0:00:17.816,0:00:21.325
Nuestro mundo está cambiando[br]de muchas maneras

0:00:21.325,0:00:25.975
y una de las cosas que tendrá[br]un gran impacto en nuestro futuro

0:00:25.975,0:00:29.493
es la inteligencia artificial, IA,

0:00:29.493,0:00:32.383
la cual producirá [br]otra revolución industrial.

0:00:33.627,0:00:39.084
Las revoluciones industriales anteriores[br]desarrollaron la potencia mecánica humana.

0:00:40.014,0:00:45.572
Esta nueva revolución,[br]esta segunda era de las máquinas,

0:00:45.572,0:00:50.122
va a desarrollar[br]nuestras habilidades cognitivas,

0:00:50.122,0:00:52.102
nuestro poder mental.

0:00:52.782,0:00:57.177
Las computadoras no solo[br]van a reemplazar el trabajo manual,

0:00:57.557,0:00:59.617
sino también el trabajo mental.

0:01:00.500,0:01:03.230
Entonces, ¿dónde nos encontramos hoy?

0:01:04.034,0:01:07.724
Es posible que hayan oído hablar[br]de lo que sucedió el pasado marzo

0:01:07.724,0:01:11.526
cuando un sistema[br]de aprendizaje llamado AlphaGo

0:01:12.126,0:01:17.708
usó el aprendizaje profundo para vencer[br]al campeón mundial en el juego de Go.

0:01:18.279,0:01:20.679
Go es un antiguo juego chino,

0:01:20.679,0:01:24.159
el cual ha sido más difícil[br]de dominar para las computadoras

0:01:24.159,0:01:25.892
que el ajedrez.

0:01:26.803,0:01:32.086
¿Cómo tuvimos éxito ahora,[br]después de décadas de investigación de IA?

0:01:33.068,0:01:36.698
AlphaGo fue entrenado para jugar Go.

0:01:37.678,0:01:41.060
Primero, viendo una y otra vez

0:01:41.554,0:01:46.894
decenas de millones de movimientos hechos[br]por jugadores humanos muy competentes.

0:01:47.746,0:01:52.496
Luego, jugando contra sí mismo[br]millones de partidas.

0:01:54.222,0:01:56.215
El aprendizaje automático

0:01:56.215,0:01:59.975
permite que las computadoras[br]aprendan de los ejemplos.

0:02:00.465,0:02:02.575
Que aprendan de los datos.

0:02:03.885,0:02:07.235
El aprendizaje automático[br]ha resultado ser fundamental

0:02:07.235,0:02:11.635
para atiborrar de conocimiento[br]a las computadoras.

0:02:12.134,0:02:13.506
Y esto es importante,

0:02:14.066,0:02:18.896
porque el conocimiento[br]es lo que facilita la inteligencia.

0:02:20.438,0:02:23.185
Implantar conocimiento en computadoras

0:02:23.185,0:02:27.025
ha sido un reto para los antiguos[br]enfoques a la IA.

0:02:27.515,0:02:28.665
¿Por qué?

0:02:29.059,0:02:33.859
Hay muchas cosas[br]que sabemos intuitivamente.

0:02:34.601,0:02:38.081
Asi que no podemos[br]comunicarlas verbalmente.

0:02:38.619,0:02:42.370
No tenemos acceso consciente[br]a ese conocimiento intuitivo.

0:02:43.270,0:02:46.690
¿Cómo podemos programar[br]computadoras sin conocimiento?

0:02:47.664,0:02:48.974
¿Cual es la solución?

0:02:49.314,0:02:55.343
La solución es que las máquinas aprendan[br]ese conocimiento por sí mismas,

0:02:55.343,0:02:56.443
al igual que nosotros.

0:02:56.443,0:02:57.814
Y esto es importante

0:02:57.824,0:03:02.064
porque el conocimiento[br]es lo que facilita la inteligencia.

0:03:03.194,0:03:08.204
Mi misión ha sido[br]contribuir a descubrir y entender

0:03:08.204,0:03:12.676
los principios de la inteligencia[br]a través del aprendizaje.

0:03:13.166,0:03:18.116
Ya sea aprendizaje animal,[br]humano o automático.

0:03:19.450,0:03:25.066
Tanto yo como otros creemos[br]que existen algunos principios clave,

0:03:25.066,0:03:27.296
como las leyes de la física.

0:03:27.885,0:03:32.745
Principios simples que podrían explicar[br]nuestra inteligencia

0:03:32.745,0:03:36.741
y ayudarnos a construir[br]máquinas inteligentes.

0:03:37.885,0:03:41.595
Por ejemplo, piensen[br]en las leyes de la aerodinámica,

0:03:41.595,0:03:43.451
que son lo suficientemente generales

0:03:43.451,0:03:47.901
para explicar tanto el vuelo de las aves[br]como el de los aviones.

0:03:49.146,0:03:55.381
¿No sería asombroso descubrir [br]principios tan simples como poderosos

0:03:55.381,0:03:59.186
que pudieran explicar[br]la inteligencia misma?

0:04:00.026,0:04:03.084
Bueno, hemos hecho algunos progresos.

0:04:04.384,0:04:10.857
Mis colaboradores y yo hemos contribuido[br]en años recientes a una revolución de IA

0:04:11.777,0:04:16.037
con nuestra investigación sobre redes[br]neuronales y aprendizaje profundo,

0:04:16.397,0:04:20.736
un enfoque del aprendizaje automático[br]el cual está inspirado por el cerebro.

0:04:22.041,0:04:24.673
Comenzó con el reconocimiento de voz

0:04:25.243,0:04:29.963
en sus teléfonos[br]con redes neuronales desde 2012.

0:04:30.977,0:04:35.647
Poco después se produjo[br]un gran avance en la visión artificial.

0:04:36.680,0:04:42.887
Las computadoras hacen un gran trabajo[br]al reconocer el contenido de imágenes.

0:04:43.504,0:04:46.871
De hecho, se han aproximado[br]al rendimiento humano

0:04:46.871,0:04:49.671
en algunas pruebas de desempeño[br]en los últimos cinco años.

0:04:50.711,0:04:55.321
Una computadora ahora puede obtener[br]una comprensión intuitiva

0:04:55.321,0:04:57.611
de la apariencia visual[br]de un tablero de Go,

0:04:58.191,0:05:01.103
comparable a la de los mejores[br]jugadores humanos.

0:05:01.983,0:05:05.084
Últimamente, como continuación[br]a algunos descubrimientos

0:05:05.084,0:05:06.554
realizados en mi laboratorio,

0:05:06.554,0:05:11.408
el aprendizaje profundo se ha utilizado[br]para traducir de un idioma a otro

0:05:11.414,0:05:14.021
y vamos a empezar a verlo[br]en Google Translate.

0:05:15.191,0:05:18.192
Esto está aumentando[br]la capacidad de la computadora

0:05:18.192,0:05:22.532
para comprender[br]y generar lenguaje natural.

0:05:23.550,0:05:25.517
Pero no se dejen engañar.

0:05:25.517,0:05:28.388
Aún estamos muy, muy lejos

0:05:28.388,0:05:34.993
de una máquina que sea[br]tan capaz como los humanos

0:05:34.993,0:05:37.593
de aprender a dominar[br]muchos aspectos de nuestro mundo.

0:05:38.541,0:05:41.017
Así que, veamos un ejemplo.

0:05:41.637,0:05:46.787
Incluso una niña de dos años[br]puede aprender cosas

0:05:46.787,0:05:50.307
de cierta manera que las computadoras[br]no pueden hoy en día.

0:05:51.767,0:05:55.769
Una niña de dos años,[br]en realidad domina la física intuitiva.

0:05:56.968,0:06:01.908
Ella sabe que cuando[br]suelta una pelota, se va a caer.

0:06:02.493,0:06:06.093
Cuando derrama un líquido,[br]supone que habrá un desastre.

0:06:06.586,0:06:10.526
Sus padres no necesitan enseñarle[br]las leyes de Newton

0:06:11.276,0:06:12.980
o las ecuaciones diferenciales.

0:06:14.010,0:06:20.200
Descubre todas estas cosas[br]por sí misma de manera no supervisada.

0:06:21.352,0:06:27.712
El aprendizaje no supervisado sigue siendo[br]uno de los principales retos para la IA.

0:06:28.244,0:06:33.014
Y podría tomar varias décadas más[br]de investigación fundamental

0:06:33.014,0:06:34.674
para deshacer ese nudo.

0:06:34.674,0:06:40.895
El aprendizaje no supervisado intenta[br]descubrir representaciones de los datos.

0:06:41.729,0:06:43.779
Déjenme mostrarles un ejemplo.

0:06:44.364,0:06:49.346
Consideren una página en la pantalla[br]que están viendo con sus ojos

0:06:49.346,0:06:53.626
o que la computadora está viendo[br]como una imagen, un montón de píxeles.

0:06:54.993,0:07:00.113
Para responder a una pregunta[br]sobre el contenido de la imagen,

0:07:00.863,0:07:05.211
necesitan comprender[br]su significado de alto nivel.

0:07:06.304,0:07:10.821
Este significado de alto nivel coincide[br]con el nivel más alto de representación

0:07:10.821,0:07:12.221
en su cerebro.

0:07:12.906,0:07:18.308
Más abajo, tienen el significado[br]individual de las palabras

0:07:19.188,0:07:23.478
y aún más abajo tienen caracteres[br]que forman las palabras.

0:07:24.810,0:07:27.637
Esos caracteres se pueden representar[br]de diferentes maneras

0:07:27.637,0:07:30.879
con diferentes trazos[br]que forman los caracteres.

0:07:31.559,0:07:34.839
Y esos trazos están formados por bordes

0:07:34.839,0:07:37.284
y esos bordes están hechos de píxeles.

0:07:37.284,0:07:40.034
Así que estos son diferentes[br]niveles de representación.

0:07:41.079,0:07:44.236
Pero los píxeles no son[br]suficientes por sí mismos

0:07:44.236,0:07:46.084
para dar sentido a la imagen,

0:07:46.294,0:07:48.508
para responder[br]a una pregunta de alto nivel

0:07:48.508,0:07:51.778
sobre el contenido de la página.

0:07:52.932,0:07:56.894
Su cerebro en realidad tiene estos[br]diferentes niveles de representación,

0:07:57.254,0:08:02.291
comenzando por las neuronas en la primera[br]área visual de la corteza, V1,

0:08:02.291,0:08:04.186
las cuales reconocen los bordes.

0:08:04.776,0:08:09.054
Y luego, las neuronas en la segunda[br]área visual de la corteza, V2,

0:08:09.334,0:08:12.200
que reconocen trazos y pequeñas formas.

0:08:12.800,0:08:17.060
Más arriba, tienen neuronas[br]que detectan partes de objetos

0:08:17.060,0:08:19.422
y luego los objetos e imágenes completas.

0:08:21.182,0:08:24.757
Las redes neuronales,[br]cuando están entrenadas con imágenes,

0:08:24.757,0:08:28.860
pueden descubrir estos tipos[br]de niveles de representación

0:08:28.860,0:08:32.778
que coinciden bastante[br]con lo que observamos en el cerebro.

0:08:33.638,0:08:36.534
Tanto las redes neuronales biológicas,

0:08:36.534,0:08:38.804
que son las que tienes en su cerebro,

0:08:38.804,0:08:42.495
como las redes neuronales profundas[br]que entrenamos en nuestras máquinas,

0:08:42.815,0:08:45.519
pueden aprender a transformarse

0:08:45.519,0:08:48.369
de un nivel de[br]representación al siguiente,

0:08:48.369,0:08:53.299
en donde los altos niveles corresponden[br]a las nociones más abstractas.

0:08:53.299,0:08:57.562
Por ejemplo, la noción abstracta [br]del carácter "A"

0:08:57.562,0:09:00.891
puede ser representada de maneras [br]diferentes en los niveles más bajos,

0:09:00.891,0:09:03.887
como muchas configuraciones[br]diferentes de píxeles,

0:09:03.887,0:09:08.637
dependiendo de su posición, [br]rotación, fuente y demás.

0:09:10.445,0:09:15.255
Entonces, ¿cómo aprendemos[br]estos altos niveles de representaciones?

0:09:17.212,0:09:20.681
Algo que ha sido muy exitoso hasta ahora

0:09:20.681,0:09:22.853
en las aplicaciones[br]del aprendizaje profundo

0:09:22.855,0:09:25.285
es lo que llamamos[br]aprendizaje supervisado.

0:09:26.297,0:09:31.588
Con el aprendizaje supervisado,[br]se toma de la mano a la computadora

0:09:31.594,0:09:35.737
y los humanos deben decirle[br]la respuesta a muchas preguntas.

0:09:35.737,0:09:39.187
Por ejemplo, en millones [br]y millones de imágenes

0:09:39.187,0:09:41.710
los humanos deben decirle a la máquina:

0:09:42.090,0:09:44.271
Bueno... esta imagen es un gato,

0:09:45.043,0:09:47.095
esta imagen es un perro,

0:09:47.285,0:09:49.585
esta imagen es un portátil,

0:09:49.605,0:09:51.976
esta imagen es un teclado.

0:09:51.976,0:09:55.416
Y así, sucesivamente, millones de veces.

0:09:55.736,0:10:00.696
Esto es muy tedioso y usamos[br]el crowdsourcing para poder hacerlo.

0:10:01.381,0:10:03.326
Aunque esto es muy poderoso

0:10:03.326,0:10:06.129
y somos capaces de resolver[br]muchos problemas interesantes,

0:10:06.129,0:10:08.313
los humanos somos mucho más fuertes

0:10:08.313,0:10:12.076
y podemos aprender sobre muchos[br]otros aspectos diferentes del mundo

0:10:12.076,0:10:14.189
de una manera mucho más autónoma,

0:10:14.189,0:10:17.759
tal como vimos con la niña de dos años[br]que aprende sobre física intuitiva.

0:10:17.759,0:10:22.167
El aprendizaje no supervisado[br]también puede ayudarnos a lidiar

0:10:22.167,0:10:23.807
con los vehículos autónomos.

0:10:24.137,0:10:25.877
Déjenme que les explique.

0:10:25.877,0:10:28.315
El aprendizaje no supervisado permite

0:10:28.315,0:10:31.835
que las computadoras[br]se proyecten al futuro

0:10:31.835,0:10:37.205
para generar futuros probables[br]condicionados a la situación actual.

0:10:38.369,0:10:42.899
Y eso permite a las computadoras[br]razonar y planear por adelantado.

0:10:43.450,0:10:47.985
Incluso para circunstancias[br]a las que no han sido entrenadas.

0:10:48.681,0:10:50.211
Esto es importante,

0:10:50.461,0:10:53.991
porque con el aprendizaje supervisado[br]habría que decirle a las computadoras

0:10:53.991,0:10:57.395
acerca de todas las circunstancias [br]en las cuales podría estar el auto

0:10:57.395,0:11:01.375
y cómo los humanos[br]reaccionarían en esa situación.

0:11:02.451,0:11:06.191
¿Cómo aprendí a evitar[br]comportamientos peligrosos al volante?

0:11:07.276,0:11:10.683
¿Tuve que morir mil veces en un accidente?

0:11:10.683,0:11:12.106
(Risas)

0:11:12.106,0:11:14.606
Bueno, así es como entrenamos[br]a las máquinas ahora.

0:11:15.175,0:11:18.340
Por lo tanto, no va a volar[br]o al menos no al conducir.

0:11:18.340,0:11:19.928
(Risas)

0:11:21.288,0:11:25.357
Entonces, lo que necesitamos[br]es entrenar a nuestros modelos

0:11:25.357,0:11:30.294
para poder generar imágenes[br]o futuros probables,

0:11:30.294,0:11:31.294
que sean creativos.

0:11:31.294,0:11:33.684
Y estamos progresando en eso.

0:11:33.684,0:11:37.457
Así que estamos entrenando[br]a estas redes neuronales profundas

0:11:37.463,0:11:40.368
para que pasen del significado[br]de alto nivel a píxeles

0:11:40.368,0:11:43.197
en vez de ir desde los píxeles[br]al significado de alto nivel,

0:11:43.197,0:11:46.857
es decir, a ir en la otra dirección[br]a través de los niveles de representación.

0:11:46.857,0:11:50.461
Y de esta manera, la computadora[br]puede generar imágenes

0:11:51.191,0:11:54.842
que son imágenes nuevas, diferentes[br]a lo que la computadora ha visto

0:11:54.842,0:11:56.228
mientras fue entrenada,

0:11:57.158,0:12:00.369
pero son probables [br]y parecen imágenes naturales.

0:12:01.888,0:12:04.042
También podemos usar estos modelos

0:12:04.042,0:12:07.232
para inventar imágenes extrañas,

0:12:07.232,0:12:09.492
a veces siniestras,

0:12:09.492,0:12:11.795
como nuestros sueños y pesadillas.

0:12:12.682,0:12:16.847
Aquí hay algunas imágenes que fueron[br]sintetizadas por la computadora

0:12:16.847,0:12:19.146
usando estos modelos[br]de gráficos profundos.

0:12:19.826,0:12:21.651
Se ven como imágenes naturales,

0:12:21.851,0:12:24.551
pero si miran de cerca[br]verán que son diferentes

0:12:25.458,0:12:28.697
y que todavía les faltan algunos[br]de los detalles importantes

0:12:28.697,0:12:31.063
que reconoceríamos como naturales.

0:12:31.995,0:12:34.191
Hace unos 10 años,

0:12:34.191,0:12:39.131
el aprendizaje no supervisado[br]fue una clave para el hallazgo

0:12:39.131,0:12:42.143
que supuso descubrir[br]el aprendizaje profundo.

0:12:44.330,0:12:48.055
Esto sucedía en unos pocos[br]laboratorios, incluido el mío,

0:12:48.225,0:12:51.585
cuando las redes neuronales[br]no eran populares.

0:12:52.015,0:12:55.217
Fueron prácticamente abandonadas[br]por la comunidad científica.

0:12:56.394,0:12:58.705
Hoy las cosas han cambiado mucho.

0:12:59.315,0:13:01.375
Se ha convertido en un campo muy fuerte.

0:13:01.754,0:13:06.924
Ahora hay cientos de estudiantes cada año [br]que solicitan estudios de posgrado

0:13:06.924,0:13:09.354
en mi laboratorio con mis colaboradores.

0:13:11.010,0:13:16.567
Montreal se ha convertido[br]en la mayor concentración académica

0:13:16.567,0:13:19.387
de investigadores[br]de aprendizaje profundo del mundo.

0:13:20.182,0:13:25.475
Acabamos de recibir una gran beca[br]de investigación de USD 94 millones

0:13:26.127,0:13:29.797
para empujar los límites de la IA[br]y de la ciencia de datos

0:13:29.797,0:13:33.238
y también para transferir tecnología[br]de aprendizaje profundo

0:13:33.238,0:13:35.958
y ciencia de datos a la industria.

0:13:36.939,0:13:42.681
Empresarios alentados por todo esto [br]crean nuevas empresas,

0:13:42.681,0:13:44.091
laboratorios industriales,

0:13:44.091,0:13:46.764
muchos de los cuales [br]están cerca de las universidades.

0:13:48.543,0:13:49.625
Por ejemplo,

0:13:49.625,0:13:54.733
hace apenas unas semanas, anunciamos[br]el lanzamiento de una nueva empresa

0:13:54.733,0:13:56.507
llamada "Element AI"

0:13:56.507,0:13:59.605
que va a enfocarse en las aplicaciones[br]de aprendizaje profundo.

0:14:02.382,0:14:05.722
Simplemente no hay suficientes[br]expertos en aprendizaje profundo.

0:14:06.355,0:14:10.677
Así que, se les pagan sueldos muy altos

0:14:11.027,0:14:17.188
y muchos de mis antiguos colegas [br]académicos han aceptado generosas ofertas

0:14:17.188,0:14:20.178
de empresas para trabajar[br]en laboratorios industriales.

0:14:21.271,0:14:25.040
Yo, por mi parte, he optado[br]por quedarme en la universidad,

0:14:25.040,0:14:26.936
para trabajar por el bien público,

0:14:27.166,0:14:28.886
para trabajar con alumnos,

0:14:28.902,0:14:30.592
para seguir siendo independiente,

0:14:30.596,0:14:34.836
para guiar a la próxima generación[br]de expertos en el aprendizaje profundo.

0:14:35.294,0:14:41.024
Una cosa que estamos haciendo [br]más allá del valor comercial

0:14:41.024,0:14:44.654
es pensar en las consecuencias[br]sociales de la IA.

0:14:46.161,0:14:50.026
Muchos de nosotros estamos [br]empezando a prestarle atención

0:14:50.026,0:14:55.986
a los programas que tienen[br]valor agregado social, como la salud.

0:14:56.457,0:14:58.956
Pensamos que podemos usar[br]el aprendizaje profundo

0:14:58.956,0:15:02.696
para mejorar el tratamiento[br]con medicina personalizada.

0:15:03.956,0:15:07.061
Creo que en el futuro,[br]mientras recopilamos más datos

0:15:07.061,0:15:10.091
de millones y millones de personas[br]en todo el mundo,

0:15:10.361,0:15:13.716
podremos proporcionar[br]asesoramiento médico

0:15:13.716,0:15:17.246
a miles de millones de personas[br]que no tienen acceso en este momento.

0:15:17.601,0:15:22.724
Y podemos imaginar otras aplicaciones[br]con valor social de la IA.

0:15:23.140,0:15:26.338
Por ejemplo, algo que surgirá[br]de nuestra investigación

0:15:26.338,0:15:28.582
sobre la comprensión del lenguaje natural

0:15:29.068,0:15:31.199
es proporcionar todo tipo de servicios,

0:15:31.199,0:15:34.059
como servicios legales,[br]a aquellos que no pueden pagarlos.

0:15:34.512,0:15:37.342
Ahora también estamos [br]prestándole atención

0:15:37.342,0:15:41.132
a las consecuencias sociales[br]de la IA en mi comunidad.

0:15:41.690,0:15:44.801
Pero no solo los expertos[br]deben pensar en esto.

0:15:46.026,0:15:49.936
Creo que más allá[br]de las matemáticas y la jerga,

0:15:50.736,0:15:53.442
la gente común puede tener una idea

0:15:53.442,0:15:55.741
de lo que sucede[br]debajo de la superficie.

0:15:56.721,0:16:01.191
Lo suficiente como para participar[br]en las decisiones importantes

0:16:01.191,0:16:06.547
que se tomarán en los próximos[br]años y décadas sobre la IA.

0:16:07.580,0:16:09.280
Así que, por favor,

0:16:09.930,0:16:11.670
dediquen un presupuesto

0:16:12.196,0:16:16.046
y dense un espacio[br]para aprender sobre ella.

0:16:17.842,0:16:22.532
Mis colaboradores y yo hemos escrito[br]varios artículos introductorios

0:16:22.542,0:16:25.376
y un libro titulado "Aprendizaje profundo"

0:16:25.376,0:16:29.619
para ayudar a estudiantes e ingenieros[br]a adentrarse en este emocionante campo.

0:16:30.659,0:16:35.784
También hay muchos recursos en línea:[br]softwares, tutoriales, videos...

0:16:36.310,0:16:41.210
y muchos estudiantes no graduados[br]están aprendiendo mucho

0:16:41.210,0:16:44.548
sobre la investigación[br]en el aprendizaje profundo por sí mismos,

0:16:44.548,0:16:47.835
para luego ser parte[br]de laboratorios como el mío.

0:16:49.180,0:16:55.170
La IA va a tener un profundo[br]impacto en nuestra sociedad.

0:16:56.652,0:17:01.672
Así que es importante preguntar:[br]¿Cómo la vamos a utilizar?

0:17:03.618,0:17:06.146
Pueden darse muchísimos[br]resultados positivos

0:17:06.146,0:17:07.896
y también negativos,

0:17:07.896,0:17:10.166
como el uso militar,

0:17:10.797,0:17:15.357
o cambios rápidos y disruptivos[br]en el mercado laboral.

0:17:15.948,0:17:21.629
Para asegurarnos de que las decisiones [br]colectivas que se tomarán sobre la IA

0:17:21.629,0:17:23.074
en los próximos años

0:17:23.074,0:17:25.144
serán en beneficio de todos,

0:17:25.144,0:17:28.557
todos los ciudadanos[br]deben participar activamente

0:17:28.557,0:17:32.911
en definir cómo la IA[br]determinará nuestro futuro.

0:17:33.871,0:17:34.891
Gracias.

0:17:35.065,0:17:39.395
(Aplausos)