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)