Nuestro mundo está cambiando
de muchas maneras
y una de las cosas que tendrá
un gran impacto en nuestro futuro
es la inteligencia artificial, IA,
la cual producirá
otra revolución industrial.
Las revoluciones industriales anteriores
desarrollaron la potencia mecánica humana.
Esta nueva revolución,
esta segunda era de las máquinas,
va a desarrollar
nuestras habilidades cognitivas,
nuestro poder mental.
Las computadoras no solo
van a reemplazar el trabajo manual,
sino también el trabajo mental.
Entonces, ¿dónde nos encontramos hoy?
Es posible que hayan oído hablar
de lo que sucedió el pasado marzo
cuando un sistema
de aprendizaje llamado AlphaGo
usó el aprendizaje profundo para vencer
al campeón mundial en el juego de Go.
Go es un antiguo juego chino,
el cual ha sido más difícil
de dominar para las computadoras
que el ajedrez.
¿Cómo tuvimos éxito ahora,
después de décadas de investigación de IA?
AlphaGo fue entrenado para jugar Go.
Primero, viendo una y otra vez
decenas de millones de movimientos hechos
por jugadores humanos muy competentes.
Luego, jugando contra sí mismo
millones de partidas.
El aprendizaje automático
permite que las computadoras
aprendan de los ejemplos.
Que aprendan de los datos.
El aprendizaje automático
ha resultado ser fundamental
para atiborrar de conocimiento
a las computadoras.
Y esto es importante,
porque el conocimiento
es lo que facilita la inteligencia.
Implantar conocimiento en computadoras
ha sido un reto para los antiguos
enfoques a la IA.
¿Por qué?
Hay muchas cosas
que sabemos intuitivamente.
Asi que no podemos
comunicarlas verbalmente.
No tenemos acceso consciente
a ese conocimiento intuitivo.
¿Cómo podemos programar
computadoras sin conocimiento?
¿Cual es la solución?
La solución es que las máquinas aprendan
ese conocimiento por sí mismas,
al igual que nosotros.
Y esto es importante
porque el conocimiento
es lo que facilita la inteligencia.
Mi misión ha sido
contribuir a descubrir y entender
los principios de la inteligencia
a través del aprendizaje.
Ya sea aprendizaje animal,
humano o automático.
Tanto yo como otros creemos
que existen algunos principios clave,
como las leyes de la física.
Principios simples que podrían explicar
nuestra inteligencia
y ayudarnos a construir
máquinas inteligentes.
Por ejemplo, piensen
en las leyes de la aerodinámica,
que son lo suficientemente generales
para explicar tanto el vuelo de las aves
como el de los aviones.
¿No sería asombroso descubrir
principios tan simples como poderosos
que pudieran explicar
la inteligencia misma?
Bueno, hemos hecho algunos progresos.
Mis colaboradores y yo hemos contribuido
en años recientes a una revolución de IA
con nuestra investigación sobre redes
neuronales y aprendizaje profundo,
un enfoque del aprendizaje automático
el cual está inspirado por el cerebro.
Comenzó con el reconocimiento de voz
en sus teléfonos
con redes neuronales desde 2012.
Poco después se produjo
un gran avance en la visión artificial.
Las computadoras hacen un gran trabajo
al reconocer el contenido de imágenes.
De hecho, se han aproximado
al rendimiento humano
en algunas pruebas de desempeño
en los últimos cinco años.
Una computadora ahora puede obtener
una comprensión intuitiva
de la apariencia visual
de un tablero de Go,
comparable a la de los mejores
jugadores humanos.
Últimamente, como continuación
a algunos descubrimientos
realizados en mi laboratorio,
el aprendizaje profundo se ha utilizado
para traducir de un idioma a otro
y vamos a empezar a verlo
en Google Translate.
Esto está aumentando
la capacidad de la computadora
para comprender
y generar lenguaje natural.
Pero no se dejen engañar.
Aún estamos muy, muy lejos
de una máquina que sea
tan capaz como los humanos
de aprender a dominar
muchos aspectos de nuestro mundo.
Así que, veamos un ejemplo.
Incluso una niña de dos años
puede aprender cosas
de cierta manera que las computadoras
no pueden hoy en día.
Una niña de dos años,
en realidad domina la física intuitiva.
Ella sabe que cuando
suelta una pelota, se va a caer.
Cuando derrama un líquido,
supone que habrá un desastre.
Sus padres no necesitan enseñarle
las leyes de Newton
o las ecuaciones diferenciales.
Descubre todas estas cosas
por sí misma de manera no supervisada.
El aprendizaje no supervisado sigue siendo
uno de los principales retos para la IA.
Y podría tomar varias décadas más
de investigación fundamental
para deshacer ese nudo.
El aprendizaje no supervisado intenta
descubrir representaciones de los datos.
Déjenme mostrarles un ejemplo.
Consideren una página en la pantalla
que están viendo con sus ojos
o que la computadora está viendo
como una imagen, un montón de píxeles.
Para responder a una pregunta
sobre el contenido de la imagen,
necesitan comprender
su significado de alto nivel.
Este significado de alto nivel coincide
con el nivel más alto de representación
en su cerebro.
Más abajo, tienen el significado
individual de las palabras
y aún más abajo tienen caracteres
que forman las palabras.
Esos caracteres se pueden representar
de diferentes maneras
con diferentes trazos
que forman los caracteres.
Y esos trazos están formados por bordes
y esos bordes están hechos de píxeles.
Así que estos son diferentes
niveles de representación.
Pero los píxeles no son
suficientes por sí mismos
para dar sentido a la imagen,
para responder
a una pregunta de alto nivel
sobre el contenido de la página.
Su cerebro en realidad tiene estos
diferentes niveles de representación,
comenzando por las neuronas en la primera
área visual de la corteza, V1,
las cuales reconocen los bordes.
Y luego, las neuronas en la segunda
área visual de la corteza, V2,
que reconocen trazos y pequeñas formas.
Más arriba, tienen neuronas
que detectan partes de objetos
y luego los objetos e imágenes completas.
Las redes neuronales,
cuando están entrenadas con imágenes,
pueden descubrir estos tipos
de niveles de representación
que coinciden bastante
con lo que observamos en el cerebro.
Tanto las redes neuronales biológicas,
que son las que tienes en su cerebro,
como las redes neuronales profundas
que entrenamos en nuestras máquinas,
pueden aprender a transformarse
de un nivel de
representación al siguiente,
en donde los altos niveles corresponden
a las nociones más abstractas.
Por ejemplo, la noción abstracta
del carácter "A"
puede ser representada de maneras
diferentes en los niveles más bajos,
como muchas configuraciones
diferentes de píxeles,
dependiendo de su posición,
rotación, fuente y demás.
Entonces, ¿cómo aprendemos
estos altos niveles de representaciones?
Algo que ha sido muy exitoso hasta ahora
en las aplicaciones
del aprendizaje profundo
es lo que llamamos
aprendizaje supervisado.
Con el aprendizaje supervisado,
se toma de la mano a la computadora
y los humanos deben decirle
la respuesta a muchas preguntas.
Por ejemplo, en millones
y millones de imágenes
los humanos deben decirle a la máquina:
Bueno... esta imagen es un gato,
esta imagen es un perro,
esta imagen es un portátil,
esta imagen es un teclado.
Y así, sucesivamente, millones de veces.
Esto es muy tedioso y usamos
el crowdsourcing para poder hacerlo.
Aunque esto es muy poderoso
y somos capaces de resolver
muchos problemas interesantes,
los humanos somos mucho más fuertes
y podemos aprender sobre muchos
otros aspectos diferentes del mundo
de una manera mucho más autónoma,
tal como vimos con la niña de dos años
que aprende sobre física intuitiva.
El aprendizaje no supervisado
también puede ayudarnos a lidiar
con los vehículos autónomos.
Déjenme que les explique.
El aprendizaje no supervisado permite
que las computadoras
se proyecten al futuro
para generar futuros probables
condicionados a la situación actual.
Y eso permite a las computadoras
razonar y planear por adelantado.
Incluso para circunstancias
a las que no han sido entrenadas.
Esto es importante,
porque con el aprendizaje supervisado
habría que decirle a las computadoras
acerca de todas las circunstancias
en las cuales podría estar el auto
y cómo los humanos
reaccionarían en esa situación.
¿Cómo aprendí a evitar
comportamientos peligrosos al volante?
¿Tuve que morir mil veces en un accidente?
(Risas)
Bueno, así es como entrenamos
a las máquinas ahora.
Por lo tanto, no va a volar
o al menos no al conducir.
(Risas)
Entonces, lo que necesitamos
es entrenar a nuestros modelos
para poder generar imágenes
o futuros probables,
que sean creativos.
Y estamos progresando en eso.
Así que estamos entrenando
a estas redes neuronales profundas
para que pasen del significado
de alto nivel a píxeles
en vez de ir desde los píxeles
al significado de alto nivel,
es decir, a ir en la otra dirección
a través de los niveles de representación.
Y de esta manera, la computadora
puede generar imágenes
que son imágenes nuevas, diferentes
a lo que la computadora ha visto
mientras fue entrenada,
pero son probables
y parecen imágenes naturales.
También podemos usar estos modelos
para inventar imágenes extrañas,
a veces siniestras,
como nuestros sueños y pesadillas.
Aquí hay algunas imágenes que fueron
sintetizadas por la computadora
usando estos modelos
de gráficos profundos.
Se ven como imágenes naturales,
pero si miran de cerca
verán que son diferentes
y que todavía les faltan algunos
de los detalles importantes
que reconoceríamos como naturales.
Hace unos 10 años,
el aprendizaje no supervisado
fue una clave para el hallazgo
que supuso descubrir
el aprendizaje profundo.
Esto sucedía en unos pocos
laboratorios, incluido el mío,
cuando las redes neuronales
no eran populares.
Fueron prácticamente abandonadas
por la comunidad científica.
Hoy las cosas han cambiado mucho.
Se ha convertido en un campo muy fuerte.
Ahora hay cientos de estudiantes cada año
que solicitan estudios de posgrado
en mi laboratorio con mis colaboradores.
Montreal se ha convertido
en la mayor concentración académica
de investigadores
de aprendizaje profundo del mundo.
Acabamos de recibir una gran beca
de investigación de USD 94 millones
para empujar los límites de la IA
y de la ciencia de datos
y también para transferir tecnología
de aprendizaje profundo
y ciencia de datos a la industria.
Empresarios alentados por todo esto
crean nuevas empresas,
laboratorios industriales,
muchos de los cuales
están cerca de las universidades.
Por ejemplo,
hace apenas unas semanas, anunciamos
el lanzamiento de una nueva empresa
llamada "Element AI"
que va a enfocarse en las aplicaciones
de aprendizaje profundo.
Simplemente no hay suficientes
expertos en aprendizaje profundo.
Así que, se les pagan sueldos muy altos
y muchos de mis antiguos colegas
académicos han aceptado generosas ofertas
de empresas para trabajar
en laboratorios industriales.
Yo, por mi parte, he optado
por quedarme en la universidad,
para trabajar por el bien público,
para trabajar con alumnos,
para seguir siendo independiente,
para guiar a la próxima generación
de expertos en el aprendizaje profundo.
Una cosa que estamos haciendo
más allá del valor comercial
es pensar en las consecuencias
sociales de la IA.
Muchos de nosotros estamos
empezando a prestarle atención
a los programas que tienen
valor agregado social, como la salud.
Pensamos que podemos usar
el aprendizaje profundo
para mejorar el tratamiento
con medicina personalizada.
Creo que en el futuro,
mientras recopilamos más datos
de millones y millones de personas
en todo el mundo,
podremos proporcionar
asesoramiento médico
a miles de millones de personas
que no tienen acceso en este momento.
Y podemos imaginar otras aplicaciones
con valor social de la IA.
Por ejemplo, algo que surgirá
de nuestra investigación
sobre la comprensión del lenguaje natural
es proporcionar todo tipo de servicios,
como servicios legales,
a aquellos que no pueden pagarlos.
Ahora también estamos
prestándole atención
a las consecuencias sociales
de la IA en mi comunidad.
Pero no solo los expertos
deben pensar en esto.
Creo que más allá
de las matemáticas y la jerga,
la gente común puede tener una idea
de lo que sucede
debajo de la superficie.
Lo suficiente como para participar
en las decisiones importantes
que se tomarán en los próximos
años y décadas sobre la IA.
Así que, por favor,
dediquen un presupuesto
y dense un espacio
para aprender sobre ella.
Mis colaboradores y yo hemos escrito
varios artículos introductorios
y un libro titulado "Aprendizaje profundo"
para ayudar a estudiantes e ingenieros
a adentrarse en este emocionante campo.
También hay muchos recursos en línea:
softwares, tutoriales, videos...
y muchos estudiantes no graduados
están aprendiendo mucho
sobre la investigación
en el aprendizaje profundo por sí mismos,
para luego ser parte
de laboratorios como el mío.
La IA va a tener un profundo
impacto en nuestra sociedad.
Así que es importante preguntar:
¿Cómo la vamos a utilizar?
Pueden darse muchísimos
resultados positivos
y también negativos,
como el uso militar,
o cambios rápidos y disruptivos
en el mercado laboral.
Para asegurarnos de que las decisiones
colectivas que se tomarán sobre la IA
en los próximos años
serán en beneficio de todos,
todos los ciudadanos
deben participar activamente
en definir cómo la IA
determinará nuestro futuro.
Gracias.
(Aplausos)