1
00:00:17,816 --> 00:00:21,325
Nuestro mundo está cambiando
de muchas maneras

2
00:00:21,325 --> 00:00:25,975
y una de las cosas que tendrá
un gran impacto en nuestro futuro

3
00:00:25,975 --> 00:00:29,493
es la inteligencia artificial, IA,

4
00:00:29,493 --> 00:00:32,383
la cual producirá 
otra revolución industrial.

5
00:00:33,627 --> 00:00:39,084
Las revoluciones industriales anteriores
desarrollaron la potencia mecánica humana.

6
00:00:40,014 --> 00:00:45,572
Esta nueva revolución,
esta segunda era de las máquinas,

7
00:00:45,572 --> 00:00:50,122
va a desarrollar
nuestras habilidades cognitivas,

8
00:00:50,122 --> 00:00:52,102
nuestro poder mental.

9
00:00:52,782 --> 00:00:57,177
Las computadoras no solo
van a reemplazar el trabajo manual,

10
00:00:57,557 --> 00:00:59,617
sino también el trabajo mental.

11
00:01:00,500 --> 00:01:03,230
Entonces, ¿dónde nos encontramos hoy?

12
00:01:04,034 --> 00:01:07,724
Es posible que hayan oído hablar
de lo que sucedió el pasado marzo

13
00:01:07,724 --> 00:01:11,526
cuando un sistema
de aprendizaje llamado AlphaGo

14
00:01:12,126 --> 00:01:17,708
usó el aprendizaje profundo para vencer
al campeón mundial en el juego de Go.

15
00:01:18,279 --> 00:01:20,679
Go es un antiguo juego chino,

16
00:01:20,679 --> 00:01:24,159
el cual ha sido más difícil
de dominar para las computadoras

17
00:01:24,159 --> 00:01:25,892
que el ajedrez.

18
00:01:26,803 --> 00:01:32,086
¿Cómo tuvimos éxito ahora,
después de décadas de investigación de IA?

19
00:01:33,068 --> 00:01:36,698
AlphaGo fue entrenado para jugar Go.

20
00:01:37,678 --> 00:01:41,060
Primero, viendo una y otra vez

21
00:01:41,554 --> 00:01:46,894
decenas de millones de movimientos hechos
por jugadores humanos muy competentes.

22
00:01:47,746 --> 00:01:52,496
Luego, jugando contra sí mismo
millones de partidas.

23
00:01:54,222 --> 00:01:56,215
El aprendizaje automático

24
00:01:56,215 --> 00:01:59,975
permite que las computadoras
aprendan de los ejemplos.

25
00:02:00,465 --> 00:02:02,575
Que aprendan de los datos.

26
00:02:03,885 --> 00:02:07,235
El aprendizaje automático
ha resultado ser fundamental

27
00:02:07,235 --> 00:02:11,635
para atiborrar de conocimiento
a las computadoras.

28
00:02:12,134 --> 00:02:13,506
Y esto es importante,

29
00:02:14,066 --> 00:02:18,896
porque el conocimiento
es lo que facilita la inteligencia.

30
00:02:20,438 --> 00:02:23,185
Implantar conocimiento en computadoras

31
00:02:23,185 --> 00:02:27,025
ha sido un reto para los antiguos
enfoques a la IA.

32
00:02:27,515 --> 00:02:28,665
¿Por qué?

33
00:02:29,059 --> 00:02:33,859
Hay muchas cosas
que sabemos intuitivamente.

34
00:02:34,601 --> 00:02:38,081
Asi que no podemos
comunicarlas verbalmente.

35
00:02:38,619 --> 00:02:42,370
No tenemos acceso consciente
a ese conocimiento intuitivo.

36
00:02:43,270 --> 00:02:46,690
¿Cómo podemos programar
computadoras sin conocimiento?

37
00:02:47,664 --> 00:02:48,974
¿Cual es la solución?

38
00:02:49,314 --> 00:02:55,343
La solución es que las máquinas aprendan
ese conocimiento por sí mismas,

39
00:02:55,343 --> 00:02:56,443
al igual que nosotros.

40
00:02:56,443 --> 00:02:57,814
Y esto es importante

41
00:02:57,824 --> 00:03:02,064
porque el conocimiento
es lo que facilita la inteligencia.

42
00:03:03,194 --> 00:03:08,204
Mi misión ha sido
contribuir a descubrir y entender

43
00:03:08,204 --> 00:03:12,676
los principios de la inteligencia
a través del aprendizaje.

44
00:03:13,166 --> 00:03:18,116
Ya sea aprendizaje animal,
humano o automático.

45
00:03:19,450 --> 00:03:25,066
Tanto yo como otros creemos
que existen algunos principios clave,

46
00:03:25,066 --> 00:03:27,296
como las leyes de la física.

47
00:03:27,885 --> 00:03:32,745
Principios simples que podrían explicar
nuestra inteligencia

48
00:03:32,745 --> 00:03:36,741
y ayudarnos a construir
máquinas inteligentes.

49
00:03:37,885 --> 00:03:41,595
Por ejemplo, piensen
en las leyes de la aerodinámica,

50
00:03:41,595 --> 00:03:43,451
que son lo suficientemente generales

51
00:03:43,451 --> 00:03:47,901
para explicar tanto el vuelo de las aves
como el de los aviones.

52
00:03:49,146 --> 00:03:55,381
¿No sería asombroso descubrir 
principios tan simples como poderosos

53
00:03:55,381 --> 00:03:59,186
que pudieran explicar
la inteligencia misma?

54
00:04:00,026 --> 00:04:03,084
Bueno, hemos hecho algunos progresos.

55
00:04:04,384 --> 00:04:10,857
Mis colaboradores y yo hemos contribuido
en años recientes a una revolución de IA

56
00:04:11,777 --> 00:04:16,037
con nuestra investigación sobre redes
neuronales y aprendizaje profundo,

57
00:04:16,397 --> 00:04:20,736
un enfoque del aprendizaje automático
el cual está inspirado por el cerebro.

58
00:04:22,041 --> 00:04:24,673
Comenzó con el reconocimiento de voz

59
00:04:25,243 --> 00:04:29,963
en sus teléfonos
con redes neuronales desde 2012.

60
00:04:30,977 --> 00:04:35,647
Poco después se produjo
un gran avance en la visión artificial.

61
00:04:36,680 --> 00:04:42,887
Las computadoras hacen un gran trabajo
al reconocer el contenido de imágenes.

62
00:04:43,504 --> 00:04:46,871
De hecho, se han aproximado
al rendimiento humano

63
00:04:46,871 --> 00:04:49,671
en algunas pruebas de desempeño
en los últimos cinco años.

64
00:04:50,711 --> 00:04:55,321
Una computadora ahora puede obtener
una comprensión intuitiva

65
00:04:55,321 --> 00:04:57,611
de la apariencia visual
de un tablero de Go,

66
00:04:58,191 --> 00:05:01,103
comparable a la de los mejores
jugadores humanos.

67
00:05:01,983 --> 00:05:05,084
Últimamente, como continuación
a algunos descubrimientos

68
00:05:05,084 --> 00:05:06,554
realizados en mi laboratorio,

69
00:05:06,554 --> 00:05:11,408
el aprendizaje profundo se ha utilizado
para traducir de un idioma a otro

70
00:05:11,414 --> 00:05:14,021
y vamos a empezar a verlo
en Google Translate.

71
00:05:15,191 --> 00:05:18,192
Esto está aumentando
la capacidad de la computadora

72
00:05:18,192 --> 00:05:22,532
para comprender
y generar lenguaje natural.

73
00:05:23,550 --> 00:05:25,517
Pero no se dejen engañar.

74
00:05:25,517 --> 00:05:28,388
Aún estamos muy, muy lejos

75
00:05:28,388 --> 00:05:34,993
de una máquina que sea
tan capaz como los humanos

76
00:05:34,993 --> 00:05:37,593
de aprender a dominar
muchos aspectos de nuestro mundo.

77
00:05:38,541 --> 00:05:41,017
Así que, veamos un ejemplo.

78
00:05:41,637 --> 00:05:46,787
Incluso una niña de dos años
puede aprender cosas

79
00:05:46,787 --> 00:05:50,307
de cierta manera que las computadoras
no pueden hoy en día.

80
00:05:51,767 --> 00:05:55,769
Una niña de dos años,
en realidad domina la física intuitiva.

81
00:05:56,968 --> 00:06:01,908
Ella sabe que cuando
suelta una pelota, se va a caer.

82
00:06:02,493 --> 00:06:06,093
Cuando derrama un líquido,
supone que habrá un desastre.

83
00:06:06,586 --> 00:06:10,526
Sus padres no necesitan enseñarle
las leyes de Newton

84
00:06:11,276 --> 00:06:12,980
o las ecuaciones diferenciales.

85
00:06:14,010 --> 00:06:20,200
Descubre todas estas cosas
por sí misma de manera no supervisada.

86
00:06:21,352 --> 00:06:27,712
El aprendizaje no supervisado sigue siendo
uno de los principales retos para la IA.

87
00:06:28,244 --> 00:06:33,014
Y podría tomar varias décadas más
de investigación fundamental

88
00:06:33,014 --> 00:06:34,674
para deshacer ese nudo.

89
00:06:34,674 --> 00:06:40,895
El aprendizaje no supervisado intenta
descubrir representaciones de los datos.

90
00:06:41,729 --> 00:06:43,779
Déjenme mostrarles un ejemplo.

91
00:06:44,364 --> 00:06:49,346
Consideren una página en la pantalla
que están viendo con sus ojos

92
00:06:49,346 --> 00:06:53,626
o que la computadora está viendo
como una imagen, un montón de píxeles.

93
00:06:54,993 --> 00:07:00,113
Para responder a una pregunta
sobre el contenido de la imagen,

94
00:07:00,863 --> 00:07:05,211
necesitan comprender
su significado de alto nivel.

95
00:07:06,304 --> 00:07:10,821
Este significado de alto nivel coincide
con el nivel más alto de representación

96
00:07:10,821 --> 00:07:12,221
en su cerebro.

97
00:07:12,906 --> 00:07:18,308
Más abajo, tienen el significado
individual de las palabras

98
00:07:19,188 --> 00:07:23,478
y aún más abajo tienen caracteres
que forman las palabras.

99
00:07:24,810 --> 00:07:27,637
Esos caracteres se pueden representar
de diferentes maneras

100
00:07:27,637 --> 00:07:30,879
con diferentes trazos
que forman los caracteres.

101
00:07:31,559 --> 00:07:34,839
Y esos trazos están formados por bordes

102
00:07:34,839 --> 00:07:37,284
y esos bordes están hechos de píxeles.

103
00:07:37,284 --> 00:07:40,034
Así que estos son diferentes
niveles de representación.

104
00:07:41,079 --> 00:07:44,236
Pero los píxeles no son
suficientes por sí mismos

105
00:07:44,236 --> 00:07:46,084
para dar sentido a la imagen,

106
00:07:46,294 --> 00:07:48,508
para responder
a una pregunta de alto nivel

107
00:07:48,508 --> 00:07:51,778
sobre el contenido de la página.

108
00:07:52,932 --> 00:07:56,894
Su cerebro en realidad tiene estos
diferentes niveles de representación,

109
00:07:57,254 --> 00:08:02,291
comenzando por las neuronas en la primera
área visual de la corteza, V1,

110
00:08:02,291 --> 00:08:04,186
las cuales reconocen los bordes.

111
00:08:04,776 --> 00:08:09,054
Y luego, las neuronas en la segunda
área visual de la corteza, V2,

112
00:08:09,334 --> 00:08:12,200
que reconocen trazos y pequeñas formas.

113
00:08:12,800 --> 00:08:17,060
Más arriba, tienen neuronas
que detectan partes de objetos

114
00:08:17,060 --> 00:08:19,422
y luego los objetos e imágenes completas.

115
00:08:21,182 --> 00:08:24,757
Las redes neuronales,
cuando están entrenadas con imágenes,

116
00:08:24,757 --> 00:08:28,860
pueden descubrir estos tipos
de niveles de representación

117
00:08:28,860 --> 00:08:32,778
que coinciden bastante
con lo que observamos en el cerebro.

118
00:08:33,638 --> 00:08:36,534
Tanto las redes neuronales biológicas,

119
00:08:36,534 --> 00:08:38,804
que son las que tienes en su cerebro,

120
00:08:38,804 --> 00:08:42,495
como las redes neuronales profundas
que entrenamos en nuestras máquinas,

121
00:08:42,815 --> 00:08:45,519
pueden aprender a transformarse

122
00:08:45,519 --> 00:08:48,369
de un nivel de
representación al siguiente,

123
00:08:48,369 --> 00:08:53,299
en donde los altos niveles corresponden
a las nociones más abstractas.

124
00:08:53,299 --> 00:08:57,562
Por ejemplo, la noción abstracta 
del carácter "A"

125
00:08:57,562 --> 00:09:00,891
puede ser representada de maneras 
diferentes en los niveles más bajos,

126
00:09:00,891 --> 00:09:03,887
como muchas configuraciones
diferentes de píxeles,

127
00:09:03,887 --> 00:09:08,637
dependiendo de su posición, 
rotación, fuente y demás.

128
00:09:10,445 --> 00:09:15,255
Entonces, ¿cómo aprendemos
estos altos niveles de representaciones?

129
00:09:17,212 --> 00:09:20,681
Algo que ha sido muy exitoso hasta ahora

130
00:09:20,681 --> 00:09:22,853
en las aplicaciones
del aprendizaje profundo

131
00:09:22,855 --> 00:09:25,285
es lo que llamamos
aprendizaje supervisado.

132
00:09:26,297 --> 00:09:31,588
Con el aprendizaje supervisado,
se toma de la mano a la computadora

133
00:09:31,594 --> 00:09:35,737
y los humanos deben decirle
la respuesta a muchas preguntas.

134
00:09:35,737 --> 00:09:39,187
Por ejemplo, en millones 
y millones de imágenes

135
00:09:39,187 --> 00:09:41,710
los humanos deben decirle a la máquina:

136
00:09:42,090 --> 00:09:44,271
Bueno... esta imagen es un gato,

137
00:09:45,043 --> 00:09:47,095
esta imagen es un perro,

138
00:09:47,285 --> 00:09:49,585
esta imagen es un portátil,

139
00:09:49,605 --> 00:09:51,976
esta imagen es un teclado.

140
00:09:51,976 --> 00:09:55,416
Y así, sucesivamente, millones de veces.

141
00:09:55,736 --> 00:10:00,696
Esto es muy tedioso y usamos
el crowdsourcing para poder hacerlo.

142
00:10:01,381 --> 00:10:03,326
Aunque esto es muy poderoso

143
00:10:03,326 --> 00:10:06,129
y somos capaces de resolver
muchos problemas interesantes,

144
00:10:06,129 --> 00:10:08,313
los humanos somos mucho más fuertes

145
00:10:08,313 --> 00:10:12,076
y podemos aprender sobre muchos
otros aspectos diferentes del mundo

146
00:10:12,076 --> 00:10:14,189
de una manera mucho más autónoma,

147
00:10:14,189 --> 00:10:17,759
tal como vimos con la niña de dos años
que aprende sobre física intuitiva.

148
00:10:17,759 --> 00:10:22,167
El aprendizaje no supervisado
también puede ayudarnos a lidiar

149
00:10:22,167 --> 00:10:23,807
con los vehículos autónomos.

150
00:10:24,137 --> 00:10:25,877
Déjenme que les explique.

151
00:10:25,877 --> 00:10:28,315
El aprendizaje no supervisado permite

152
00:10:28,315 --> 00:10:31,835
que las computadoras
se proyecten al futuro

153
00:10:31,835 --> 00:10:37,205
para generar futuros probables
condicionados a la situación actual.

154
00:10:38,369 --> 00:10:42,899
Y eso permite a las computadoras
razonar y planear por adelantado.

155
00:10:43,450 --> 00:10:47,985
Incluso para circunstancias
a las que no han sido entrenadas.

156
00:10:48,681 --> 00:10:50,211
Esto es importante,

157
00:10:50,461 --> 00:10:53,991
porque con el aprendizaje supervisado
habría que decirle a las computadoras

158
00:10:53,991 --> 00:10:57,395
acerca de todas las circunstancias 
en las cuales podría estar el auto

159
00:10:57,395 --> 00:11:01,375
y cómo los humanos
reaccionarían en esa situación.

160
00:11:02,451 --> 00:11:06,191
¿Cómo aprendí a evitar
comportamientos peligrosos al volante?

161
00:11:07,276 --> 00:11:10,683
¿Tuve que morir mil veces en un accidente?

162
00:11:10,683 --> 00:11:12,106
(Risas)

163
00:11:12,106 --> 00:11:14,606
Bueno, así es como entrenamos
a las máquinas ahora.

164
00:11:15,175 --> 00:11:18,340
Por lo tanto, no va a volar
o al menos no al conducir.

165
00:11:18,340 --> 00:11:19,928
(Risas)

166
00:11:21,288 --> 00:11:25,357
Entonces, lo que necesitamos
es entrenar a nuestros modelos

167
00:11:25,357 --> 00:11:30,294
para poder generar imágenes
o futuros probables,

168
00:11:30,294 --> 00:11:31,294
que sean creativos.

169
00:11:31,294 --> 00:11:33,684
Y estamos progresando en eso.

170
00:11:33,684 --> 00:11:37,457
Así que estamos entrenando
a estas redes neuronales profundas

171
00:11:37,463 --> 00:11:40,368
para que pasen del significado
de alto nivel a píxeles

172
00:11:40,368 --> 00:11:43,197
en vez de ir desde los píxeles
al significado de alto nivel,

173
00:11:43,197 --> 00:11:46,857
es decir, a ir en la otra dirección
a través de los niveles de representación.

174
00:11:46,857 --> 00:11:50,461
Y de esta manera, la computadora
puede generar imágenes

175
00:11:51,191 --> 00:11:54,842
que son imágenes nuevas, diferentes
a lo que la computadora ha visto

176
00:11:54,842 --> 00:11:56,228
mientras fue entrenada,

177
00:11:57,158 --> 00:12:00,369
pero son probables 
y parecen imágenes naturales.

178
00:12:01,888 --> 00:12:04,042
También podemos usar estos modelos

179
00:12:04,042 --> 00:12:07,232
para inventar imágenes extrañas,

180
00:12:07,232 --> 00:12:09,492
a veces siniestras,

181
00:12:09,492 --> 00:12:11,795
como nuestros sueños y pesadillas.

182
00:12:12,682 --> 00:12:16,847
Aquí hay algunas imágenes que fueron
sintetizadas por la computadora

183
00:12:16,847 --> 00:12:19,146
usando estos modelos
de gráficos profundos.

184
00:12:19,826 --> 00:12:21,651
Se ven como imágenes naturales,

185
00:12:21,851 --> 00:12:24,551
pero si miran de cerca
verán que son diferentes

186
00:12:25,458 --> 00:12:28,697
y que todavía les faltan algunos
de los detalles importantes

187
00:12:28,697 --> 00:12:31,063
que reconoceríamos como naturales.

188
00:12:31,995 --> 00:12:34,191
Hace unos 10 años,

189
00:12:34,191 --> 00:12:39,131
el aprendizaje no supervisado
fue una clave para el hallazgo

190
00:12:39,131 --> 00:12:42,143
que supuso descubrir
el aprendizaje profundo.

191
00:12:44,330 --> 00:12:48,055
Esto sucedía en unos pocos
laboratorios, incluido el mío,

192
00:12:48,225 --> 00:12:51,585
cuando las redes neuronales
no eran populares.

193
00:12:52,015 --> 00:12:55,217
Fueron prácticamente abandonadas
por la comunidad científica.

194
00:12:56,394 --> 00:12:58,705
Hoy las cosas han cambiado mucho.

195
00:12:59,315 --> 00:13:01,375
Se ha convertido en un campo muy fuerte.

196
00:13:01,754 --> 00:13:06,924
Ahora hay cientos de estudiantes cada año 
que solicitan estudios de posgrado

197
00:13:06,924 --> 00:13:09,354
en mi laboratorio con mis colaboradores.

198
00:13:11,010 --> 00:13:16,567
Montreal se ha convertido
en la mayor concentración académica

199
00:13:16,567 --> 00:13:19,387
de investigadores
de aprendizaje profundo del mundo.

200
00:13:20,182 --> 00:13:25,475
Acabamos de recibir una gran beca
de investigación de USD 94 millones

201
00:13:26,127 --> 00:13:29,797
para empujar los límites de la IA
y de la ciencia de datos

202
00:13:29,797 --> 00:13:33,238
y también para transferir tecnología
de aprendizaje profundo

203
00:13:33,238 --> 00:13:35,958
y ciencia de datos a la industria.

204
00:13:36,939 --> 00:13:42,681
Empresarios alentados por todo esto 
crean nuevas empresas,

205
00:13:42,681 --> 00:13:44,091
laboratorios industriales,

206
00:13:44,091 --> 00:13:46,764
muchos de los cuales 
están cerca de las universidades.

207
00:13:48,543 --> 00:13:49,625
Por ejemplo,

208
00:13:49,625 --> 00:13:54,733
hace apenas unas semanas, anunciamos
el lanzamiento de una nueva empresa

209
00:13:54,733 --> 00:13:56,507
llamada "Element AI"

210
00:13:56,507 --> 00:13:59,605
que va a enfocarse en las aplicaciones
de aprendizaje profundo.

211
00:14:02,382 --> 00:14:05,722
Simplemente no hay suficientes
expertos en aprendizaje profundo.

212
00:14:06,355 --> 00:14:10,677
Así que, se les pagan sueldos muy altos

213
00:14:11,027 --> 00:14:17,188
y muchos de mis antiguos colegas 
académicos han aceptado generosas ofertas

214
00:14:17,188 --> 00:14:20,178
de empresas para trabajar
en laboratorios industriales.

215
00:14:21,271 --> 00:14:25,040
Yo, por mi parte, he optado
por quedarme en la universidad,

216
00:14:25,040 --> 00:14:26,936
para trabajar por el bien público,

217
00:14:27,166 --> 00:14:28,886
para trabajar con alumnos,

218
00:14:28,902 --> 00:14:30,592
para seguir siendo independiente,

219
00:14:30,596 --> 00:14:34,836
para guiar a la próxima generación
de expertos en el aprendizaje profundo.

220
00:14:35,294 --> 00:14:41,024
Una cosa que estamos haciendo 
más allá del valor comercial

221
00:14:41,024 --> 00:14:44,654
es pensar en las consecuencias
sociales de la IA.

222
00:14:46,161 --> 00:14:50,026
Muchos de nosotros estamos 
empezando a prestarle atención

223
00:14:50,026 --> 00:14:55,986
a los programas que tienen
valor agregado social, como la salud.

224
00:14:56,457 --> 00:14:58,956
Pensamos que podemos usar
el aprendizaje profundo

225
00:14:58,956 --> 00:15:02,696
para mejorar el tratamiento
con medicina personalizada.

226
00:15:03,956 --> 00:15:07,061
Creo que en el futuro,
mientras recopilamos más datos

227
00:15:07,061 --> 00:15:10,091
de millones y millones de personas
en todo el mundo,

228
00:15:10,361 --> 00:15:13,716
podremos proporcionar
asesoramiento médico

229
00:15:13,716 --> 00:15:17,246
a miles de millones de personas
que no tienen acceso en este momento.

230
00:15:17,601 --> 00:15:22,724
Y podemos imaginar otras aplicaciones
con valor social de la IA.

231
00:15:23,140 --> 00:15:26,338
Por ejemplo, algo que surgirá
de nuestra investigación

232
00:15:26,338 --> 00:15:28,582
sobre la comprensión del lenguaje natural

233
00:15:29,068 --> 00:15:31,199
es proporcionar todo tipo de servicios,

234
00:15:31,199 --> 00:15:34,059
como servicios legales,
a aquellos que no pueden pagarlos.

235
00:15:34,512 --> 00:15:37,342
Ahora también estamos 
prestándole atención

236
00:15:37,342 --> 00:15:41,132
a las consecuencias sociales
de la IA en mi comunidad.

237
00:15:41,690 --> 00:15:44,801
Pero no solo los expertos
deben pensar en esto.

238
00:15:46,026 --> 00:15:49,936
Creo que más allá
de las matemáticas y la jerga,

239
00:15:50,736 --> 00:15:53,442
la gente común puede tener una idea

240
00:15:53,442 --> 00:15:55,741
de lo que sucede
debajo de la superficie.

241
00:15:56,721 --> 00:16:01,191
Lo suficiente como para participar
en las decisiones importantes

242
00:16:01,191 --> 00:16:06,547
que se tomarán en los próximos
años y décadas sobre la IA.

243
00:16:07,580 --> 00:16:09,280
Así que, por favor,

244
00:16:09,930 --> 00:16:11,670
dediquen un presupuesto

245
00:16:12,196 --> 00:16:16,046
y dense un espacio
para aprender sobre ella.

246
00:16:17,842 --> 00:16:22,532
Mis colaboradores y yo hemos escrito
varios artículos introductorios

247
00:16:22,542 --> 00:16:25,376
y un libro titulado "Aprendizaje profundo"

248
00:16:25,376 --> 00:16:29,619
para ayudar a estudiantes e ingenieros
a adentrarse en este emocionante campo.

249
00:16:30,659 --> 00:16:35,784
También hay muchos recursos en línea:
softwares, tutoriales, videos...

250
00:16:36,310 --> 00:16:41,210
y muchos estudiantes no graduados
están aprendiendo mucho

251
00:16:41,210 --> 00:16:44,548
sobre la investigación
en el aprendizaje profundo por sí mismos,

252
00:16:44,548 --> 00:16:47,835
para luego ser parte
de laboratorios como el mío.

253
00:16:49,180 --> 00:16:55,170
La IA va a tener un profundo
impacto en nuestra sociedad.

254
00:16:56,652 --> 00:17:01,672
Así que es importante preguntar:
¿Cómo la vamos a utilizar?

255
00:17:03,618 --> 00:17:06,146
Pueden darse muchísimos
resultados positivos

256
00:17:06,146 --> 00:17:07,896
y también negativos,

257
00:17:07,896 --> 00:17:10,166
como el uso militar,

258
00:17:10,797 --> 00:17:15,357
o cambios rápidos y disruptivos
en el mercado laboral.

259
00:17:15,948 --> 00:17:21,629
Para asegurarnos de que las decisiones 
colectivas que se tomarán sobre la IA

260
00:17:21,629 --> 00:17:23,074
en los próximos años

261
00:17:23,074 --> 00:17:25,144
serán en beneficio de todos,

262
00:17:25,144 --> 00:17:28,557
todos los ciudadanos
deben participar activamente

263
00:17:28,557 --> 00:17:32,911
en definir cómo la IA
determinará nuestro futuro.

264
00:17:33,871 --> 00:17:34,891
Gracias.

265
00:17:35,065 --> 00:17:39,395
(Aplausos)