WEBVTT

00:00:17.816 --> 00:00:21.325
Nuestro mundo está cambiando
de muchas maneras

00:00:21.325 --> 00:00:25.975
y una de las cosas que tendrá
un gran impacto en nuestro futuro

00:00:25.975 --> 00:00:29.493
es la inteligencia artificial, IA,

00:00:29.493 --> 00:00:32.383
la cual producirá 
otra revolución industrial.

00:00:33.627 --> 00:00:39.084
Las revoluciones industriales anteriores
desarrollaron la potencia mecánica humana.

00:00:40.014 --> 00:00:45.572
Esta nueva revolución,
esta segunda era de las máquinas,

00:00:45.572 --> 00:00:50.122
va a desarrollar
nuestras habilidades cognitivas,

00:00:50.122 --> 00:00:52.102
nuestro poder mental.

00:00:52.782 --> 00:00:57.177
Las computadoras no solo
van a reemplazar el trabajo manual,

00:00:57.557 --> 00:00:59.617
sino también el trabajo mental.

00:01:00.500 --> 00:01:03.230
Entonces, ¿dónde nos encontramos hoy?

00:01:04.034 --> 00:01:07.724
Es posible que hayan oído hablar
de lo que sucedió el pasado marzo

00:01:07.724 --> 00:01:11.526
cuando un sistema
de aprendizaje llamado AlphaGo

00:01:12.126 --> 00:01:17.708
usó el aprendizaje profundo para vencer
al campeón mundial en el juego de Go.

00:01:18.279 --> 00:01:20.679
Go es un antiguo juego chino,

00:01:20.679 --> 00:01:24.159
el cual ha sido más difícil
de dominar para las computadoras

00:01:24.159 --> 00:01:25.892
que el ajedrez.

00:01:26.803 --> 00:01:32.086
¿Cómo tuvimos éxito ahora,
después de décadas de investigación de IA?

00:01:33.068 --> 00:01:36.698
AlphaGo fue entrenado para jugar Go.

00:01:37.678 --> 00:01:41.060
Primero, viendo una y otra vez

00:01:41.554 --> 00:01:46.894
decenas de millones de movimientos hechos
por jugadores humanos muy competentes.

00:01:47.746 --> 00:01:52.496
Luego, jugando contra sí mismo
millones de partidas.

00:01:54.222 --> 00:01:56.215
El aprendizaje automático

00:01:56.215 --> 00:01:59.975
permite que las computadoras
aprendan de los ejemplos.

00:02:00.465 --> 00:02:02.575
Que aprendan de los datos.

00:02:03.885 --> 00:02:07.235
El aprendizaje automático
ha resultado ser fundamental

00:02:07.235 --> 00:02:11.635
para atiborrar de conocimiento
a las computadoras.

00:02:12.134 --> 00:02:13.506
Y esto es importante,

00:02:14.066 --> 00:02:18.896
porque el conocimiento
es lo que facilita la inteligencia.

00:02:20.438 --> 00:02:23.185
Implantar conocimiento en computadoras

00:02:23.185 --> 00:02:27.025
ha sido un reto para los antiguos
enfoques a la IA.

00:02:27.515 --> 00:02:28.665
¿Por qué?

00:02:29.059 --> 00:02:33.859
Hay muchas cosas
que sabemos intuitivamente.

00:02:34.601 --> 00:02:38.081
Asi que no podemos
comunicarlas verbalmente.

00:02:38.619 --> 00:02:42.370
No tenemos acceso consciente
a ese conocimiento intuitivo.

00:02:43.270 --> 00:02:46.690
¿Cómo podemos programar
computadoras sin conocimiento?

00:02:47.664 --> 00:02:48.974
¿Cual es la solución?

00:02:49.314 --> 00:02:55.343
La solución es que las máquinas aprendan
ese conocimiento por sí mismas,

00:02:55.343 --> 00:02:56.443
al igual que nosotros.

00:02:56.443 --> 00:02:57.814
Y esto es importante

00:02:57.824 --> 00:03:02.064
porque el conocimiento
es lo que facilita la inteligencia.

00:03:03.194 --> 00:03:08.204
Mi misión ha sido
contribuir a descubrir y entender

00:03:08.204 --> 00:03:12.676
los principios de la inteligencia
a través del aprendizaje.

00:03:13.166 --> 00:03:18.116
Ya sea aprendizaje animal,
humano o automático.

00:03:19.450 --> 00:03:25.066
Tanto yo como otros creemos
que existen algunos principios clave,

00:03:25.066 --> 00:03:27.296
como las leyes de la física.

00:03:27.885 --> 00:03:32.745
Principios simples que podrían explicar
nuestra inteligencia

00:03:32.745 --> 00:03:36.741
y ayudarnos a construir
máquinas inteligentes.

00:03:37.885 --> 00:03:41.595
Por ejemplo, piensen
en las leyes de la aerodinámica,

00:03:41.595 --> 00:03:43.451
que son lo suficientemente generales

00:03:43.451 --> 00:03:47.901
para explicar tanto el vuelo de las aves
como el de los aviones.

00:03:49.146 --> 00:03:55.381
¿No sería asombroso descubrir 
principios tan simples como poderosos

00:03:55.381 --> 00:03:59.186
que pudieran explicar
la inteligencia misma?

00:04:00.026 --> 00:04:03.084
Bueno, hemos hecho algunos progresos.

00:04:04.384 --> 00:04:10.857
Mis colaboradores y yo hemos contribuido
en años recientes a una revolución de IA

00:04:11.777 --> 00:04:16.037
con nuestra investigación sobre redes
neuronales y aprendizaje profundo,

00:04:16.397 --> 00:04:20.736
un enfoque del aprendizaje automático
el cual está inspirado por el cerebro.

00:04:22.041 --> 00:04:24.673
Comenzó con el reconocimiento de voz

00:04:25.243 --> 00:04:29.963
en sus teléfonos
con redes neuronales desde 2012.

00:04:30.977 --> 00:04:35.647
Poco después se produjo
un gran avance en la visión artificial.

00:04:36.680 --> 00:04:42.887
Las computadoras hacen un gran trabajo
al reconocer el contenido de imágenes.

00:04:43.504 --> 00:04:46.871
De hecho, se han aproximado
al rendimiento humano

00:04:46.871 --> 00:04:49.671
en algunas pruebas de desempeño
en los últimos cinco años.

00:04:50.711 --> 00:04:55.321
Una computadora ahora puede obtener
una comprensión intuitiva

00:04:55.321 --> 00:04:57.611
de la apariencia visual
de un tablero de Go,

00:04:58.191 --> 00:05:01.103
comparable a la de los mejores
jugadores humanos.

00:05:01.983 --> 00:05:05.084
Últimamente, como continuación
a algunos descubrimientos

00:05:05.084 --> 00:05:06.554
realizados en mi laboratorio,

00:05:06.554 --> 00:05:11.408
el aprendizaje profundo se ha utilizado
para traducir de un idioma a otro

00:05:11.414 --> 00:05:14.021
y vamos a empezar a verlo
en Google Translate.

00:05:15.191 --> 00:05:18.192
Esto está aumentando
la capacidad de la computadora

00:05:18.192 --> 00:05:22.532
para comprender
y generar lenguaje natural.

00:05:23.550 --> 00:05:25.517
Pero no se dejen engañar.

00:05:25.517 --> 00:05:28.388
Aún estamos muy, muy lejos

00:05:28.388 --> 00:05:34.993
de una máquina que sea
tan capaz como los humanos

00:05:34.993 --> 00:05:37.593
de aprender a dominar
muchos aspectos de nuestro mundo.

00:05:38.541 --> 00:05:41.017
Así que, veamos un ejemplo.

00:05:41.637 --> 00:05:46.787
Incluso una niña de dos años
puede aprender cosas

00:05:46.787 --> 00:05:50.307
de cierta manera que las computadoras
no pueden hoy en día.

00:05:51.767 --> 00:05:55.769
Una niña de dos años,
en realidad domina la física intuitiva.

NOTE Paragraph

00:05:56.968 --> 00:06:01.908
Ella sabe que cuando
suelta una pelota, se va a caer.

00:06:02.493 --> 00:06:06.093
Cuando derrama un líquido,
supone que habrá un desastre.

00:06:06.586 --> 00:06:10.526
Sus padres no necesitan enseñarle
las leyes de Newton

00:06:11.276 --> 00:06:12.980
o las ecuaciones diferenciales.

00:06:14.010 --> 00:06:20.200
Descubre todas estas cosas
por sí misma de manera no supervisada.

00:06:21.352 --> 00:06:27.712
El aprendizaje no supervisado sigue siendo
uno de los principales retos para la IA.

00:06:28.244 --> 00:06:33.014
Y podría tomar varias décadas más
de investigación fundamental

00:06:33.014 --> 00:06:34.674
para deshacer ese nudo.

00:06:34.674 --> 00:06:40.895
El aprendizaje no supervisado intenta
descubrir representaciones de los datos.

00:06:41.729 --> 00:06:43.779
Déjenme mostrarles un ejemplo.

00:06:44.364 --> 00:06:49.346
Consideren una página en la pantalla
que están viendo con sus ojos

00:06:49.346 --> 00:06:53.626
o que la computadora está viendo
como una imagen, un montón de píxeles.

00:06:54.993 --> 00:07:00.113
Para responder a una pregunta
sobre el contenido de la imagen,

00:07:00.863 --> 00:07:05.211
necesitan comprender
su significado de alto nivel.

00:07:06.304 --> 00:07:10.821
Este significado de alto nivel coincide
con el nivel más alto de representación

00:07:10.821 --> 00:07:12.221
en su cerebro.

00:07:12.906 --> 00:07:18.308
Más abajo, tienen el significado
individual de las palabras

00:07:19.188 --> 00:07:23.478
y aún más abajo tienen caracteres
que forman las palabras.

00:07:24.810 --> 00:07:27.637
Esos caracteres se pueden representar
de diferentes maneras

00:07:27.637 --> 00:07:30.879
con diferentes trazos
que forman los caracteres.

00:07:31.559 --> 00:07:34.839
Y esos trazos están formados por bordes

00:07:34.839 --> 00:07:37.284
y esos bordes están hechos de píxeles.

00:07:37.284 --> 00:07:40.034
Así que estos son diferentes
niveles de representación.

00:07:41.079 --> 00:07:44.236
Pero los píxeles no son
suficientes por sí mismos

00:07:44.236 --> 00:07:46.084
para dar sentido a la imagen,

00:07:46.294 --> 00:07:48.508
para responder
a una pregunta de alto nivel

00:07:48.508 --> 00:07:51.778
sobre el contenido de la página.

00:07:52.932 --> 00:07:56.894
Su cerebro en realidad tiene estos
diferentes niveles de representación,

00:07:57.254 --> 00:08:02.291
comenzando por las neuronas en la primera
área visual de la corteza, V1,

00:08:02.291 --> 00:08:04.186
las cuales reconocen los bordes.

00:08:04.776 --> 00:08:09.054
Y luego, las neuronas en la segunda
área visual de la corteza, V2,

00:08:09.334 --> 00:08:12.200
que reconocen trazos y pequeñas formas.

00:08:12.800 --> 00:08:17.060
Más arriba, tienen neuronas
que detectan partes de objetos

00:08:17.060 --> 00:08:19.422
y luego los objetos e imágenes completas.

00:08:21.182 --> 00:08:24.757
Las redes neuronales,
cuando están entrenadas con imágenes,

00:08:24.757 --> 00:08:28.860
pueden descubrir estos tipos
de niveles de representación

00:08:28.860 --> 00:08:32.778
que coinciden bastante
con lo que observamos en el cerebro.

00:08:33.638 --> 00:08:36.534
Tanto las redes neuronales biológicas,

00:08:36.534 --> 00:08:38.804
que son las que tienes en su cerebro,

00:08:38.804 --> 00:08:42.495
como las redes neuronales profundas
que entrenamos en nuestras máquinas,

00:08:42.815 --> 00:08:45.519
pueden aprender a transformarse

00:08:45.519 --> 00:08:48.369
de un nivel de
representación al siguiente,

00:08:48.369 --> 00:08:53.299
en donde los altos niveles corresponden
a las nociones más abstractas.

00:08:53.299 --> 00:08:57.562
Por ejemplo, la noción abstracta 
del carácter "A"

00:08:57.562 --> 00:09:00.891
puede ser representada de maneras 
diferentes en los niveles más bajos,

00:09:00.891 --> 00:09:03.887
como muchas configuraciones
diferentes de píxeles,

00:09:03.887 --> 00:09:08.637
dependiendo de su posición, 
rotación, fuente y demás.

00:09:10.445 --> 00:09:15.255
Entonces, ¿cómo aprendemos
estos altos niveles de representaciones?

00:09:17.212 --> 00:09:20.681
Algo que ha sido muy exitoso hasta ahora

00:09:20.681 --> 00:09:22.853
en las aplicaciones
del aprendizaje profundo

00:09:22.855 --> 00:09:25.285
es lo que llamamos
aprendizaje supervisado.

00:09:26.297 --> 00:09:31.588
Con el aprendizaje supervisado,
se toma de la mano a la computadora

00:09:31.594 --> 00:09:35.737
y los humanos deben decirle
la respuesta a muchas preguntas.

00:09:35.737 --> 00:09:39.187
Por ejemplo, en millones 
y millones de imágenes

00:09:39.187 --> 00:09:41.710
los humanos deben decirle a la máquina:

00:09:42.090 --> 00:09:44.271
Bueno... esta imagen es un gato,

00:09:45.043 --> 00:09:47.095
esta imagen es un perro,

00:09:47.285 --> 00:09:49.585
esta imagen es un portátil,

00:09:49.605 --> 00:09:51.976
esta imagen es un teclado.

00:09:51.976 --> 00:09:55.416
Y así, sucesivamente, millones de veces.

00:09:55.736 --> 00:10:00.696
Esto es muy tedioso y usamos
el crowdsourcing para poder hacerlo.

00:10:01.381 --> 00:10:03.326
Aunque esto es muy poderoso

00:10:03.326 --> 00:10:06.129
y somos capaces de resolver
muchos problemas interesantes,

00:10:06.129 --> 00:10:08.313
los humanos somos mucho más fuertes

00:10:08.313 --> 00:10:12.076
y podemos aprender sobre muchos
otros aspectos diferentes del mundo

00:10:12.076 --> 00:10:14.189
de una manera mucho más autónoma,

00:10:14.189 --> 00:10:17.759
tal como vimos con la niña de dos años
que aprende sobre física intuitiva.

00:10:17.759 --> 00:10:22.167
El aprendizaje no supervisado
también puede ayudarnos a lidiar

00:10:22.167 --> 00:10:23.807
con los vehículos autónomos.

00:10:24.137 --> 00:10:25.877
Déjenme que les explique.

00:10:25.877 --> 00:10:28.315
El aprendizaje no supervisado permite

00:10:28.315 --> 00:10:31.835
que las computadoras
se proyecten al futuro

00:10:31.835 --> 00:10:37.205
para generar futuros probables
condicionados a la situación actual.

00:10:38.369 --> 00:10:42.899
Y eso permite a las computadoras
razonar y planear por adelantado.

00:10:43.450 --> 00:10:47.985
Incluso para circunstancias
a las que no han sido entrenadas.

00:10:48.681 --> 00:10:50.211
Esto es importante,

00:10:50.461 --> 00:10:53.991
porque con el aprendizaje supervisado
habría que decirle a las computadoras

00:10:53.991 --> 00:10:57.395
acerca de todas las circunstancias 
en las cuales podría estar el auto

00:10:57.395 --> 00:11:01.375
y cómo los humanos
reaccionarían en esa situación.

00:11:02.451 --> 00:11:06.191
¿Cómo aprendí a evitar
comportamientos peligrosos al volante?

00:11:07.276 --> 00:11:10.683
¿Tuve que morir mil veces en un accidente?

00:11:10.683 --> 00:11:12.106
(Risas)

00:11:12.106 --> 00:11:14.606
Bueno, así es como entrenamos
a las máquinas ahora.

00:11:15.175 --> 00:11:18.340
Por lo tanto, no va a volar
o al menos no al conducir.

00:11:18.340 --> 00:11:19.928
(Risas)

00:11:21.288 --> 00:11:25.357
Entonces, lo que necesitamos
es entrenar a nuestros modelos

00:11:25.357 --> 00:11:30.294
para poder generar imágenes
o futuros probables,

00:11:30.294 --> 00:11:31.294
que sean creativos.

00:11:31.294 --> 00:11:33.684
Y estamos progresando en eso.

00:11:33.684 --> 00:11:37.457
Así que estamos entrenando
a estas redes neuronales profundas

00:11:37.463 --> 00:11:40.368
para que pasen del significado
de alto nivel a píxeles

00:11:40.368 --> 00:11:43.197
en vez de ir desde los píxeles
al significado de alto nivel,

00:11:43.197 --> 00:11:46.857
es decir, a ir en la otra dirección
a través de los niveles de representación.

00:11:46.857 --> 00:11:50.461
Y de esta manera, la computadora
puede generar imágenes

00:11:51.191 --> 00:11:54.842
que son imágenes nuevas, diferentes
a lo que la computadora ha visto

00:11:54.842 --> 00:11:56.228
mientras fue entrenada,

00:11:57.158 --> 00:12:00.369
pero son probables 
y parecen imágenes naturales.

00:12:01.888 --> 00:12:04.042
También podemos usar estos modelos

00:12:04.042 --> 00:12:07.232
para inventar imágenes extrañas,

00:12:07.232 --> 00:12:09.492
a veces siniestras,

00:12:09.492 --> 00:12:11.795
como nuestros sueños y pesadillas.

00:12:12.682 --> 00:12:16.847
Aquí hay algunas imágenes que fueron
sintetizadas por la computadora

00:12:16.847 --> 00:12:19.146
usando estos modelos
de gráficos profundos.

00:12:19.826 --> 00:12:21.651
Se ven como imágenes naturales,

00:12:21.851 --> 00:12:24.551
pero si miran de cerca
verán que son diferentes

00:12:25.458 --> 00:12:28.697
y que todavía les faltan algunos
de los detalles importantes

00:12:28.697 --> 00:12:31.063
que reconoceríamos como naturales.

00:12:31.995 --> 00:12:34.191
Hace unos 10 años,

00:12:34.191 --> 00:12:39.131
el aprendizaje no supervisado
fue una clave para el hallazgo

00:12:39.131 --> 00:12:42.143
que supuso descubrir
el aprendizaje profundo.

00:12:44.330 --> 00:12:48.055
Esto sucedía en unos pocos
laboratorios, incluido el mío,

00:12:48.225 --> 00:12:51.585
cuando las redes neuronales
no eran populares.

00:12:52.015 --> 00:12:55.217
Fueron prácticamente abandonadas
por la comunidad científica.

00:12:56.394 --> 00:12:58.705
Hoy las cosas han cambiado mucho.

00:12:59.315 --> 00:13:01.375
Se ha convertido en un campo muy fuerte.

00:13:01.754 --> 00:13:06.924
Ahora hay cientos de estudiantes cada año 
que solicitan estudios de posgrado

00:13:06.924 --> 00:13:09.354
en mi laboratorio con mis colaboradores.

00:13:11.010 --> 00:13:16.567
Montreal se ha convertido
en la mayor concentración académica

00:13:16.567 --> 00:13:19.387
de investigadores
de aprendizaje profundo del mundo.

00:13:20.182 --> 00:13:25.475
Acabamos de recibir una gran beca
de investigación de USD 94 millones

00:13:26.127 --> 00:13:29.797
para empujar los límites de la IA
y de la ciencia de datos

00:13:29.797 --> 00:13:33.238
y también para transferir tecnología
de aprendizaje profundo

00:13:33.238 --> 00:13:35.958
y ciencia de datos a la industria.

00:13:36.939 --> 00:13:42.681
Empresarios alentados por todo esto 
crean nuevas empresas,

00:13:42.681 --> 00:13:44.091
laboratorios industriales,

00:13:44.091 --> 00:13:46.764
muchos de los cuales 
están cerca de las universidades.

00:13:48.543 --> 00:13:49.625
Por ejemplo,

00:13:49.625 --> 00:13:54.733
hace apenas unas semanas, anunciamos
el lanzamiento de una nueva empresa

00:13:54.733 --> 00:13:56.507
llamada "Element AI"

00:13:56.507 --> 00:13:59.605
que va a enfocarse en las aplicaciones
de aprendizaje profundo.

00:14:02.382 --> 00:14:05.722
Simplemente no hay suficientes
expertos en aprendizaje profundo.

00:14:06.355 --> 00:14:10.677
Así que, se les pagan sueldos muy altos

00:14:11.027 --> 00:14:17.188
y muchos de mis antiguos colegas 
académicos han aceptado generosas ofertas

00:14:17.188 --> 00:14:20.178
de empresas para trabajar
en laboratorios industriales.

00:14:21.271 --> 00:14:25.040
Yo, por mi parte, he optado
por quedarme en la universidad,

00:14:25.040 --> 00:14:26.936
para trabajar por el bien público,

00:14:27.166 --> 00:14:28.886
para trabajar con alumnos,

00:14:28.902 --> 00:14:30.592
para seguir siendo independiente,

00:14:30.596 --> 00:14:34.836
para guiar a la próxima generación
de expertos en el aprendizaje profundo.

00:14:35.294 --> 00:14:41.024
Una cosa que estamos haciendo 
más allá del valor comercial

00:14:41.024 --> 00:14:44.654
es pensar en las consecuencias
sociales de la IA.

00:14:46.161 --> 00:14:50.026
Muchos de nosotros estamos 
empezando a prestarle atención

00:14:50.026 --> 00:14:55.986
a los programas que tienen
valor agregado social, como la salud.

00:14:56.457 --> 00:14:58.956
Pensamos que podemos usar
el aprendizaje profundo

00:14:58.956 --> 00:15:02.696
para mejorar el tratamiento
con medicina personalizada.

00:15:03.956 --> 00:15:07.061
Creo que en el futuro,
mientras recopilamos más datos

00:15:07.061 --> 00:15:10.091
de millones y millones de personas
en todo el mundo,

00:15:10.361 --> 00:15:13.716
podremos proporcionar
asesoramiento médico

00:15:13.716 --> 00:15:17.246
a miles de millones de personas
que no tienen acceso en este momento.

00:15:17.601 --> 00:15:22.724
Y podemos imaginar otras aplicaciones
con valor social de la IA.

00:15:23.140 --> 00:15:26.338
Por ejemplo, algo que surgirá
de nuestra investigación

00:15:26.338 --> 00:15:28.582
sobre la comprensión del lenguaje natural

00:15:29.068 --> 00:15:31.199
es proporcionar todo tipo de servicios,

00:15:31.199 --> 00:15:34.059
como servicios legales,
a aquellos que no pueden pagarlos.

00:15:34.512 --> 00:15:37.342
Ahora también estamos 
prestándole atención

00:15:37.342 --> 00:15:41.132
a las consecuencias sociales
de la IA en mi comunidad.

00:15:41.690 --> 00:15:44.801
Pero no solo los expertos
deben pensar en esto.

00:15:46.026 --> 00:15:49.936
Creo que más allá
de las matemáticas y la jerga,

00:15:50.736 --> 00:15:53.442
la gente común puede tener una idea

00:15:53.442 --> 00:15:55.741
de lo que sucede
debajo de la superficie.

00:15:56.721 --> 00:16:01.191
Lo suficiente como para participar
en las decisiones importantes

00:16:01.191 --> 00:16:06.547
que se tomarán en los próximos
años y décadas sobre la IA.

00:16:07.580 --> 00:16:09.280
Así que, por favor,

00:16:09.930 --> 00:16:11.670
dediquen un presupuesto

00:16:12.196 --> 00:16:16.046
y dense un espacio
para aprender sobre ella.

00:16:17.842 --> 00:16:22.532
Mis colaboradores y yo hemos escrito
varios artículos introductorios

00:16:22.542 --> 00:16:25.376
y un libro titulado "Aprendizaje profundo"

00:16:25.376 --> 00:16:29.619
para ayudar a estudiantes e ingenieros
a adentrarse en este emocionante campo.

00:16:30.659 --> 00:16:35.784
También hay muchos recursos en línea:
softwares, tutoriales, videos...

00:16:36.310 --> 00:16:41.210
y muchos estudiantes no graduados
están aprendiendo mucho

00:16:41.210 --> 00:16:44.548
sobre la investigación
en el aprendizaje profundo por sí mismos,

00:16:44.548 --> 00:16:47.835
para luego ser parte
de laboratorios como el mío.

00:16:49.180 --> 00:16:55.170
La IA va a tener un profundo
impacto en nuestra sociedad.

00:16:56.652 --> 00:17:01.672
Así que es importante preguntar:
¿Cómo la vamos a utilizar?

00:17:03.618 --> 00:17:06.146
Pueden darse muchísimos
resultados positivos

00:17:06.146 --> 00:17:07.896
y también negativos,

00:17:07.896 --> 00:17:10.166
como el uso militar,

00:17:10.797 --> 00:17:15.357
o cambios rápidos y disruptivos
en el mercado laboral.

00:17:15.948 --> 00:17:21.629
Para asegurarnos de que las decisiones 
colectivas que se tomarán sobre la IA

00:17:21.629 --> 00:17:23.074
en los próximos años

00:17:23.074 --> 00:17:25.144
serán en beneficio de todos,

00:17:25.144 --> 00:17:28.557
todos los ciudadanos
deben participar activamente

00:17:28.557 --> 00:17:32.911
en definir cómo la IA
determinará nuestro futuro.

00:17:33.871 --> 00:17:34.891
Gracias.

00:17:35.065 --> 00:17:39.395
(Aplausos)