AM24: El universo en expansión de los modelos generativos

undefined
Este contenido ha sido traducido automáticamente con IA.

Esta transcripción se ha generado mediante un software de reconocimiento de voz y puede contener errores. Compruebe su exactitud cotejándola con el audio.

Nicholas Thompson, director ejecutivo de The Atlantic: Muy bien. Hola a todos. Buenas tardes. Soy Nicholas Thompson. Soy el director ejecutivo de The Atlantic. Hoy soy el moderador. Me dijeron que este panel agotó las plazas en 30 segundos. Sé que no es por mí, porque modero muchos paneles y eso no suele pasar. Me entusiasma muchísimo este grupo. Tenemos aquí a un grupo increíble. De hecho, estoy tan entusiasmado que, mientras venía hacia aquí, estaba repasando mis preguntas y preparándome. Bajaba por el paseo y vi a un grupo de personas delante de mí. Iba leyendo mis preguntas mientras caminaba, y eso me hacía ir más despacio. Así que hice lo típico de The New Yorker y me metí entre ellas; entonces me di cuenta de que todos llevaban ametralladoras.

De pronto, dos tipos con ametralladoras miraron a este hombrecillo que se escabullía entre ellos. Era el séquito de John Kerry. Pero tenía muchas ganas de llegar aquí. Voy a presentar a nuestros panelistas en orden cronológico, según su primera contribución importante al campo de la inteligencia artificial y el aprendizaje automático. Lo increíble de este grupo de cinco es que todos han hecho cosas extraordinarias y diferentes en el pasado, y ahora están haciendo cosas extraordinarias y diferentes.

A mi izquierda, Yann LeCun, ganador del Premio Turing, inventor de la arquitectura de redes neuronales y director de IA en Meta. También está Kai-Fu Lee, que trabajó en aprendizaje automático para el reconocimiento del habla y ahora dirige 01.AI, que está subiendo rápidamente en las listas de Hugging Face. Tenemos a Andrew Ng, que fue uno de los primeros en aprender a escalar el uso de GPU para la IA y que, entre sus muchas actividades actuales, dirige el fondo AI Fund.

Tenemos a Daphne Koller, que fue pionera en el uso de modelos bayesianos en IA y ahora dirige Insitro. Y también a Aidan Gomez, una de las personas que idearon la arquitectura transformer —GPT significa «transformador generativo preentrenado»— y que ahora dirige Cohere.

Un panel increíble, por lo que han hecho y por lo que están haciendo. Esto promete. Primera pregunta. Lo que más quiero entender cuando salga de esta sala es cuál será el ritmo del cambio en la IA en los próximos años. Quiero saber si las innovaciones vertiginosas de los últimos dos años continuarán, si se mantendrán las leyes de escalamiento y si seguiremos avanzando más rápido que la ley de Moore. ¿O nos acercamos a algún tipo de meseta? ¿Empezarán a ralentizarse las cosas? Voy a plantear la pregunta a Kai-Fu Lee. Dime si el ritmo del cambio aumentará o se ralentizará en los próximos años, y por qué.

Kai-Fu Lee, fundador de 01.AI Pte. Ltd.: Creo que se ralentizará un poco, pero seguirá siendo increíblemente rápido. Si nos fijamos en cuánto ha mejorado la calidad de estos modelos en los últimos dos años: hace dos años, el MLU, que es más o menos una medida de la inteligencia, estaba en los cuarenta y los cincuenta; ahora está en 90 y aún hay margen para mejorar.

Obviamente, se puede seguir avanzando añadiendo más capacidad de cómputo y datos, pero también hay margen para ajustar y mejorar distintos aspectos a medida que más emprendedores y grandes empresas se incorporan al sector. Llegamos muy tarde y aun así pudimos lograr mejoras sustanciales respecto de los modelos existentes, no mediante el escalamiento, sino haciendo cosas distintas con los ajustes de los datos, el entrenamiento, la infraestructura, etcétera. Así que soy optimista.

Nicholas Thompson, The Atlantic: ¿Eres optimista porque crees que se mantendrán las leyes de escalamiento recientes y porque habrá innovaciones?

Kai-Fu Lee, 01.AI Pte. Ltd.: Se mantendrán, pero obviamente el ritmo se ralentizará. Todo lo que uno hace acaba dando rendimientos decrecientes, pero desde luego todavía no hemos llegado a una meseta.

Nicholas Thompson, The Atlantic: Andrew, ¿qué opinas?

Andrew Ng, fundador de DeepLearning.AI, LLC: Sí, escalar resulta cada vez más difícil, pero me parece que la mayoría seguiremos percibiendo que el ritmo se acelera, por la cantidad de innovaciones y evaluaciones algorítmicas. Por poner algunos ejemplos rápidos: el año pasado vivimos la revolución del texto y creo que este año veremos la revolución del procesamiento de imágenes. Ya está empezando con GPT-4V y Gemini Ultra, pero los ordenadores realmente verán mucho mejor.

Estoy viendo mucha innovación en agentes autónomos. En vez de una instrucción y un LLM que te responde, puedes darle una instrucción a un LLM y este se pone a trabajar para ti durante media hora, consulta páginas web, investiga mucho y luego vuelve con los resultados. Ahora mismo esto no funciona del todo, pero mucha gente está trabajando en ello y es otra innovación.

En cuanto a la IAG, estamos acostumbrados a ejecutar LLM en la nube, pero, gracias al código abierto y a otras cosas, creo que en el futuro ejecutaremos muchos más modelos de lenguaje grandes en nuestros propios dispositivos. Así que, con todas estas líneas de innovación, soy optimista: me parece que el campo seguirá avanzando.

Nicholas Thompson, The Atlantic: Aidan, déjame plantearte una variante de la pregunta: si ahora pudieras duplicar la capacidad de cómputo aplicada a los modelos de lenguaje grandes, ¿duplicarías su potencia? ¿La multiplicarías, no sé, por ocho? ¿Qué ocurriría al aumentar la capacidad de cómputo?

Aidan Gomez, cofundador y director ejecutivo de Cohere Inc.: Creo que diría que estoy de acuerdo en que mantendrá el ritmo, o incluso iría más allá y diría que empezará a acelerarse. Hoy tenemos enormes cuellos de botella; conocemos las limitaciones de las arquitecturas y los métodos que usamos, y creo que eso se resolverá. Al mismo tiempo, las plataformas de hardware mejoran cada vez más. Así que la próxima generación de GPU supondrá un gran avance respecto de la que tenemos hoy. Y eso permitirá alcanzar nuevas escalas y ejecutar algoritmos y métodos mucho más costosos.

Así que soy muy optimista: las cosas van a acelerarse. En cuanto a la pregunta específica de qué decisiones tomarías si duplicaras la capacidad de cómputo, diría que todavía no hemos terminado de escalar. Todos tenemos que seguir avanzando. Prácticamente todos los que estamos construyendo modelos de lenguaje grandes lo hacemos, así que yo duplicaría el tamaño de mi modelo.

Nicholas Thompson, The Atlantic: ¡Vaya! Creo que todos duplicarían el tamaño de su modelo si fuera gratis. Bueno, Jonathan, parte de la razón por la que me interesa esto es que, si se mantiene la relación y cuanto mejores sean las GPU, más capacidad de cómputo y electricidad tengas, mejores serán tus modelos. Eso significa que el poder se concentrará en las pocas empresas que tengan acceso a esos recursos. Si llegamos más bien a una meseta, el mercado será más competitivo, ¿no?

Daphne Koller, fundadora y directora ejecutiva de Insitro Inc.: Voy a orientar tu pregunta en una dirección un poco distinta.

Nicholas Thompson, The Atlantic: Ajústala como quieras.

Daphne Koller, Insitro Inc.: En tu clasificación de los factores que lo hacen posible mencionaste la capacidad de cómputo y la electricidad, pero no los datos. Creo que estos han sido probablemente el factor que más ha contribuido al enorme progreso que hemos visto hasta ahora. Y apenas empezamos a explorar los datos que los modelos podrán tener disponibles con el tiempo.

Por ejemplo, ahora entrenamos con todos los datos de la web, y eso es asombroso e increíble, pero estos agentes todavía no están incorporados en cuerpos. Aún no interactúan con el mundo. A medida que empecemos a llevarlos con nosotros mediante la realidad aumentada, a obtener más datos de los coches autónomos y a aprovechar modalidades de datos como la biología y la atención sanitaria, además de toda clase de datos que ahora están ocultos en silos, creo que esos modelos desarrollarán capacidades nuevas que hoy no tienen. Y eso contribuirá de manera importante a ampliar las capacidades de estos modelos.

Nicholas Thompson, The Atlantic: Qué interesante, porque en Davos he hablado con gente que me ha dicho: «Bueno, nos estamos quedando sin datos, ¿no? No hay mucho más en la web». Yann, ¿qué opinas?

Yann LeCun, profesor Silver de Ciencia de Datos, Informática, Neurociencia e Ingeniería Eléctrica, Universidad de Nueva York: Estoy totalmente de acuerdo con Daphne. Creo que, desde luego, si nos centramos en el paradigma de los LLM, este se está saturando. No cabe duda de que se está saturando. En efecto, nos estamos quedando sin datos: básicamente estamos usando todos los datos públicos de internet.

Se entrenan con ¿qué?, 10 billones de tokens. Bien, son unos dos bytes por token, así que hablamos de dos décimas de 10¹³ bytes de datos de entrenamiento. A la mayoría de los que estamos aquí nos llevaría entre 150.000 y 200.000 años leerlos. Ahora pensemos en lo que ve un niño a través de la vista e intentemos calcular cuánta información ha visto un niño de cuatro años a lo largo de su vida: unos 20 MB por segundo a través del nervio óptico, durante 16.000 horas despierto en los primeros cuatro años de vida y 3.600 segundos por hora. Hagan la cuenta: son 10¹⁵ bytes. Eso significa que un niño de cuatro años ha visto 50 veces más información que los LLM más grandes que tenemos.

Y un niño de cuatro años es mucho más inteligente que los LLM más grandes que tenemos. Aparentemente, ha acumulado menos conocimientos porque estos se presentan de otra forma, pero, de hecho, un niño de cuatro años sabe muchísimo sobre cómo funciona el mundo. Hoy podemos hacer esto con los LLM. Nos falta ciencia esencial y nuevas arquitecturas para aprovechar las entradas sensoriales que los sistemas del futuro podrían utilizar. Para eso harán falta algunos avances científicos y tecnológicos, que podrían producirse dentro de uno, tres, cinco o diez años; no lo sabemos.

Nicholas Thompson, The Atlantic: Quiero asegurarme de entenderte, Yann. La cantidad de datos textuales disponibles seguirá creciendo, aunque no indefinidamente, pero la cantidad de datos visuales que podríamos introducir en estas máquinas es enorme, ¿verdad?

Yann LeCun, Universidad de Nueva York: Bueno, las 16.000 horas de vídeo de las que hablaba equivalen a 30 minutos de vídeos subidos a YouTube. Quiero decir que tenemos muchísimos más datos de los que podemos procesar. La pregunta es cómo conseguir que las máquinas aprendan de los vídeos. No lo sabemos.

Nicholas Thompson, The Atlantic: Entonces, si el siguiente paso son las entradas de vídeo, ¿qué nueva arquitectura hace falta? Obviamente, un modelo de lenguaje grande, tal como se ha construido y optimizado, no es exactamente lo adecuado para eso. ¿Qué tenemos que construir ahora?

Yann LeCun, Universidad de Nueva York: Bien, los modelos de lenguaje grandes se entrenan de una manera determinada. Tomas un fragmento de texto, lo alteras y entrenas una red neuronal gigantesca para reconstruir el texto completo, para predecir las palabras que faltan; básicamente, lo alteras quitando algunas palabras. Los LLM como ChatGPT y otros se entrenan quitando simplemente la última palabra. Técnicamente es más complicado, pero básicamente eso es lo que hacen, ¿no?

Así que entrenas el sistema para reconstruir la información que falta en la entrada. Entonces, claro, la idea obvia es: ¿por qué no hacemos lo mismo con imágenes? Tomas una imagen, la alteras quitándole algunas partes o modificándola, y luego entrenas una gran red neuronal para recuperarla. Pero eso no funciona, o no funciona muy bien. Desde hace tiempo hay toda una línea de trabajo en esa dirección, pero no funciona demasiado bien. Con el vídeo tampoco funciona. Llevo nueve años trabajando en la predicción de vídeo: intento mostrarle un vídeo a un sistema y entrenarlo para que prediga qué ocurrirá después. Si el sistema es capaz de hacerlo, probablemente habrá entendido algo sobre la naturaleza subyacente del mundo, del mismo modo que un sistema de texto que intenta predecir las palabras siguientes capta algo del significado de la frase. Pero eso tampoco funciona.

Nicholas Thompson, The Atlantic: Entonces, lo que quieres decir es que tomas un vídeo en el que hago esto y lo dejo caer, y el sistema predice que el bolígrafo caerá, pero ahora mismo una máquina no puede hacerlo.

Yann LeCun, Universidad de Nueva York: La cuestión es que, cuando sueltas el bolígrafo, este tiene una configuración concreta y seguirá una trayectoria determinada. La mayoría no podemos predecir exactamente cuál será esa trayectoria, pero sí podemos predecir que el objeto caerá. Los bebés tardan unos nueve meses en entender que un objeto sin apoyo cae. Bien, ¿cómo logramos que las máquinas hagan eso?

Nicholas Thompson, The Atlantic: Espera. De acuerdo, perdona, es una pregunta tonta, pero no lo entiendo. Si en el futuro estas cosas van a funcionar y seguirán revolucionando el campo porque entenderán el vídeo, ya que ahí están los datos, pero nosotros no entendemos el vídeo, ¿cómo encaja eso?

Yann LeCun, Universidad de Nueva York: La posible solución aún no existe, pero lo más prometedor por ahora —al menos para el reconocimiento de imágenes—, y esto sorprenderá a todos, no es generativo. Los modelos que mejor funcionan no generan imágenes. No las reconstruyen ni las predicen. Lo que hacen es predecir en un espacio de representaciones abstractas. Del mismo modo que no puedo predecir exactamente cómo caerá el bolígrafo en tu mano, sí puedo predecir que caerá. Puedo hacer esa predicción en algún nivel abstracto —que el bolígrafo estará aquí o allí—, sin conocer los detalles exactos de su configuración. Así que habría que hacer predicciones en el espacio de representaciones abstractas, en vez de en el espacio de píxeles. Por eso han fracasado hasta ahora todas las predicciones en el espacio de píxeles: es demasiado complicado.

Daphne Koller, Insitro Inc.: Pero creo que no se trata solo del vídeo. Otra cosa que aprenden los bebés es la noción de causa y efecto, que aprenden interviniendo en el mundo y observando qué sucede. Y todavía no hemos hecho eso en absoluto con los LLM. Son motores enteramente predictivos. Se limitan a establecer asociaciones; llegar a la causalidad es fundamental cuando uno interactúa con el mundo, cuando intenta cruzar la brecha entre los bits y los átomos. Es una capacidad enorme que falta en los modelos actuales. Falta en los modelos incorporados en cuerpos, en la capacidad de nuestros ordenadores para aplicar el sentido común de forma resiliente y cuando intentamos pasar a otras aplicaciones, ya sea en la fabricación, la biología o cualquier ámbito que interactúe con el mundo físico.

Yann LeCun, Universidad de Nueva York: Bueno, en los sistemas incorporados en cuerpos eso ya funciona, más o menos. Algunos de esos sistemas tienen modelos del mundo. Por ejemplo: esta es una representación del estado del mundo en el instante T; esta es una acción que podría realizar. ¿Cuál será el estado del mundo en el instante T más uno?

Eso se llama modelo del mundo. Si tienes este tipo de modelo, puedes planificar una secuencia de acciones para alcanzar un objetivo concreto. Por ahora no tenemos muchos sistemas de IA basados en este principio, salvo sistemas muy sencillos, de tipo robótico, que no aprenden muy rápido. Cuando podamos ampliar este tipo de modelos, tendremos sistemas capaces de entender el mundo y el mundo físico, planificar, razonar y comprender la causalidad, porque entenderán qué efecto tendrá una acción.

Y estarán orientados a metas y objetivos, porque podremos darles metas que cumplir mediante esa planificación. Esa es la arquitectura futura de los sistemas de IA y, en mi opinión, cuando descubramos cómo hacerla funcionar, nadie en su sano juicio volverá a usar LLM autorregresivos.

Nicholas Thompson, The Atlantic: Muy bien. No sé cómo se construye una red neuronal, pero sé un poco de niños porque he criado a tres, y creo que ustedes sobrestiman a los bebés. En cuanto a la causa y el efecto, recuerdo que cuando mi hijo menor tenía nueve meses, estaba de pie junto a la cuna, gritando, y luego se cayó. Por suerte, aterrizó sentado, pero no creo que entendiera la noción de que los objetos caen ni exactamente qué son la causa y el efecto. Kai-Fu, ¿Yann tiene razón sobre lo que debe ocurrir? ¿Va por el buen camino o se queda corto porque sus ideas son erróneas?

Kai-Fu Lee, 01.AI Pte. Ltd.: ¡No, Yann siempre tiene razón!

Yann LeCun, Universidad de Nueva York: Gracias.

Kai-Fu Lee, 01.AI Pte. Ltd.: Sin embargo, no debemos perder de vista el enorme valor comercial que tienen los LLM basados en texto, ¿no? Quiero decir, dan una impresión extraordinaria de razonamiento lógico e incluso de sentido común. Resuelven problemas reales, generan contenido, mejoran drásticamente nuestra productividad y se están implementando en todas partes.

Con mi sombrero de emprendedor, veo que aún queda muchísimo valor por aprovechar. En cuanto a la oportunidad de tener un modelo del mundo, me parece un gran tema de investigación. Pero, para mí, como empresa emergente, eso queda un poco más lejos. Nos encantaría que el mundo académico y los laboratorios de investigación de las grandes empresas hicieran los descubrimientos. Luego los seguiremos.

Nicholas Thompson, The Atlantic: Así que, según tú, aunque nos quedemos con los modelos de lenguaje grandes basados en texto y no pasemos a todas esas cosas extraordinarias de las que habla Yann aquí a mi izquierda, ¿el mundo igual se pondrá patas arriba?

Kai-Fu Lee, 01.AI Pte. Ltd.: Ya lo estamos viendo, sin duda. Vemos generación de contenido, imitación de personas, creación de experiencias interesantes y mejores motores de búsqueda; prácticamente todo lo que se te ocurra: productividad en la oficina, creación de presentaciones de PowerPoint y contenido. Tenemos demasiadas cosas en las que pensar y trabajar cuando nos planteamos qué puede generar más dinero y aportar más valor a los usuarios hoy.

Nicholas Thompson, The Atlantic: Aidan, ¿estás de acuerdo con Kai-Fu?

Aidan Gomez, Cohere Inc.: Sí, desde luego estoy de acuerdo con la oportunidad de mercado y el valor que ya existe y que llegará muy pronto, incluso si no llegamos del todo a la IAG.

Creo que Yann respondió una pregunta muy interesante, que quizá no era la que se había planteado. Me parece que preguntabas si, siguiendo como hasta ahora con los modelos autorregresivos, lo lograremos. Y estoy de acuerdo: la respuesta es no, por las razones que ambos mencionan, como la fundamentación y la capacidad de experimentar el mundo real, que nos dan esos conocimientos causales. Creo que esos obstáculos se pueden superar, y me parece que ambos también lo creen.

La gente está trabajando en ello. Hasta ahora, la estrategia sencilla ha funcionado tan bien que nos hemos limitado a decir: construyamos un superordenador más grande, ampliemos los datos y obtendremos rendimiento, un rendimiento extraordinario. Sí, creo que sabemos cuál es el siguiente paso. Necesitamos experiencias en línea. Tenemos que poder interactuar de verdad con el mundo real.

La forma en que se implementan hoy estos modelos consiste en hacer todo el entrenamiento sin conexión; eso significa que no hay interacción con una persona ni con el entorno. Luego los implementamos, los incorporamos a un producto. Son estáticos. No aprenden. A partir de ese momento quedan fijos. Nada de lo que hagas modifica ese modelo. Eso tiene que cambiar para que puedan aprender continuamente.

El otro gran obstáculo es que los seres humanos aprendemos mediante debates como este, ¿no? Descubrimos ideas nuevas y exploramos el espacio de la verdad y de lo que es posible conocer. Los modelos también tienen que poder hacerlo entre sí.

Así que esta idea del juego autónomo y la automejora está ahora muy limitada por un gran cuello de botella. Estoy seguro de que Kai-Fu también lo siente, y de que todos lo sentimos: conseguir acceso a datos más inteligentes que nuestro modelo actual. Antes podías sacar a cualquiera de la calle y decirle: «Por favor, enséñale a hablar correctamente a mi modelo», y este mejoraba, aumentaba su puntuación. Los modelos están empezando a volverse muy, muy inteligentes. Ya no puedes recurrir a la persona promedio de la calle: necesitas un estudiante de máster en matemáticas, luego un estudiante de biología y después un doctorando. ¿Y luego a quién? Así que la humanidad y sus conocimientos ponen un límite superior a la estrategia actual. Tenemos que superarlo.

Nicholas Thompson, The Atlantic: De acuerdo. Espera. Así que, con el tiempo, ya sabes, tenemos al hombre de la calle, luego al doctorado, después a la persona más inteligente del mundo y, finalmente, las máquinas simplemente hablan entre sí. Se entrenan unas a otras y crean todos estos datos sintéticos. Se entrenan con los datos sintéticos de las demás. Nosotros, los humildes seres humanos, no tenemos ni idea de lo que está pasando. ¿Cómo sabemos que no se están corrompiendo, contaminando a sí mismas?

Aidan Gomez, Cohere Inc.: Solo interrumpiría un momento. Creo que Daphne te diría que no se trata únicamente de datos sintéticos ni de que interactúen entre sí en esa pequeña caja aislada. Necesitan acceso al mundo real para realizar esos experimentos y vivir esas experiencias, formular una hipótesis, ponerla a prueba, fracasar mil veces y acertar una, igual que hacen los seres humanos, para descubrir cosas nuevas. Perdona que te interrumpiera. ¿Cuál era tu pregunta?

Nicholas Thompson, The Atlantic: No, ha sido estupendo. Genial.

Andrew Ng, DeepLearning.AI, LLC: ¿Puedo intervenir y comentar las limitaciones tecnológicas? No sé si Yann y yo estamos de acuerdo o en desacuerdo en esto, pero la gente habla de lo malas que son ahora mismo los modelos de lenguaje grandes. Si les pides que predigan el siguiente carácter después de multiplicar dos números grandes, a menudo se equivocan. Pero resulta que los seres humanos también somos muy malos en eso. Sin embargo, si le das a una persona, ya sabes, lápiz y papel, si me das lápiz y papel, se me dan mucho mejor las matemáticas que si me obligas a soltar la respuesta sin hacer los cálculos. Y creo que a los modelos de lenguaje grandes les pasa lo mismo.

Así que creo que una forma de superar algunas de estas limitaciones es darle a un modelo de lenguaje grande algo equivalente a un borrador: así podrías conseguir que se le dieran mucho mejor las matemáticas. De hecho, los modelos de lenguaje grandes usan todo tipo de herramientas, como un borrador, para hacer cosas en el mundo, como consultar páginas web. Y estas herramientas son una forma de superar, a corto plazo, algunas de estas limitaciones de los modelos puramente autorregresivos; a largo plazo, probablemente haya cuestiones más fundamentales que abordar.

Daphne Koller, Insitro Inc: Pero creo que, en términos más generales, y volviendo a los puntos que Aidan me atribuyó —gracias por ello—, a estas alturas no tenemos la capacidad de crear un modelo in silico del mundo. El mundo es realmente complejo, y creo que la capacidad que tenemos de experimentar con él, ver qué ocurre y aprender de ello es absolutamente fundamental para lo que constituye la inteligencia humana.

Así que, si queremos que estas máquinas evolucionen, tenemos que darles la capacidad no solo de hablar entre sí in silico y, en cierto modo, alimentarse del jugo de su propio pequeño universo, sino también de experimentar con el mundo y generar el tipo de datos que les permita seguir creciendo y desarrollándose. Y creo que el gran factor diferenciador de cara al futuro será dar a los ordenadores acceso al diseño de experimentos, ya sean sencillos, como qué pasa cuando dejas caer un bolígrafo, o más complejos, como qué ocurre cuando pongo estos cinco productos químicos juntos en una célula. ¿Qué le pasa a la célula? ¿Y al ser humano? Ese tipo de experimentos enseñará al ordenador la increíble complejidad del mundo y nos permitirá ir de verdad más allá de lo que una persona puede enseñarte actualmente, una vez que has llegado a un punto muerto con el experto en matemáticas o en biología.

Nicholas Thompson, The Atlantic: Es muy interesante. Siento que cada vez sé más.

Kai-Fu Lee, 01.AI Pte. Ltd.: ¿Puedo intervenir para decir que sí, todos esos son grandes objetivos ambiciosos, pero hay muchísimo trabajo de ingeniería, y podemos llamarlo un parche si queremos mejorarlo? Por ejemplo, con el problema de que, ya sabes, crea cosas de la nada, puedes corregirlo conectándolo a un motor de búsqueda RAG. En teoría, podrías conectarlo a Wolfram Alpha para resolver problemas matemáticos. Varias empresas han intentado hacerlo. Y creo que muchos de los problemas que vemos hoy pueden abordarse así. Sé que no es elegante. Se podría sostener que GPT-4 V también es una forma inteligente de conectar cosas, pero creo que podemos resolver muchos más problemas actuales con ingeniería de este tipo mientras los investigadores aspiran a crear una IA incorporada y sistemas más avanzados.

Nicholas Thompson, The Atlantic: Quiero volver a algo que dijo Aidan, cuando hablaba de la AGI y luego de crearla. La inteligencia artificial general es un término; no quiero enredarme en una definición, pero las máquinas superinteligentes o, ya sabes, el objetivo declarado de OpenAI es construir una máquina más inteligente que los seres humanos en todo. Así que quiero preguntarles a todos: ¿es este el objetivo adecuado para tantos investigadores de IA? ¿Deberíamos intentar construir máquinas que, en general, sean mejores que los seres humanos?

Yann LeCun, New York University: De acuerdo, ¿deberíamos construir aviones que vuelen más rápido que los pájaros? El propósito de construir aviones no era volar más rápido que los pájaros, sino descubrir cómo volar. Y creo que el problema de la investigación en IA en este momento es descubrir los principios subyacentes de la inteligencia y el aprendizaje, se apliquen o no a los seres humanos. Y la mejor manera de hacerlo es construir máquinas inteligentes. No se puede, ya sabes, conservar la cordura, supongo, sin construir realmente esas cosas.

Así que hay una cuestión científica: ¿qué es la inteligencia? ¿Qué componentes se necesitan para que las máquinas sean inteligentes? Uno de ellos es el aprendizaje. Sabemos de qué se trata. Hemos avanzado algo, pero hasta ahora no hemos podido reproducir el tipo de aprendizaje que permite a un niño de diez años aprender a despejar la mesa en vez de meter los platos en el lavavajillas de una sola vez, o a uno de 17 años aprender a conducir en 20 horas. Seguimos sin tener coches autónomos de nivel cinco. Entonces, ¿qué es lo que...? ¿Qué tipo de aprendizaje tiene lugar en los seres humanos y los animales, por cierto?

Nicholas Thompson, The Atlantic: Pero, Yann, cuestionaría tu metáfora porque lo que hicimos fue tomar una cosa que hacen los pájaros —volar— y la mejoramos muchísimo. No intentamos crear un pájaro mejor. Dijimos: «Ah, mira, un pájaro», ¿no? Así que quizá la analogía sería que los investigadores de IA dijeran: en vez de intentar crear una mente humana mejor en todo, averigüemos cómo podemos servir mejor a la biología humana, por ejemplo.

Daphne Koller, Insitro Inc: Bueno, como nos has pedido que discrepe, voy a discrepar de Yann.

Nicholas Thompson, The Atlantic: Nadie discrepa nunca de Yann, como puedes comprobar en Twitter.

Daphne Koller, Insitro Inc: Bueno, voy a intentar discrepar de Yann. Lo que quiero decir es que no estoy convencida de que la forma actual de diseñar sistemas de IA nos esté enseñando cómo funciona la inteligencia humana. Nos está enseñando cómo funciona una inteligencia. Sin duda estamos aprendiendo a construir una inteligencia. No estoy segura de que construir aviones nos haya enseñado cómo vuelan los pájaros. Tampoco estoy segura de que construir una IA nos haya enseñado cómo razonan las personas.

Así que creo que es un objetivo muy valioso. No estoy segura de que el camino que seguimos vaya necesariamente a llevarnos a ese objetivo concreto de comprender la evolución humana. Por otro lado, ahora voy a darle la razón a Kai-Fu: en el mundo de la IA hay muchos otros proyectos que se pueden emprender para resolver problemas muy difíciles e importantes, aspiraciones que quizá las personas no sean capaces de alcanzar. Y no lo conseguiremos intentando reproducir cómo razonan las personas; en cuanto a los problemas que mencionaste y en los que trabajo —los de biología y salud—, a las personas se les da realmente mal resolverlos.

Y creo que se debe a que a las personas se les da realmente mal encontrar patrones sutiles en cantidades enormes de datos heterogéneos y multimodales que sencillamente no encajan en los patrones naturales que aprende un bebé cuando interactúa con el mundo. Así que podemos imaginar otro objetivo ambicioso, que no pretende restar importancia al de Yann: crear ordenadores capaces de abordar problemas sociales muy difíciles, ya sea en salud, agricultura, medio ambiente, cambio climático, etcétera, ámbitos en los que las personas simplemente no llegarán a resolverlos por sí solas. Así que creo que, por decirlo así, son dos caminos distintos.

Yann LeCun, New York University: Es absolutamente cierto que entendemos cómo vuelan los pájaros porque construimos aviones. También es absolutamente cierto que entendemos mucho mejor, por ejemplo, la percepción humana gracias a las redes neuronales. Hay literalmente miles de artículos de neurociencia que usan redes convolucionales como modelo de la corteza visual.

Daphne Koller, Insitro Inc: Lo entendemos mejor, pero no es lo mismo.

Yann LeCun, New York University: Es lo mejor que tenemos. Es mucho mejor que lo que usábamos antes, que básicamente era la comparación de patrones. Sin embargo, hay gente que intenta hacer algo equivalente con LLM para explicar cómo entiende el cerebro humano las historias, por ejemplo. Eso no funciona.

Daphne Koller, Insitro Inc: Entonces estamos de acuerdo.

Nicholas Thompson, The Atlantic: Quiero entender la AGI. Creo que nos está llevando a cuestiones muy interesantes. Andrew, ¿qué te parece como objetivo?

Andrew Ng, DeepLearning.AI, LLC: Solo quiero compartir que creo que la AGI es un gran objetivo, pero la IA es un campo lo bastante amplio. No deberíamos tener todos un único objetivo. Creo que algunos deberíamos decir: «Trabajemos en la AGI»; otros, en el cambio climático; y otros, en las ciencias de la vida. Hagamos todas estas cosas y celebrémoslas todas.

Kai-Fu Lee, 01.AI Pte. Ltd.: Bueno, cuando tenía 18 años, soñaba con la AGI: quería averiguar cómo funciona la cognición humana. Y aunque no puedo discrepar de la analogía de Yann sobre cómo la cognición humana ayudó a impulsar el estado del arte, coincido más con Daphne en que los LLM actuales son un tipo de animal muy distinto: se entrenan de otra manera, se les dan muy bien algunas cosas y muy mal otras. Creo que es admirable intentar resolver algunos de sus problemas, pero su potencial está todavía totalmente por descubrir. Así que hay muchísimo que podemos hacer para que nuestros LLM aporten más valor al mundo sin que necesariamente imiten, aprendan de o superen a los seres humanos.

Es como cuando la gente inventó el automóvil: nadie quiso enseñarle a caminar, ¿no? Pero los coches se convirtieron en camiones y en todo tipo de vehículos, y los motores empezaron a propulsar aviones. Creo que estamos en esa fase: Henry Ford, supongo que tú eres una especie de Henry Ford que inventó la tecnología, y ahora intentamos construir sobre ella y decir que, una vez que tienes el motor, puedes construir muchas otras cosas. Y me interesa menos si ese motor se parece o no al cerebro humano. Creo que hacer realidad su valor también nos lleva a buscar formas de lograr que ese nuevo motor LLM genere más valor. Eso es en lo que estoy centrado. Pero creo que otras personas pueden entusiasmarse con la AGI e intentar resolver problemas; desde el punto de vista científico, es interesante. Sin embargo, creo que la vía más rápida para crear valor consiste en tomar este gran motor que tenemos y construir automóviles, camiones y aviones a partir de él.

Nicholas Thompson, The Atlantic: Así que, Aidan, cuando hablabas de la AGI, un minuto después más o menos dijiste algo parecido a «si vamos a crearla». Quise parar y preguntarte qué querías decir con «crearla», pero estabas dando una respuesta tan interesante que no lo hice. Ahora quiero preguntarte si, cuando dijiste «crearla», te referías a la AGI o a una IA que mejora continuamente y sirve a la humanidad de una forma más amplia. Porque hay mucha gente en el sector para la que la AGI es casi la meta final. ¿Cómo lo ves?

Aidan Gomez, Cohere Inc.: No, es algo continuo, ¿verdad? No creo que sea discreto. Creo que se puede superar a los seres humanos en un ámbito concreto. Así que los modelos pueden ser superiores en ciertos aspectos. Tenemos modelos que superan con creces a cualquier jugador humano. Creo que es un continuo. Quizá llegue un momento en que los modelos sean mejores que los seres humanos en todo, pero probablemente sea una definición mal especificada. Y se trata mucho más de un cambio continuo.

En cuanto a la AGI y a si es el objetivo adecuado, personalmente solo quiero crear valor para el mundo. Así que no me importa que nos quedemos antes de alcanzar la AGI; aunque no lleguemos, queda mucho por hacer con esa tecnología. Se puede crear muchísimo valor y yo estaré satisfecho, pero, por supuesto, espero que alcancemos el máximo valor posible. Y creo que eso requiere disponer de una herramienta en la que podamos apoyarnos, lo más potente posible. Creo que eso es lo que todos aquí intentamos construir.

Nicholas Thompson, The Atlantic: Quiero pasar a otro tema.

Andrew Ng, DeepLearning.AI, LLC: Algo curioso de la definición de AGI es que existe una vía biológica hacia la inteligencia —por ejemplo, el cerebro humano— y una vía digital —los modelos de IA que tenemos—, y tienen fortalezas y debilidades distintas. Lo curioso de la definición de AGI es que obligamos a la vía digital hacia la inteligencia a medirse con la vía biológica. Vale la pena hacerlo, pero eso hace que crear una AGI sea realmente difícil, aunque está claro que estamos construyendo una inteligencia digital de enorme valor.

Nicholas Thompson, The Atlantic: Me encanta esa idea. Dicho esto...

Yann LeCun, New York University: Creo que una gran diferencia aquí es que, en el avance de la ciencia y la tecnología, se ofrece la posibilidad de extraer avances por adelantado para crear soluciones prácticas. Y, ya saben, quienes están en esta sala son inversores, tecnólogos o directores ejecutivos de empresas; necesitamos que hagan esto a corto plazo porque, ya saben, ese es su propósito, aunque también podría ser a largo plazo.

Y, ya saben, todos nos inspiramos en la ciencia para avanzar hacia la IA. Hasta cierto punto, tú la has abandonado, pero yo sigo teniendo 18 años.

Andrew Ng, DeepLearning.AI, LLC: No la he abandonado.

Yann LeCun, New York University: De acuerdo, estupendo.

Nicholas Thompson, The Atlantic: Ahora quiero hablar de una de las ideas más controvertidas en la IA: el código abierto y el papel que tendrá en la IA del futuro. Como hemos visto al seguir el debate en Estados Unidos y la postura del Gobierno estadounidense, existe mucho temor al código abierto.

Se teme que, si hay una IA de código abierto que la gente puede modificar, usar y compartir, muchos malos actores puedan hacer cosas malas con la IA, y no solo eso: podrían ocurrir cosas horribles. Por ejemplo, podríamos acabar con un modelo de lenguaje grande basado en China, construido en parte sobre la infraestructura de uno estadounidense por un francés; tomaron la infraestructura y crearon otro modelo con datos distintos. Podríamos acabar con algo terrible así, que se disparara en la clasificación de Hugging Face.

Así que hay mucho temor al código abierto. Pero sospecho que en este panel nos inclinaremos, en cierta medida, por él. Yann es uno de sus principales defensores para todo lo relacionado con la IA. Empecemos contigo: expón tu postura y luego debatamos para ver adónde llegamos.

Yann LeCun, New York University: En la historia de la tecnología, cuando algo se considera una plataforma básica y común, acaba convirtiéndose en código abierto. Eso es cierto para la infraestructura de software de internet. Y la razón es que así es más seguro y se avanza más rápido. La razón del rápido progreso que hemos visto en IA durante la última década, más o menos, es que la gente practica la investigación abierta. En cuanto se obtiene un resultado, se publica en un repositorio y se libera el código para que todo el mundo pueda reutilizarlo.

Además, tenemos plataformas de software comunes, como PyTorch, que utiliza todo el mundo. Esto acelera todo el campo porque mucha gente trabaja en ello y, ya saben, lo hace por iniciativa propia. Por eso la investigación abierta y el código abierto tienen algo de mágico. Para mantener ese ritmo de progreso, hay que mantener abierta la investigación. Si legislas para eliminar el código abierto, frenas el progreso, y los malos actores acabarán teniendo acceso de todos modos. Simplemente se pondrán al día con el resto del mundo.

Nicholas Thompson, The Atlantic: Así que estás totalmente a favor del código abierto. Incluso cuando, ya sabes, la gente crea, no sé, robots sexuales y las personas dejan de relacionarse entre sí.

Yann LeCun: De acuerdo, ahí hay una gran cuestión: ¿qué consideramos un comportamiento aceptable para un sistema inteligente? Las respuestas serían distintas entre las personas de esta sala, sobre todo si proceden de países con idiomas, culturas, valores o intereses diferentes. Así que no es que vayamos a poder tener sistemas de IA que atiendan todos nuestros intereses si los producen unas pocas empresas de la costa oeste de Estados Unidos.

En un futuro no demasiado lejano, todas nuestras interacciones con el mundo digital estarán mediadas por sistemas de IA. Vivirán en nuestras gafas, teléfonos inteligentes o cualquier otro dispositivo, y serán como asistentes humanos que nos ayudarán en la vida cotidiana. Todo lo que consumimos en el mundo digital estará mediado por sistemas de IA.

No queremos que esto quede bajo el control de un pequeño número de empresas privadas. Por tanto, los modelos fundacionales básicos tendrán que ser de código abierto. Luego, sobre esa base, habrá sistemas creados para culturas, idiomas, valores e intereses particulares, y para cualquier otro fin, por grupos que puedan ajustarlos a ese propósito. Por la misma razón que necesitamos una prensa diversa, necesitaremos una población diversa de sistemas de IA que atienda todos los intereses. Así que esto no se legislará. No debería legislarse.

Nicholas Thompson, The Atlantic: Entonces, ¿todos los presentes están de acuerdo con el investigador jefe de IA de Facebook en que hay que descentralizar al máximo el poder de las grandes empresas tecnológicas de la costa oeste?

Aidan Gomez, Cohere Inc.: Iba a decir que estoy a favor. Me parece bien, pero hay algunos puntos que quiero rebatir.

Nicholas Thompson, The Atlantic: Señala cuáles.

Aidan Gomez, Cohere Inc.: Sí. Solo quería decir que no creo que sea una cuestión de blanco o negro. No creo que haya que elegir entre el código abierto y el cerrado, y estoy totalmente de acuerdo en que no se debería regular ni crear políticas que prohíban el código abierto. No conozco a mucha gente que proponga eso, pero quienes lo hagan... Creo que hay un término medio. Hay ciertas categorías de modelos que pueden y deben ser de código abierto, para impulsar la labor de los creadores. ¿No? Los entusiastas de la informática que quieran crear experiencias nuevas, experimentar e intentar desafiar a las grandes empresas tecnológicas de la costa oeste deberían tener acceso a la tecnología para hacerlo.

Al mismo tiempo, hay organizaciones que intentan crear negocios en torno a esto. Queremos crear una ventaja competitiva. Deberíamos tener derecho a mantener cerrados nuestros modelos, y eso debería ser aceptable. Así que debería haber un ecosistema híbrido, en lugar de uno único. Ya sé que las respuestas intermedias son aburridas y que probablemente debería adoptar una postura extrema para que esto resulte un poco más interesante.

Nicholas Thompson, The Atlantic: Hay muchos que no intentan directamente legislar para eliminar el código abierto, pero el Gobierno de Biden aprobó una orden ejecutiva que exige, ya saben, grandes equipos jurídicos para presentar al Gobierno de Estados Unidos los resultados de las pruebas de equipos rojos. No es que una empresa de IA de código abierto pueda cumplir con eso. Quiero decir, hay propuestas legislativas que tendrían el efecto de concentrar el poder en un número relativamente pequeño de empresas.

Andrew Ng, DeepLearning.AI, LLC: Es cierto.

Aidan Gomez, Cohere Inc.: Sí, creo que es cierto.

Nicholas Thompson, The Atlantic: ¿Alguien quiere rebatir o ampliar los argumentos de Yann a favor del código abierto?

Andrew Ng, DeepLearning.AI, LLC: Estoy de acuerdo con Yann en algunas cosas y discrepo en una: para mí, la cuestión es si creemos que el mundo está mejor con más inteligencia. ¿No? Hasta ahora, la hemos usado principalmente en forma de inteligencia humana. Con la inteligencia artificial, creo que la inteligencia suele hacer que las sociedades sean más prósperas y que las personas estén mejor. Y, con la inteligencia de código abierto, podemos ponerla a disposición de más gente. Reconozco que, sí, en algunos casos puede usarse con fines nefastos, pero, en promedio, creo que en realidad nos beneficia a todos.»

Hay un aspecto en el que quizá tenga una perspectiva distinta a la de Yann: las infraestructuras se prestan de forma natural al código abierto. Ojalá fuera cierto, pero hoy todos trabajamos sobre tecnologías de Nvidia, AMD e Intel, ya saben; todos trabajamos en la nube, pero los diseños de semiconductores son muy cerrados. Y, para mí, creo que nos corresponde trabajar con los gobiernos para impulsar una regulación positiva. En realidad, depende de nosotros, colectivamente, decidir cuán abierta o cerrada queremos que sea la sociedad, y sin duda hay fuerzas poderosas que, en este momento, han logrado en cierta medida impulsar propuestas regulatorias para imponer requisitos muy gravosos al código abierto. Creo que estamos en un momento muy peligroso, en el que el riesgo de una regulación excesiva es considerablemente mayor que el de una regulación insuficiente. Y, francamente, cuando estoy en Washington D. C. y trato con la gente, casi puedo sentir a los grupos de presión, con decenas o cientos de millones de dólares, intentando regular la IA con una agenda política clara: cerrar el código abierto, algo con lo que algunas empresas quizá preferirían no tener que competir.

Nicholas Thompson, The Atlantic: Kai-Fu, ¿eres partidario del código abierto sin reservas?

Kai-Fu Lee, 01.AI Pte. Ltd.: No soy partidario sin reservas, pero estoy de acuerdo con casi todo lo que ha dicho Yann. Quisiera recalcar un punto: uno de los problemas de que una o unas pocas empresas concentren todo el poder y dominen los modelos es que se genera una enorme desigualdad, no solo entre las personas con menos recursos y los países más pobres, sino también entre profesores, investigadores, estudiantes, emprendedores y aficionados. Si no existiera el código abierto, ¿qué podrían hacer para aprender? Quizá sean quienes creen, inventen o desarrollen las próximas aplicaciones. Obligarlos a desarrollar en una o dos plataformas limitaría enormemente la innovación.

Nicholas Thompson, The Atlantic: ¿Tiene que ser necesariamente así? Anoche escuché a Sam Altman en la cena de Innovadores —creo que estabas allí— argumentar que, en esencia, lo mejor sería que OpenAI construyera una especie de máquina perfecta que superara la AGI y luego la ofreciera gratis para reducir la desigualdad de ingresos. Así que, en realidad, no hace falta el código abierto para reducir esa desigualdad.

Kai-Fu Lee, 01.AI Pte. Ltd.: Bueno, creo que todo el mundo actuaría de forma altruista en ese sentido, ¿no? Así que me parece mucho mejor poner las tecnologías a disposición del mayor número posible de personas, y estoy totalmente en contra de la regulación. Hay algo en lo que no estoy seguro de coincidir con Yann: que el modelo fundacional tenga que ser completamente de código abierto. Algunas empresas quizá quieran crear una ventaja competitiva en el nivel del modelo fundacional, pero creo que ambas opciones son viables.

Yann LeCun, New York University: Cuando dijiste que Sam Altman había dicho eso, OpenAI no tiene el monopolio de las buenas ideas. No van a llegar a la AGI, sea lo que sea que entiendan por eso, por sí solos. De hecho, usan PyTorch. Usan Transformers. Quiero decir, usan tecnologías que publicamos muchos de nosotros en el ámbito de las infraestructuras y, eh, hace poco se cerraron, ya saben, por una ventaja competitiva. Y esa es la única forma de generar ingresos, pero se benefician de ese panorama de investigación abierta del que hablaba antes.

Kai-Fu Lee, 01.AI Pte. Ltd.: Y las dos empresas más grandes de este ámbito limitan la publicación más de lo que jamás he visto en ningún campo en crecimiento.

Daphne Koller, Insitro Inc: Pero, siguiendo con este tema, los modelos que desarrollan estas empresas pueden ser excelentes para ciertas aplicaciones, pero quizá no sean la base adecuada para otras. Así que, si se restringen las bases disponibles a las de una, dos o tres empresas que las diseñan para un caso de uso concreto, quizá no sean el punto de partida adecuado para que el siguiente innovador cree su nueva aplicación a partir de una idea creativa o una nueva modalidad de datos que no se usó en el diseño original de los modelos desarrollados por esas empresas.

Creo que se sofoca la innovación si no se crea una sólida base de modelos de código abierto sobre la que otros puedan construir. Ahora bien, coincido con Aidan y Kai-Fu en que no todos los modelos que alguien genere tienen que ser de código abierto. Desde luego, se puede obtener una ventaja competitiva con una nueva arquitectura de modelo o una nueva modalidad de datos, pero la comunidad necesita una sólida base de modelos de código abierto sobre la que construir.

Nicholas Thompson, The Atlantic: Muy bien. Nos queda aproximadamente un minuto y medio. Quiero hacer una ronda rápida. Una de las cosas que mencionó Kai-Fu es que el código abierto es esencial para que el mundo sea más igualitario. La última revolución tecnológica pareció hacer que el mundo fuera, más o menos, menos igualitario. ¿Qué tiene que ocurrir en la IA para que el mundo sea más igualitario? Rápidamente, ¿qué es lo que les gustaría que pasara?

Yann LeCun, New York University: Creo que la cuestión de la igualdad... Por supuesto, la difusión del código abierto es un factor importante para la igualdad. Ahora bien, en cuanto a la igualdad económica, es una cuestión fiscal, de política fiscal. No es una cuestión tecnológica.

Andrew Ng, DeepLearning.AI, LLC: Creo que la formación... Cuando observo la adopción de la IA en las empresas, veo que a veces uno de los mayores obstáculos en muchas corporaciones es la formación. Las opciones están disponibles; hay que capacitar a la plantilla, no solo para crear aplicaciones de IA, sino también simplemente para usar bots, porque así se obtienen rápidamente aumentos de productividad.

Daphne Koller, Insitro Inc: Quizá no sorprenda que, como Andrew y yo cofundamos Coursera, vaya a retomar un poco su respuesta y decir: educación. Una de las mayores diferencias entre quienes pueden usar esta tecnología y quienes no es el pensamiento estructurado. No enseñamos el pensamiento estructurado a nuestros hijos ni de lejos lo suficientemente bien. Creo que es una habilidad que debemos empezar a enseñar desde la educación primaria, porque será el gran factor diferenciador entre quienes usen esta tecnología con éxito y quienes no.

Kai-Fu Lee, 01.AI Pte. Ltd.: La competencia mundial. Creo que es peligroso que una sola empresa lo domine todo, porque eso frena la innovación; una mayor competencia ayudará a resolverlo. Pero también hace falta una competencia mundial, porque debemos tener cuidado: es la primera vez que una plataforma tecnológica viene acompañada de su propia ideología, sus valores y sus sesgos. Por eso, debemos permitir que personas, culturas, países y religiones distintos desarrollen sus propios modelos y compitan en igualdad de condiciones en todo el mundo, sin dejar que ningún país lo domine.

Aidan Gomez, Cohere Inc.: Sí, creo que se trata del acceso. El acceso a la tecnología y garantizar que todo el mundo pueda contribuir a ella, que hable su idioma y conozca su cultura, será fundamental para la igualdad.

Nicholas Thompson, The Atlantic: Muy bien. Un panel extraordinario. Gracias, son todos estupendos. Gracias.

Desplázate hacia abajo para ver la transcripción completa del pódcast; haz clic en la flecha «Mostrar más»

La IA generativa avanza exponencialmente. ¿Qué está ocurriendo en la frontera de la investigación y las aplicaciones, y cómo están cambiando las nuevas técnicas y enfoques los riesgos y las oportunidades asociados a los modelos de IA generativa de vanguardia?

Ponentes:

Yann LeCun, profesor Silver de Ciencia de Datos, Informática, Neurociencia e Ingeniería Eléctrica, New York University

Nicholas Thompson, director ejecutivo, The Atlantic

Kai-Fu Lee, fundador, 01.AI Pte. Ltd.

Daphne Koller, fundadora y directora ejecutiva, Insitro Inc

Andrew Ng, fundador, DeepLearning.AI, LLC

Aidan Gomez, cofundador y director ejecutivo, Cohere Inc.

Este es el audio completo de una sesión de la Reunión Anual 2024 del Foro Económico Mundial

Mira aquí la sesión: https://www.weforum.org/events/world-economic-forum-annual-meeting-2024/sessions/the-expanding-universe-of-generative-models

Sigue toda la actualidad de Davos en wef.ch/wef24 y en las redes sociales con la etiqueta #WEF24.

Descubre todos nuestros pódcasts en wef.ch/podcasts:

YouTube: https://www.youtube.com/@wef

Radio Davos - suscríbete: https://pod.link/1504682164

Conoce a los líderes - suscríbete: https://pod.link/1534915560

Diálogos sobre la Agenda - suscríbete: https://pod.link/1574956552

Pódcast del Club de Lectura del Foro Económico Mundial - suscríbete: https://pod.link/1599305768

Únete al Club de Pódcast del Foro Económico Mundial: https://www.facebook.com/groups/wefpodcastclub

https://www.weforum.org/podcasts/radio-davos/episodes/

Licencia y republicación
Los artículos del Foro Económico Mundial pueden volver a publicarse de acuerdo con la Licencia Pública Internacional Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0, y de acuerdo con nuestras condiciones de uso. Las opiniones expresadas en este artículo son las del autor y no del Foro Económico Mundial.