1
00:00:09,680 --> 00:00:17,950
Buenas, esto es BIMPRAXIS, el podcast donde el BIM se encuentra con la inteligencia artificial.

2
00:00:20,350 --> 00:00:27,230
Exploramos la ciencia, la tecnología y el futuro desde el enfoque de la arquitectura, ingeniería y construcción.

3
00:00:28,970 --> 00:00:29,650
¡Empezamos!

4
00:00:37,120 --> 00:00:43,520
Bienvenidos, hoy retomamos nuestra serie, los papers que cambiaron la historia de la IA, con la segunda entrega.

5
00:00:43,520 --> 00:00:48,780
Y si la primera fue sobre los cimientos teóricos, la de hoy es, vamos, el Big Bang.

6
00:00:49,160 --> 00:00:56,760
Totalmente. Es el momento en que toda esa teoría explota y se convierte en una fuerza que, bueno, ha definido la última década por completo.

7
00:00:57,220 --> 00:01:06,540
Hablamos del paper ImageNet Classification with Deep Convolutional Neural Networks, publicado por tres nombres clave de la Universidad de Toronto.

8
00:01:06,540 --> 00:01:13,500
Alex Krisevsky, Ilya Sutskever y, de nuevo con nosotros, el padrino del Deep Learning, Geoffrey Hinton.

9
00:01:14,280 --> 00:01:14,920
Exacto.

10
00:01:15,200 --> 00:01:22,840
La misión de hoy es entender qué pasó exactamente ese día, el 30 de septiembre de 2012. Porque no es una fecha cualquiera.

11
00:01:23,060 --> 00:01:23,500
Para nada.

12
00:01:23,800 --> 00:01:28,680
Muchos la consideran el nacimiento de la inteligencia artificial moderna, la que conocemos hoy.

13
00:01:29,240 --> 00:01:33,960
Y para entender esa explosión, primero hay que viajar al silencio que había justo antes.

14
00:01:33,960 --> 00:01:39,380
Desde luego. El mundo antes de 2012 era radicalmente distinto.

15
00:01:40,200 --> 00:01:43,500
La visión por computador, por ejemplo, era un campo con avances.

16
00:01:43,520 --> 00:01:46,840
Avances muy, muy lentos. Casi glaciales.

17
00:01:47,120 --> 00:01:48,820
¿Y eso por qué? ¿Faltaba interés?

18
00:01:49,020 --> 00:01:52,980
Faltaba financiación, porque los resultados prácticos eran muy modestos.

19
00:01:53,420 --> 00:02:01,440
Todo el mundo, toda la comunidad científica pensaba que el progreso vendría de algoritmos más elegantes, de refinar las matemáticas.

20
00:02:01,740 --> 00:02:02,760
No de la fuerza bruta.

21
00:02:02,960 --> 00:02:12,700
Para nada. La idea de usar redes neuronales gigantes, el Deep Learning, se consideraba una excentricidad, una curiosidad teórica, pero impracticable.

22
00:02:12,960 --> 00:02:13,480
Inviable.

23
00:02:13,920 --> 00:02:16,460
¿Y cuál era el bloqueo? ¿Qué impedía que funcionara?

24
00:02:16,680 --> 00:02:20,420
Pues había dos bloqueos fundamentales. El primero, la computación.

25
00:02:20,740 --> 00:02:25,360
Se creía que entrenar algo así requería una potencia que simplemente no existía.

26
00:02:25,500 --> 00:02:27,740
O no era accesible para los investigadores, claro.

27
00:02:28,140 --> 00:02:36,080
Exacto. Y el segundo, que quizá es más importante, era la creencia de que no había suficientes datos en el mundo.

28
00:02:36,760 --> 00:02:42,940
Datos etiquetados, organizados, para enseñarle a una red tan enorme, sin que se limitara a memorizarla.

29
00:02:43,520 --> 00:02:43,920
Las fotos.

30
00:02:44,400 --> 00:02:46,020
En lugar de aprender de verdad.

31
00:02:46,360 --> 00:02:46,800
Justo.

32
00:02:47,180 --> 00:02:52,000
Y es ahí, precisamente en el problema de los datos, donde arranca esta historia.

33
00:02:52,620 --> 00:02:58,260
Porque, para entender el éxito de AlexNet, que es el modelo del que hablamos, hay que hablar de su combustible.

34
00:02:59,020 --> 00:02:59,500
Totalmente.

35
00:02:59,500 --> 00:03:04,420
Un combustible que fue tan revolucionario como el motor. El conjunto de datos ImageNet.

36
00:03:05,120 --> 00:03:09,160
Y todo empieza con la visión de una investigadora, Fei-Fei Li, allá por 2006.

37
00:03:09,520 --> 00:03:12,920
Exacto. Fei-Fei Li tuvo una especie de epifanía.

38
00:03:12,920 --> 00:03:19,640
Se dio cuenta de que todo el campo estaba obsesionado con construir mejores modelos. Mejores coches, por así decirlo.

39
00:03:19,860 --> 00:03:21,780
Pero nadie construía las carreteras.

40
00:03:22,060 --> 00:03:23,740
Ni se preocupaba de la gasolina.

41
00:03:24,520 --> 00:03:25,020
Exacto.

42
00:03:25,080 --> 00:03:32,920
Los estaban alimentando con conjuntos de datos que hoy nos parecerían de risa. Miles de imágenes, como mucho. Decenas de miles.

43
00:03:33,260 --> 00:03:35,800
No reflejaban la complejidad del mundo real, vamos.

44
00:03:36,060 --> 00:03:40,900
En absoluto. Ella vio que el cuello de botella no era el algoritmo. Era la materia prima.

45
00:03:40,900 --> 00:03:42,900
Y lo más fascinante es...

46
00:03:42,920 --> 00:03:46,860
¿De dónde saca la inspiración? De un proyecto de lingüística de los años 80.

47
00:03:47,060 --> 00:03:56,460
Una conexión brillante. Se inspiró en Wernet, que es básicamente un mapa de las relaciones entre palabras. Organiza conceptos en una jerarquía.

48
00:03:56,660 --> 00:03:57,200
A ver, un ejemplo.

49
00:03:57,660 --> 00:04:04,120
Pues, un bastón alemán es un tipo de perro, que es un tipo de cánido, que es un mamífero. Esa estructura.

50
00:04:04,120 --> 00:04:09,680
Ya. La idea de Lino fue de una simplicidad genial. Construir un Wernet con ojos.

51
00:04:10,260 --> 00:04:12,840
Asociar a cada uno de esos conceptos un torrente.

52
00:04:12,920 --> 00:04:20,280
La idea es genial, pero la escala es... demencial. Una cosa es tener la idea y otra llevarla a cabo.

53
00:04:20,380 --> 00:04:27,340
Las cifras marean. La primera versión, de 2009, tenía 12 millones de imágenes en 22.000 categorías.

54
00:04:27,580 --> 00:04:35,980
12 millones. Es que, si una persona se pone a etiquetar una imagen por minuto, sin parar, tardaría más de 22 años.

55
00:04:36,380 --> 00:04:42,160
Imposible para un laboratorio. Una tarea titánica. Y aquí es donde su enfoque fue tan ingenioso.

56
00:04:42,160 --> 00:04:42,900
¿Qué hicieron?

57
00:04:42,920 --> 00:04:47,800
Recurrieron a una herramienta que entonces era muy nueva. Amazon Mechanical Turk.

58
00:04:47,800 --> 00:04:49,800
Ah, la plataforma de crowdsourcing.

59
00:04:49,800 --> 00:05:00,520
Exacto. Externalizaron microtareas a miles de personas en todo el mundo. Convirtieron un problema de investigación de décadas en un problema de logística masiva. Y lo resolvieron.

60
00:05:00,520 --> 00:05:09,900
Vale, consiguen lo imposible, crean esa especie de biblioteca de alejandría visual y la presentan en 2009. Uno esperaría que la comunidad científica se volviera loca.

61
00:05:09,900 --> 00:05:12,900
Pues la reacción fue un silencio sepulcral.

62
00:05:12,920 --> 00:05:22,500
En serio. Casi total. El feedback fue descorazonador. Es demasiado grande. Es un desastre. Demasiado complejo. No me lo puedo creer.

63
00:05:22,760 --> 00:05:32,060
Piensa que los modelos punteros de la época manejaban, con suerte, una docena de categorías. Enfrentarlos a 22.000. A la mayoría les pareció una locura.

64
00:05:32,300 --> 00:05:37,200
Entonces, tienen un circuito de Fórmula 1 increíble, pero nadie quiere correr en él.

65
00:05:37,440 --> 00:05:41,620
Justo. Así que, ¿qué hicieron? ¿Organizar su propia carrera?

66
00:05:41,620 --> 00:05:42,060
Claro.

67
00:05:42,920 --> 00:05:53,980
El ImageNet Large Scale Visual Recognition Challenge. El ILS VRC. Una competición anual. Simplificaron el problema a mil categorías y lanzaron el guante.

68
00:05:54,220 --> 00:05:56,420
Este es el nuevo estándar. A ver qué podéis hacer.

69
00:05:56,540 --> 00:06:01,520
Y funcionó. Se convirtió de la noche a la mañana en el mundial de la visión por computador.

70
00:06:01,740 --> 00:06:11,000
Y con ese escenario llegamos a 2012. El 30 de septiembre se publican los resultados. Y un equipo de Toronto con un modelo llamado AlexNet no es que gane.

71
00:06:11,000 --> 00:06:11,640
Cifras.

72
00:06:12,920 --> 00:06:17,960
El mejor resultado tenía una tasa de error del 25,8%.

73
00:06:17,960 --> 00:06:20,960
Bajar del 25 era como el gran objetivo, ¿no?

74
00:06:21,300 --> 00:06:26,780
Era la barrera psicológica. Bueno, pues AlexNet consiguió un 15,3%.

75
00:06:26,780 --> 00:06:28,480
Un momento. ¿15,3?

76
00:06:28,800 --> 00:06:36,920
15,3. El segundo clasificado de ese año, que usaba la mejor tecnología clásica, se quedó en un 26,2%.

77
00:06:36,920 --> 00:06:39,520
O sea, casi 11 puntos de diferencia.

78
00:06:42,920 --> 00:06:51,780
Una demolición. Fue como si un corredor de 100 metros lisos batiera el récord mundial por dos segundos. Un shock absoluto.

79
00:06:52,300 --> 00:06:56,400
Y todo el mundo se hizo la misma pregunta. ¿Qué demonios ha pasado aquí?

80
00:06:56,880 --> 00:07:00,800
Y la respuesta fue que habían apostado por el caballo que todos daban por muerto.

81
00:07:01,380 --> 00:07:06,140
Una red neuronal convolucional. Una CNN, pero muy, muy profunda.

82
00:07:06,660 --> 00:07:08,040
La tormenta perfecta.

83
00:07:08,040 --> 00:07:11,400
Se alinearon tres factores. Primero, los datos.

84
00:07:11,400 --> 00:07:13,660
Por fin tenían ImageNet.

85
00:07:14,240 --> 00:07:18,440
Segundo, el hardware. Las tarjetas gráficas de videojuegos, las GPUs.

86
00:07:18,600 --> 00:07:24,240
Gracias a CUDA de NVIDIA. Eso es, habían alcanzado una potencia que permitía esos cálculos masivos.

87
00:07:24,880 --> 00:07:30,500
Y tercero, el modelo. Una arquitectura de ocho capas con 60 millones de parámetros.

88
00:07:31,160 --> 00:07:36,900
Entiendo. Suena perfecto. Pero otros habían intentado usar redes profundas y habían fracasado.

89
00:07:37,420 --> 00:07:39,960
El truco tuvo que estar en los detalles del modelo, ¿no?

90
00:07:39,960 --> 00:07:41,320
¿Qué tenía por dentro?

91
00:07:41,400 --> 00:07:42,540
Para que funcionara tan bien.

92
00:07:42,920 --> 00:07:43,740
Esa es la clave.

93
00:07:44,140 --> 00:07:46,900
No eran solo los ingredientes, era la receta.

94
00:07:47,320 --> 00:07:49,980
Y el paper es muy claro sobre cuáles fueron sus trucos.

95
00:07:49,980 --> 00:07:55,980
El primero, y según ellos el más importante, fue cambiar una pieza minúscula, la función de activación.

96
00:07:57,040 --> 00:07:59,200
Usaron algo llamado ReLU.

97
00:07:59,900 --> 00:08:01,740
Rectified Linear Units.

98
00:08:02,360 --> 00:08:05,380
Suena muy técnico, pero la idea es casi ridículamente simple.

99
00:08:05,800 --> 00:08:07,240
Es insultantemente simple.

100
00:08:07,860 --> 00:08:10,980
Las redes de la época usaban funciones matemáticamente complejas.

101
00:08:11,400 --> 00:08:13,860
Como las sigmoides, que se saturan.

102
00:08:14,080 --> 00:08:15,820
Hacen que el aprendizaje sea muy lento.

103
00:08:16,400 --> 00:08:20,980
Agónicamente lento. ReLU es simplemente la función max 0,x.

104
00:08:21,340 --> 00:08:25,860
Si la señal es negativa, la neurona se apaga. Si es positiva, la deja pasar tal cual.

105
00:08:26,360 --> 00:08:26,860
Es trivial.

106
00:08:27,660 --> 00:08:28,180
¿Y el efecto?

107
00:08:28,700 --> 00:08:34,420
Demoledor. El paper demuestra que las redes con ReLU entrenaban hasta seis veces más rápido.

108
00:08:35,200 --> 00:08:37,160
¿Seis veces? Es una locura.

109
00:08:37,160 --> 00:08:41,360
Sin esa simpleza, probablemente no habrían tenido tiempo de entrenar su modelo para la computadora.

110
00:08:41,820 --> 00:08:47,260
Es fascinante que la solución no fuera un algoritmo más complejo, sino radicalmente más simple.

111
00:08:47,600 --> 00:08:49,240
Fue un shock cultural, totalmente.

112
00:08:50,020 --> 00:08:53,120
Demostró que a veces la solución más elegante no es la que funciona.

113
00:08:53,740 --> 00:08:57,900
Pero la velocidad era sólo el primer problema. El siguiente era de pura fuerza bruta.

114
00:08:57,980 --> 00:08:58,700
¿A qué te refieres?

115
00:08:59,300 --> 00:09:03,960
Su modelo era tan gigantesco que no cabía en la memoria de una sola GPU de la época.

116
00:09:04,200 --> 00:09:08,320
Claro. Hablamos de tarjetas con tres gigas de memoria. Hoy nos parece de risa.

117
00:09:08,720 --> 00:09:09,240
Exacto.

118
00:09:09,400 --> 00:09:11,240
Un modelo de 60 millones de kilómetros.

119
00:09:11,400 --> 00:09:12,940
¿De parámetros no entra ahí?

120
00:09:13,300 --> 00:09:16,240
Parecía un obstáculo insalvable. ¿Cómo lo solucionaron?

121
00:09:16,240 --> 00:09:24,460
Con pura ingeniería. Partieron la red por la mitad, entrenaron unas capas en una GPU y el resto en otra.

122
00:09:24,960 --> 00:09:27,180
Y las comunicaban en puntos concretos.

123
00:09:27,560 --> 00:09:30,180
Y al hacerlo descubrieron algo que no se esperaban.

124
00:09:30,520 --> 00:09:38,080
Algo fascinante. El sistema se autoorganizó. Observaron que cada GPU se especializaba de forma espontánea.

125
00:09:38,420 --> 00:09:39,600
¿Cómo que se especializaba?

126
00:09:39,600 --> 00:09:39,940
¿Cómo se especializaba?

127
00:09:39,940 --> 00:09:40,720
Pues, por ejemplo.

128
00:09:41,400 --> 00:09:48,520
Los filtros de una GPU aprendieron a ignorar el color. Se especializaron en detectar bordes, texturas, formas.

129
00:09:48,880 --> 00:09:49,440
Entiendo.

130
00:09:49,740 --> 00:09:55,000
Mientras la otra GPU se especializó justo en lo contrario, en detectar manchas de color.

131
00:09:55,820 --> 00:10:01,300
El sistema creó por sí mismo una especie de hemisferio para la forma y otro para el color.

132
00:10:01,640 --> 00:10:04,260
Eso es alucinante. Es casi biológico.

133
00:10:04,520 --> 00:10:09,520
Totalmente. Vale, ya tienen un modelo que entrena rápido y que cabe en las máquinas.

134
00:10:09,520 --> 00:10:10,520
Pero ahora viene…

135
00:10:11,400 --> 00:10:16,720
El gran fantasma de las redes neuronales. El sobreajuste. El enemigo a batir.

136
00:10:17,420 --> 00:10:22,460
El riesgo de que el modelo se memorizara las fotos en lugar de aprender a generalizar.

137
00:10:22,760 --> 00:10:24,080
¿Y qué hicieron para evitarlo?

138
00:10:24,320 --> 00:10:28,060
Usaron un arsenal de técnicas, pero dos fueron revolucionarias.

139
00:10:28,660 --> 00:10:32,460
La primera, el data augmentation. El aumento de datos.

140
00:10:32,880 --> 00:10:36,760
La idea de… si no tienes suficientes datos, invéntatelos.

141
00:10:37,160 --> 00:10:41,380
Exactamente. De cada imagen extraían múltiples recortes de datos.

142
00:10:41,380 --> 00:10:44,600
Múltiples, aleatorios y también sus reflejos, como en un espejo.

143
00:10:45,280 --> 00:10:50,900
Con esa técnica tan simple, multiplicaron el tamaño de su dataset por un factor de 2.048.

144
00:10:51,560 --> 00:10:55,220
Brutal. Una forma barata de generar una cantidad ingente de datos.

145
00:10:56,020 --> 00:11:00,160
¿Y la segunda técnica? Porque esta sí que se ha convertido en un estándar absoluto.

146
00:11:00,380 --> 00:11:07,620
La segunda es dropout. Una de las ideas más brillantes y contraintuitivas del deep learning propuesta por el propio Hinton.

147
00:11:07,800 --> 00:11:09,380
¿Qué consiste en…?

148
00:11:09,380 --> 00:11:11,360
Durante el entrenamiento, en cada paso de la carrera, se han convertido en un estándar absoluto.

149
00:11:11,380 --> 00:11:15,380
En este caso, apagas al azar la mitad de las neuronas. Simplemente no participan.

150
00:11:16,060 --> 00:11:21,980
Parece una locura. Estás haciendo que tu red sea más tonta a propósito. ¿Por qué funciona eso?

151
00:11:22,220 --> 00:11:30,240
Porque la obliga a ser robusta. Evita que una neurona dependa demasiado de una característica concreta, porque sabe que en cualquier momento puede desaparecer.

152
00:11:30,420 --> 00:11:37,100
La fuerza a aprender representaciones redundantes. Exacto. Al final, todas las neuronas se vuelven más versátiles.

153
00:11:37,100 --> 00:11:41,100
El paper es tajante. Sin dropout, su red sufría de un sobreajuste.

154
00:11:41,380 --> 00:11:42,360
Un sobreajuste sustancial.

155
00:11:42,800 --> 00:11:45,580
Entiendo que, además de esto, hubo otros retoques más finos.

156
00:11:45,720 --> 00:11:55,580
Sí, y eso demuestra la atención al detalle que pusieron. Mencionan una normalización inspirada en la biología y una técnica de pooling solapado. Cada una arañó alguna décima al error.

157
00:11:55,800 --> 00:11:57,140
¿Fueron el pulido final?

158
00:11:57,620 --> 00:12:04,280
Eso es. Pero las grandes palancas fueron relu, los datos aumentados y, sobre todo, dropout.

159
00:12:04,720 --> 00:12:10,180
El impacto de todo esto fue… sísmico. No fue solo ganar una competición.

160
00:12:10,300 --> 00:12:10,820
No.

161
00:12:11,380 --> 00:12:21,180
Fue demostrarle a todo un campo de investigación que el camino que la mayoría seguía estaba equivocado. Y que esa vía excéntrica de las redes profundas era el futuro.

162
00:12:21,620 --> 00:12:23,420
Un cambio de paradigma total.

163
00:12:23,880 --> 00:12:33,640
Instantáneo. Hay un gráfico muy famoso del repositorio científico Archive. Durante años, la línea de papers de IA es casi plana. Y en 2012…

164
00:12:33,640 --> 00:12:35,200
Se convierte en una pared vertical.

165
00:12:35,200 --> 00:12:41,000
Una pared vertical que no ha dejado de crecer. Alex Nett abrió las compuertas.

166
00:12:41,380 --> 00:12:46,380
Toda la comunidad, y poco después la industria, pivotó masivamente hacia el deep learning.

167
00:12:46,780 --> 00:12:51,640
Y la propia competición, el ILSBRC, es el mejor termómetro de esa revolución.

168
00:12:51,760 --> 00:13:01,100
El mejor. Siguió hasta 2017. Para entonces, la mayoría de modelos ya superaban el umbral del 5% de error que se considera rendimiento sobrehumano.

169
00:13:01,360 --> 00:13:02,420
En solo 5 años.

170
00:13:02,620 --> 00:13:11,040
En 5 años pasamos de luchar por un 25% a superar la capacidad humana. Todo gracias a la explosión que inició Alex Nett.

171
00:13:11,040 --> 00:13:17,100
Mirando hacia atrás, leyendo el paper, ¿eran ellos conscientes de la revolución que estaban desatando?

172
00:13:17,800 --> 00:13:31,100
El párrafo final es que es profético. Pone la piel de gallina. Señalan dos cosas. Primero, dicen que no usaron pre-entrenamiento no supervisado, pero que esperaban que fuera una vía muy fructífera.

173
00:13:31,400 --> 00:13:34,520
Que hoy es el pilar de los modelos como GPT. Lo vieron venir.

174
00:13:34,800 --> 00:13:38,980
Lo vieron venir. Y la segunda parte de la profecía es aún más potente.

175
00:13:38,980 --> 00:13:40,980
¿Qué dicen? ¿Concluyen diciendo…?

176
00:13:41,040 --> 00:13:43,040
Más o menos.

177
00:13:43,040 --> 00:13:49,040
Nuestros resultados mejoran cuanto más grande hacemos la red y más tiempo la entrenamos.

178
00:13:49,040 --> 00:13:51,040
La receta de la última década.

179
00:13:51,040 --> 00:13:53,040
Y terminan con una frase increíble.

180
00:13:53,040 --> 00:14:01,040
Pero todavía nos quedan muchos órdenes de magnitud para igualar la vía inferotemporal del sistema visual humano.

181
00:14:01,040 --> 00:14:03,040
Alucinante.

182
00:14:03,040 --> 00:14:09,040
O sea, en su momento de mayor triunfo, ya están diciendo, esto es solo el principio y el camino a seguir es la escala.

183
00:14:09,040 --> 00:14:11,040
¿Más datos?

184
00:14:11,040 --> 00:14:14,040
Modelos más grandes, más computación.

185
00:14:14,040 --> 00:14:21,040
Dejaron clarísimo que el rendimiento estaba ligado a la escala, pero que la brecha con la biología seguía siendo abismal.

186
00:14:21,040 --> 00:14:26,040
AlexNet no fue un invento milagroso. Fue la sinergia perfecta de tres pilares.

187
00:14:26,040 --> 00:14:29,040
Datos masivos, gracias a ImagenNet.

188
00:14:29,040 --> 00:14:33,040
Computación paralela asequible, gracias a las GPUs de los videojuegos.

189
00:14:33,040 --> 00:14:40,040
Y una arquitectura de red profunda, resucitada con innovaciones clave como Relu y Dropout, que por fin la hicieron entrenable.

190
00:14:40,040 --> 00:14:47,040
Esa es la síntesis perfecta. AlexNet no solo resolvió un problema de visión. Cambió las reglas del juego para toda la IA.

191
00:14:47,040 --> 00:14:54,040
Demostró que la escala, tanto de datos como de modelo, era un camino tremendamente poderoso hacia la inteligencia.

192
00:14:54,040 --> 00:15:00,040
Lo que nos deja con una pregunta final. Para reflexionar sobre dónde estamos hoy, más de una década después.

193
00:15:00,040 --> 00:15:08,040
Así es. En 2012, el equipo de Hinton identificó la escala como el camino. Pero reconoció la enorme brecha con el cerebro.

194
00:15:08,040 --> 00:15:12,040
Hoy, operamos con modelos miles de veces más grandes.

195
00:15:12,040 --> 00:15:16,040
Entrenados con datasets que hacen que ImagenNet parezca un juguete.

196
00:15:16,040 --> 00:15:23,040
Exacto. La pregunta que sigue en el aire es, ¿estamos simplemente escalando la misma idea fundamental que ellos propusieron?

197
00:15:23,040 --> 00:15:29,040
¿O hemos descubierto en este tiempo nuevos principios que nos acerquen de verdad a esa vía infratemporal del cerebro?

198
00:15:29,040 --> 00:15:33,040
Dicho de otro modo, ¿es la inteligencia solo una cuestión de escala computacional?

199
00:15:33,040 --> 00:15:37,040
¿O nos siguen faltando piezas conceptuales que ni siquiera el Big Bang de AlexNet llegó a iluminar?

200
00:15:38,040 --> 00:15:53,830
Y hasta aquí el episodio de hoy. Muchas gracias por tu atención.

201
00:15:53,830 --> 00:16:07,350
Esto es BIMPRAXIS. Nos escuchamos en el próximo episodio.