimodel models, que son distintos de los del lenguaje, los large language models. Mm. Y lo que viene después todavía digamos no no está el todo inventado, es un tipo de tecnologías a las que usted se refiere, que son los así llamados
Speaker A
agentes autónomos, que son como un sistema o son sistemas compuestos de varios tipos de inteligencia artificial, no únicamente generativa necesariamente, que ya se vuelven capaces de hacer cosas más complejas. ¿En qué sentido? en que en vez de yo darle al sistema una
Speaker A
instrucción para una tarea específica, yo podría darle al sistema un objetivo, un fin que el sistema luego es capaz de desgluzar en una serie de tareas concretas y específicas, pero ya no tengo yo que dar las tareas, ¿no?
Speaker A
Exactamente. Le doy el objetivo y es capaz de hacer cosas en el mundo, ¿no?
Speaker A
De conectarse con otros sistemas de información o plataformas. Digamos que esa parte es un poquito futurista, pero está más o menos claro que para allá es donde va, pero a la velocidad que estamos, ese poquito de futurismo, pues habrá hay
Speaker A
gente ya que ha calculado eso cuando podría empezar a a ocurrir, ¿o no? Bueno, eso sí, eso sí es muy difícil adivinarlo, pero sobre todo porque en el campo de la inteligencia artificial hay una historia muy graciosa de
Speaker A
predicciones excesivamente optimistas, ¿no? Ya en esa primera conferencia de la inteligencia artificial de 1956 había gente que decía que ya estábamos apenas a un par de décadas de la inteligencia artificial general.
Speaker A
Okay. En este campo hay hay unas sobredosis de optimismo cada vez que ocurren desarrollos nuevos de la que pasan de bien los pronósticos.
Speaker A
Vea, ¿por qué nos recapitulamos un poquito como los hitos del de la misma inteligencia para que para ver si si paso el examen?
Speaker A
Entonces, en el 56 aparece la inteligencia artificial que con el tiempo esa de ese momento se llama simbólica.
Speaker A
Sí. que es aquella a la que se programa para que cumpla una tarea específica y esa máquina o ese dispositivo no es capaz de hacer cosa distinta sino a lo que fue programado, ¿cierto?
Speaker A
Exactamente. Y lo clave ahí es la programación explícita. Explícita clave esa palabra. como si el programador tuviera que dictarle, definirle al computador los procesos y pasos cognitivos que tiene que seguir para resolver el problema en cuestión.
Speaker A
Y todo tiene que ser explícito para que pueda él cumplir a Carta Cabal con la tarea.
Speaker A
Coro, ¿cierto? Listo. Ahí nos quedamos cuántos años en esa simbólica hasta hasta bien adentrados los años 70.
Speaker A
Finalizando los años 70, la cosa empieza a enfriarse, pero pero la gente todavía estaba trabajando en eso.
Speaker A
Listo. Entonces, luego después de luego después estoy redundando, ya me he pillado más de una en este episodio con redundancias, pero bueno, estoy concentrado en lo importante en este momento, me perdonarán. Eh, más tarde, entonces viene entrado los 70 o cuando
Speaker A
usted me corrige, empieza lo siguiente que ocur 90 más a los 90 por la neurocomputacional.
Speaker A
Correcto correcto. Listo. Que ahí empieza el matching learning y el deep learning. Es el después que viene después, ¿cierto?
Speaker A
Correcto. Correcto. Ahí estos dos manes, ¿qué es lo que hacen? El cambio de paradigma es en lugar de la programación explícita de un proceso cognitivo.
Speaker A
Sí, yo lo que construyo 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.
Speaker A
¿Okay? Esos patrones cumplen la función que en la inteligencia artificial simbólica tenían los programas explícitamente diseñados por el programador.
Speaker A
Entonces, en los en el caso sobre todo el deep learning, cada vez hay menos y menos y menos programación explícita. Lo que hay es una una inversión de esfuerzo humano en el diseño de la estructura del modelo para que pueda aprender.
Speaker A
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 dicta el modelo o cada vez le dicta menos al modelo
Speaker A
los detalles del algoritmo, es decir, eh las los procesos cognitivos explícitos y las reglas o principios o normas que debe aplicar para producir un resultado determinado, un output determinado. El programa solito reconstruye los patrones latentes en la información,
Speaker A
implícitos 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 cómputos y la complejidad de los cálculos que hace para identificar y luego ejecutar esos
Speaker A
patrones. Ese es el cambio paradigma de la programación explícita al aprendizaje más o menos autónomo de una máquina sobre la base de una arquitectura, de un diseño, de una estructura más compleja y en principio inspirada por la estructura del cerebro
Speaker A
humano. Okay, listo. Ahí nos quedamos que una década o un poco más, ¿no? En eso estamos. En eso estamos.
Speaker A
Estamos. Pero entonces yo quiero que usted me diga es cuál es la diferencia entre machine learning y inteligencia artificial generativa.
Speaker A
En la inteligencia artificial generativa es un tipo de machine learning, es un tipo de deep learning que a su vez es un tipo de machine learning.
Speaker A
¿Vale? Okay. Sí. Si el machine learning es el género, la especie es el deep learning y los sistemas que tenemos de inteligencia artificial generativa, estos populares, grandes como GPT, los que están en Boga, son una arquitectura específica de Deep
Speaker A
Learning. Va. O sea, sería la subespecie. Exacto. Pero lo importante es el cambio de paradigma que ocurrió fue en el machine learning.
Speaker A
Exactamente. Ahí arranca, no es progresivo, pero ahí arranca. Como dice usted, vastas cantidades de información para que sea la máquina la que pueda establecer el relacionamiento entre una cosa y otra.
Speaker A
Exactamente. Y a partir de eso emite respuestas. Exacto. Y por eso es que es tan difícil atribuirle a esas máquinas contenido semántico. Por es tan difícil decir que la máquina entiende algo ya, porque no la máquina no tiene y
Speaker A
ciertamente 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, ¿no?
Speaker A
La capacidad de utilizar una palabra correctamente en casi todos los contextos, simplemente porque uno es muy bueno a la hora de predicabra más probable dada a las anteriores. No es a lo que nosotros nos referimos con la comprensión de un vocáblo.
Speaker A
Cuando nosotros decimos que alguien entiende una palabra, lo que decimos es que esa persona capta el contenido semántico de la palabra.
Speaker A
No estamos haciendo una afirmación acerca de los poderes de cálculo probabilístico de la persona, pero si todo lo que hace GPT es un cálculo probabilístico sobre la base de ese mapa extraordinariamente complejo de su matemática e vectorial, si eso es todo lo que hace,
Speaker A
pero eso no es lo que para nosotros significa comprender algo. Por eso, digamos, es tan plausible la tesis de que GPT no entiende nada de lo que dice, ¿ya?
Speaker A
Pero por otra parte está quien dirá como como aludíamos hace un rato, "Venga, pero ¿qué tan distinto es en realidad eso en comparación con lo que hace un cerebro?" Ajá.
Speaker A
¿Qué es? Que me gustó mucho el ejemplo suyo de los chistes, porque entonces también le había escuchado que por eso es tan complejo entender el chiste.
Speaker A
Claro. Exactamente. Pero GP entiende chistes y hace chistes. Sí. Malos. Pero los hace. Imagínese si lo dice usted.
Speaker A
Imagí imagínese usted. Exactamente. Y son malos. O sea, yo me siento superb en un nivel impresionante cuando chistes de BGPT. Para mí lo importante es cerrar con esto porque yo creo que en el siguiente y en el tercer
Speaker A
capítulo de esta serie va a ser muy claro por qué era tan importante este recorrido por la historia de la inteligencia artificial y por los distintos paradigmas de cómo realizarla, de cómo llevarla a buen término.
Speaker A
Sí. Y es, resalto o insisto ese contraste entre un sistema que opera sobre la base de principios, normas lógicas inteligibles que usted y yo comprendemos, ¿cierto? y que son más o menos análogas a la manera como los seres humanos eh
Speaker A
nos representamos lo que creemos, lo que sabemos, lo que dudamos, que es el caso de la inteligencia artificial simbólica.
Speaker A
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 sobresimplificando, pero digamos hay un principio de cálculo matemático. Hay una
Speaker A
forma de echar número, echar cuenta, pero es una forma de echar cuenta, digamos, que es completamente ciega al contenido semántico de las palabras y de las cosas.
Speaker A
GPT no sabe que es un árbol, pero GPT sabe la relación probabilística entre árbol y todas las demás palabras del idioma.
Speaker A
en todas las posibles configuraciones. Pero, ¿es eso lo mismo que entender la palabra árbol?
Speaker A
Mm entiendo. Ya. Sí sí sí. Ya vi usted por qué esto es tan Ya va viendo porque nosotros recibimos muchas preguntas sobre si estos sistemas piensan, si entienden, si razonan, si tienen voluntad, si pueden adquirir conciencia y la los fundamentos de cualquier
Speaker A
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 yo en algunos elementos sobresimplifico, en otros a lo mejor termino rayando en la imprecisión,
Speaker A
pero esta comprensión general es clave para uno tener una discusión inteligente e informada acerca de esas preguntas vitales que nos hacemos todos y que nos hicieron a nosotros explícitamente.
Speaker A
Eh, casi todos los cinco queridísimos pelagatos. Mm. Sí, sobre todo para para Sí. Para entender como desde el principio y ya después casi es que estoy pensando en lo mismo que hablamos. Entonces, como que esta gran cantidad de información va a ser
Speaker A
muy importante para que nosotros posteriormente podamos empezar a emitir eh conclusiones o mejor o por lo menos hipótesis que nos parece aceptable. No sé si lecturas, digámosle de lecturas.
Speaker A
Exacto. Exacto. Interpretaciones. Correcto. Correcto. Bueno, vamos bien. Octavio está listo para pedir trabajo en Open AI o qué? Eh, no, pero le quiero preguntar una cosa. Con base en lo que yo le dije, que era mi mi estado actual de
Speaker A
relacionamiento con la inteligencia artificial, eh, estoy ya rezagado o o o como estoy yo, usted me lo dijo, pues que así estamos muchos, pero porque yo a veces digo, esto está avanzando tanto y yo digo, pucha, ¿será que es que ya me
Speaker A
quedé al traste o qué? No no no, hombre, no, no, no, no. para nada no se estrese. Por eso, voy a contar no más una cosa.
Speaker A
Históricamente, cada vez que aparecen transformaciones tecnológicas con la potencia de estos sistemas y no son tanto los precedentes, ¿no? El el la electricidad, por ejemplo, es uno, ¿no? La revolución de las tecnologías de la información a mitad de siglo es otro.
Speaker A
Sí. Cuando ocurren estos cambios y sobre todo cuando las tecnologías que emergen multipropósito, son lo que a veces se llaman tecnologías de propósito general o de uso general.
Speaker A
Ajá. El proceso de adaptación social a esas tecnologías es muy lent hay un hay un ensayo muy famoso en historia económica que se llama el el dinamo y el computador del historiador económico Paul David. Y en ese ensayo, David cita una frase que
Speaker A
a mí me encanta de Robert Solow, que era un gran gran economista que por allá en el en el 80 o a principios de la década de los 80 tira una frase maravillosa, dice, "Oiga, después de la revolución de
Speaker A
los computadores, que ya lleva varios años para entonces, digo, vemos computadores en todas partes menos en las estadísticas de productividad.
Speaker A
Es decir, la tecnología estaba allí, pero todavía no sabíamos colectivamente qué hacer con ella, ¿ya?
Speaker A
Y eso es normal. Eso ya nos ha pasado. Seguramente va a pasar nuevamente con esta tecnología. O sea, que usted no está colgado, tranquilo. Y estamos a tiempo para todos ir poco a poco montándose en el buste, por lo menos comprenderlas,
Speaker A
¿sí? o tratar de comprenderlas y empezar a a verlas en su debida proporción, ni por menos de lo que son ni por más de lo que en efecto son y tal vez puedan ser, que es el tema de nuestra de nuestra serie, los
Speaker A
dos capítulos que vienen. Bueno, más adelante veremos qué se siente ser un murciélago. Sí, no está bueno, está bueno. Seguiré leyéndolo y ahí pues espero pues que más se sumen ahí a la a la lectura. Bueno, compañero, nos vemos en 15 días para que
Speaker A
sigamos aquí resolviendo y ya entramos con las preguntas de los pelagatos, ¿sí o qué?
Speaker A
Así es. En 15 días nos vemos para empezar a hablar de fondo de las preguntas que hemos recibido. A los 8 días siguientes nos vemos en el taller de lectura sobre lo que se siente ser un murciélago de Thomas Neigo y una semana
Speaker A
después a nuestro tercer y último capítulo de esta serie sobre la inteligencia artificial. Por ahora váyase a dormir porque por allá, por donde usted vive ya es la 1 de la mañana.
Speaker A
Imagínese, maestro. Sí. Y mañana Clemente se levanta a las 6. Anuelo, perdona, para él no es ningún Esto no tiene que ver con él. Mañana es a las 6 empieza su turno. Un abrazo, compañero.
Speaker A
A Clemente le tiene sin cuidado que un GPT, que una cosa, que la otra. Nada. a las 6, como dice el tete. Tete allá dice tete, dice tete y por estos días tiene una obsesión con un con un hipopótamo de
Speaker A
plástico que le regaló María Cristina y le dice pupa. Entonces ahora se levanta y primero grita para que uno le lleve a Pupa y después grita para que le lleven el tete.
Speaker A
Entonces, la sinfonía de las 6 de la mañana, eh, inconfundible es pupa, pupa, pupa. Y apenas le entrega uno al hipopótamo y dice, "Tete tete, qué belleza." Pues bueno, tenía le falta 4 horas 55 minutos para que llamen a Pupa allá en esa casa.
Speaker A
Calle esos ojos, hombre. Abrazo. Feliz noche, maestro. Urbi de Torbi es producido por Bielo Media con la música original de Felipe Durán, la coordinación general de Camilo Zuluaga y la dirección creativa de María Cristina Pimiento. Agradecemos especialmente a Luche y Tipín por la voz
Speaker A
del cabezote y nuestro logo. Nosotros somos David Zuluaga y Octavio Galvis. Feliz día, feliz tarde o feliz noche.
Speaker A
cielo.
Topics:inteligencia artificialfilosofía de la menteconcienciatecnologíamachine learningGPThistoria de la IAética tecnológicacogniciónUrbi et Orbi Podcast
