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
00:00:20,330 --> 00:00:27,230
Exploramos la ciencia, la tecnología y el futuro desde el enfoque de la arquitectura, ingeniería y construcción.

3
00:00:28,930 --> 00:00:29,650
¡Empezamos!

4
00:00:37,140 --> 00:00:41,220
Hola, y bienvenidos a un nuevo análisis de BIMPRAXIS.

5
00:00:41,600 --> 00:00:42,440
Hola, ¿qué tal?

6
00:00:42,440 --> 00:00:48,520
Este es el octavo episodio de nuestra serie especial, los papers que cambiaron la historia de la IA.

7
00:00:48,900 --> 00:00:53,380
Y el de hoy es uno de esos que, sin hacer mucho ruido al principio, lo cambió todo.

8
00:00:54,020 --> 00:00:59,720
Hoy vamos a examinar un documento de 2022 que, efectivamente, cambió las reglas del juego.

9
00:01:00,320 --> 00:01:04,740
Se titula Training Language Models to Follow Instructions with Human Feedback.

10
00:01:05,240 --> 00:01:10,980
O, eh, Entrenar Modelos de Lenguaje para Seguir Instrucciones con Retroalimentación Humana.

11
00:01:10,980 --> 00:01:16,140
Es de un equipo de OpenAI, con nombres como Longwu Yang y Jeff Wu.

12
00:01:16,360 --> 00:01:17,640
Y hay que situarse en ese momento.

13
00:01:18,100 --> 00:01:24,960
Totalmente. La filosofía que dominaba era, bueno, bastante simple. Si quieres una IA mejor, hazla más grande.

14
00:01:25,240 --> 00:01:28,280
Más datos, más parámetros, más… y más potencia.

15
00:01:28,640 --> 00:01:34,500
Pero los autores de este paper lanzaron una idea que era casi, casi una herejía en aquel entonces.

16
00:01:34,860 --> 00:01:35,280
Pues sí.

17
00:01:35,540 --> 00:01:40,920
Dijeron que hacer los modelos más grandes no los hace inherentemente mejores,

18
00:01:41,080 --> 00:01:43,640
a la hora de entender lo que de verdad quiere un usuario.

19
00:01:43,980 --> 00:01:45,740
De hecho, a menudo los hacía peores.

20
00:01:46,180 --> 00:01:51,940
Exacto. Generando respuestas falsas, tóxicas o que simplemente no venían a cuento.

21
00:01:52,320 --> 00:01:54,740
Daban palos de ciego por muy potentes que fueran.

22
00:01:55,400 --> 00:01:59,740
El problema de fondo que este documento ataca de frente es el de la alineación.

23
00:02:00,720 --> 00:02:02,740
Una palabra que ahora oímos constantemente.

24
00:02:03,560 --> 00:02:05,600
Pero que entonces era más un concepto teórico.

25
00:02:06,220 --> 00:02:10,560
Se trata de cómo conseguir que una IA potentísima no solo sepa mucho,

26
00:02:10,980 --> 00:02:18,280
sino que use ese conocimiento para alinearse con la intención, los valores y las necesidades de una persona.

27
00:02:18,700 --> 00:02:20,480
Y ese es el reto con mayúsculas.

28
00:02:20,480 --> 00:02:23,380
Pues precisamente eso es lo que vamos a analizar.

29
00:02:23,960 --> 00:02:28,720
Queremos entender el método que propusieron para educar a estos gigantes digitales.

30
00:02:28,920 --> 00:02:33,620
Un método que nos dio una nueva familia de IAS, la llamada InstructGPT.

31
00:02:33,840 --> 00:02:38,460
Que no es otra que la precursora directa de las herramientas que han revolucionado nuestro mundo.

32
00:02:38,820 --> 00:02:39,200
Justo.

33
00:02:39,440 --> 00:02:40,960
Vale, vamos a empezar por el principio.

34
00:02:40,980 --> 00:02:45,680
Porque la primera frase del resumen es toda una declaración de intenciones.

35
00:02:45,820 --> 00:02:47,260
Sí, va directa al grano.

36
00:02:47,680 --> 00:02:48,020
Dice,

37
00:02:48,960 --> 00:02:58,880
¿Por qué era tan rompedor decir esto en voz alta?

38
00:02:59,300 --> 00:03:02,300
Porque iba totalmente en contra de la inercia de toda una industria.

39
00:03:02,900 --> 00:03:06,800
Estábamos en plena carrera armamentística de los parámetros.

40
00:03:07,180 --> 00:03:07,540
Claro.

41
00:03:07,540 --> 00:03:10,540
Teníamos a GPT-3 con sus 175 millones de...

42
00:03:10,980 --> 00:03:16,540
17 parámetros, una auténtica bestia computacional que podía escribir un texto que parecía humano.

43
00:03:16,920 --> 00:03:17,480
Parecía.

44
00:03:17,760 --> 00:03:19,360
Pero era una bestia salvaje.

45
00:03:19,820 --> 00:03:22,380
Le faltaba, digamos, don de gentes.

46
00:03:22,540 --> 00:03:23,660
No entendía el contexto.

47
00:03:23,900 --> 00:03:24,300
Ajá.

48
00:03:24,440 --> 00:03:27,120
Podía inventarse datos con una seguridad pasmosa.

49
00:03:27,500 --> 00:03:32,560
Soltar una barbaridad o irse por las ramas y escribirte un ensayo cuando solo le habías pedido un resumen.

50
00:03:33,000 --> 00:03:34,080
No estaba alineado.

51
00:03:34,440 --> 00:03:37,120
Es la imagen del genio un poco sociópata, ¿no?

52
00:03:37,420 --> 00:03:37,980
Totalmente.

53
00:03:38,320 --> 00:03:39,200
Sabe de todo.

54
00:03:39,600 --> 00:03:40,940
Puede recitarte la enciclopedia.

55
00:03:41,220 --> 00:03:46,260
Pero es incapaz de mantener una conversación normal o de entender algo tan simple como

56
00:03:46,260 --> 00:03:48,260
explícamelo para que lo entienda un niño.

57
00:03:48,600 --> 00:03:49,540
Justo esa es la imagen.

58
00:03:50,160 --> 00:03:52,920
Tenías una máquina potentísima, pero no te servía de mucho.

59
00:03:53,260 --> 00:03:55,400
Como tener un Ferrari para ir a comprar el pan.

60
00:03:55,820 --> 00:03:56,340
Exacto.

61
00:03:56,680 --> 00:04:00,920
El problema no era la falta de conocimiento, sino la falta de comprensión de la tarea.

62
00:04:01,640 --> 00:04:03,980
Este paper cambió la pregunta fundamental.

63
00:04:04,280 --> 00:04:05,140
¿Y cuál fue ese cambio?

64
00:04:05,140 --> 00:04:09,040
Pasamos de preguntarnos cuánta información puede almacenar un modelo

65
00:04:09,040 --> 00:04:13,640
a qué tan bien puede usar esa información para ayudar de verdad a una persona.

66
00:04:13,900 --> 00:04:15,040
¿Entendido el problema?

67
00:04:15,580 --> 00:04:20,860
Entonces, si añadir más y más datos no era la solución, ¿cuál fue su propuesta?

68
00:04:21,300 --> 00:04:24,040
Porque suena a un problema casi filosófico.

69
00:04:24,400 --> 00:04:29,200
Pues su solución fue sorprendentemente elegante y, viéndolo ahora, casi de sentido común.

70
00:04:29,540 --> 00:04:29,900
A ver.

71
00:04:30,480 --> 00:04:34,940
Propusieron un método de entrenamiento en tres fases que no se basaba en más datos de Internet,

72
00:04:34,940 --> 00:04:37,240
sino en la opinión humana.

73
00:04:37,580 --> 00:04:38,940
En enseñar al modelo a base de…

74
00:04:39,040 --> 00:04:40,540
De criterio y preferencia.

75
00:04:40,840 --> 00:04:43,840
Me intriga eso de enseñarle con criterio.

76
00:04:44,320 --> 00:04:46,820
¿Cómo funciona exactamente el primer paso?

77
00:04:47,100 --> 00:04:49,840
El primer paso lo llamaron ajuste fino supervisado.

78
00:04:50,280 --> 00:04:53,160
Lo que hicieron fue contratar a un equipo de etiquetadores humanos…

79
00:04:53,160 --> 00:04:53,880
¿Personas, vaya?

80
00:04:54,000 --> 00:04:57,740
Sí, personas, para crear un conjunto de datos de altísima calidad.

81
00:04:58,440 --> 00:04:59,860
Este conjunto tenía dos partes.

82
00:05:00,280 --> 00:05:03,400
Por un lado, una serie de instrucciones muy variadas…

83
00:05:03,400 --> 00:05:04,660
¿De dónde las sacaban?

84
00:05:04,660 --> 00:05:06,260
Algunas las escribían ellos,

85
00:05:06,660 --> 00:05:08,900
otras eran peticiones reales de usuarios a la app…

86
00:05:09,040 --> 00:05:17,460
Y, por otro lado, los etiquetadores escribían a mano la respuesta que ellos considerarían ideal para cada una de esas instrucciones.

87
00:05:17,820 --> 00:05:24,420
Ah, o sea que, en lugar de soltarlo en la biblioteca infinita de Internet para que aprenda por su cuenta…

88
00:05:24,420 --> 00:05:24,960
Exacto.

89
00:05:24,960 --> 00:05:27,260
¿Le dieron un manual de buenos ejemplos?

90
00:05:27,380 --> 00:05:35,320
¿Es como enseñarle a un estudiante no solo con los libros de texto, sino mostrándole los mejores exámenes, los de matrícula de honor, para que vea a qué debe aspirar?

91
00:05:35,360 --> 00:05:36,320
Has captado la esencia.

92
00:05:36,800 --> 00:05:38,960
Es una forma de anclar todo ese conocimiento abstracto.

93
00:05:39,040 --> 00:05:42,020
Y gigantesco a ejemplos concretos de excelencia.

94
00:05:42,360 --> 00:05:44,000
Pero esto es solo el calentamiento.

95
00:05:44,120 --> 00:05:44,500
Ah, ¿sí?

96
00:05:44,700 --> 00:05:49,260
Es en el segundo paso donde la cosa se vuelve mucho más sofisticada y, para mí, brillante.

97
00:05:49,400 --> 00:05:50,540
Pues adelante, cuéntamelo.

98
00:05:50,840 --> 00:05:53,900
El paso 12 es entrenar un modelo de recompensa.

99
00:05:54,560 --> 00:06:02,040
Aquí tomaron el modelo que ya habían ajustado en el paso 1 y, para una misma instrucción, le pidieron que generara varias respuestas distintas.

100
00:06:02,700 --> 00:06:03,060
Vale.

101
00:06:03,480 --> 00:06:05,500
Digamos entre 4 y 9.

102
00:06:05,500 --> 00:06:06,940
Y aquí viene la magia.

103
00:06:06,940 --> 00:06:10,080
Los etiquetadores humanos no tenían que escribir nada.

104
00:06:10,340 --> 00:06:13,140
Solo tenían que ordenar esas respuestas de mejor a peor.

105
00:06:13,260 --> 00:06:13,520
Ah.

106
00:06:13,880 --> 00:06:18,420
La respuesta A es mejor que la C, que, a su vez, es mejor que la D y la B.

107
00:06:18,560 --> 00:06:19,040
Un ranking.

108
00:06:19,300 --> 00:06:19,740
Entiendo.

109
00:06:19,960 --> 00:06:21,220
Aquí la clave es el matiz.

110
00:06:21,780 --> 00:06:25,880
Ya no es un simple esto está bien, sino que le dan una clasificación completa.

111
00:06:26,500 --> 00:06:30,140
Esta respuesta es genial, esta es aceptable, esta otra es bastante mala.

112
00:06:30,300 --> 00:06:30,700
Justo.

113
00:06:30,840 --> 00:06:34,860
Con eso, el sistema puede aprender lo que es la preferencia, la sutileza.

114
00:06:34,860 --> 00:06:36,860
Le están enseñando a tener buen gusto.

115
00:06:37,280 --> 00:06:38,060
Por así decirlo.

116
00:06:38,140 --> 00:06:38,600
Exacto.

117
00:06:38,760 --> 00:06:46,280
Ese conjunto de datos, con miles y miles de comparaciones, se usa para entrenar a un segundo modelo de IA, uno completamente distinto.

118
00:06:46,380 --> 00:06:47,680
¿Y qué hace ese segundo modelo?

119
00:06:47,860 --> 00:06:50,880
Su única misión en la vida es actuar como un juez.

120
00:06:51,300 --> 00:06:58,360
Se le llama modelo de recompensa y aprende a predecir para cualquier par de respuestas cuál de ellas preferiría un humano.

121
00:06:59,040 --> 00:07:00,440
Internaliza el juicio humano.

122
00:07:00,760 --> 00:07:03,940
Se convierte en una especie de crítico de IA automatizado.

123
00:07:04,620 --> 00:07:05,060
Justo.

124
00:07:05,060 --> 00:07:06,920
Y es la pieza clave del último paso.

125
00:07:07,240 --> 00:07:10,100
Y ese último paso es el que lo une todo, imagino.

126
00:07:10,480 --> 00:07:10,920
Precisamente.

127
00:07:11,300 --> 00:07:13,580
El paso 3 es el que da nombre a toda la técnica.

128
00:07:14,220 --> 00:07:16,880
Aprendizaje por refuerzo con retroalimentación humana.

129
00:07:16,960 --> 00:07:19,820
El famoso RLHF, por sus siglas en inglés.

130
00:07:20,000 --> 00:07:20,460
Ese mismo.

131
00:07:20,980 --> 00:07:25,880
Aquí cogen el modelo de lenguaje original y lo ponen a jugar contra el juez que acabamos de crear.

132
00:07:26,420 --> 00:07:29,340
El modelo recibe una instrucción nueva, genera una respuesta.

133
00:07:29,540 --> 00:07:30,800
Y el juez le pone nota.

134
00:07:31,060 --> 00:07:31,480
Eso es.

135
00:07:31,920 --> 00:07:36,480
El modelo de recompensa le da una puntuación, una recompensa.

136
00:07:36,940 --> 00:07:40,680
Y el objetivo del modelo de lenguaje, a partir de ahí, es simple.

137
00:07:41,380 --> 00:07:45,080
Aprender a generar respuestas que maximicen esa puntuación.

138
00:07:45,740 --> 00:07:47,480
Es un bucle constante de mejora.

139
00:07:47,480 --> 00:07:52,700
El modelo prueba algo, el juez le dice frío, frío o caliente, caliente.

140
00:07:53,200 --> 00:07:55,940
Y el modelo ajusta su estrategia para la siguiente vez.

141
00:07:56,300 --> 00:07:56,480
Sí.

142
00:07:57,560 --> 00:08:04,580
Pasa de ser un simple loro que repite patrones a ser un asistente que intenta activamente dar la mejor respuesta posible.

143
00:08:05,120 --> 00:08:06,560
Un cambio de paradigma brutal.

144
00:08:06,940 --> 00:08:08,340
Has dado en el clavo.

145
00:08:09,040 --> 00:08:14,880
La genialidad está en traducir un concepto tan subjetivo y humano como una buena respuesta

146
00:08:14,880 --> 00:08:20,820
en una señal matemática, una recompensa, que una máquina puede entender y optimizar.

147
00:08:21,360 --> 00:08:23,800
Suena increíblemente bien en la teoría.

148
00:08:24,380 --> 00:08:27,880
Pero la pregunta del millón es, ¿funcionó tan bien en la práctica?

149
00:08:28,300 --> 00:08:29,480
¿Cuáles fueron los resultados?

150
00:08:30,020 --> 00:08:31,360
Los resultados no fueron buenos.

151
00:08:31,760 --> 00:08:33,260
Fueron espectaculares.

152
00:08:33,540 --> 00:08:36,920
Y hubo un dato que dejó a toda la comunidad de IA con la boca abierta.

153
00:08:37,200 --> 00:08:37,680
¿Cuál?

154
00:08:38,080 --> 00:08:43,140
En las evaluaciones a ciegas, donde los humanos comparaban respuestas sin saber de qué modelo venían,

155
00:08:43,680 --> 00:08:47,740
las respuestas del modelo InstructGPT de 1.300 millones de parámetros…

156
00:08:47,740 --> 00:08:48,700
El pequeño, digamos.

157
00:08:48,880 --> 00:08:49,680
El pequeño, sí.

158
00:08:50,160 --> 00:08:57,140
Eran preferidas, de forma consistente, a las del gigantesco y todopoderoso GPT-3 de 175.000 millones de parámetros.

159
00:08:57,620 --> 00:08:58,460
Espera un momento.

160
00:08:59,040 --> 00:09:04,380
¿Me estás diciendo que un modelo 100 veces más pequeño era considerado mejor por la gente?

161
00:09:04,660 --> 00:09:05,340
100 veces, sí.

162
00:09:05,520 --> 00:09:06,440
¿Esto rompe?

163
00:09:06,440 --> 00:09:08,380
¿Esto rompe por completo la lógica que imperaba?

164
00:09:08,760 --> 00:09:12,900
O sea, ¿que el sector entero estaba corriendo una maratón en la dirección equivocada?

165
00:09:13,160 --> 00:09:14,880
Les pilló totalmente por sorpresa.

166
00:09:15,140 --> 00:09:21,620
Mientras todos presumían de músculo, de tamaño, OpenAI se centró en la técnica, en la inteligencia real.

167
00:09:21,880 --> 00:09:26,960
Fue la demostración empírica de que la alineación es más importante que la escala bruta.

168
00:09:27,280 --> 00:09:32,580
De repente, la clave para una IA útil no era tener el superordenador más grande del mundo…

169
00:09:32,580 --> 00:09:34,100
Sino ser el mejor profesor.

170
00:09:34,300 --> 00:09:34,820
Exacto.

171
00:09:34,820 --> 00:09:41,160
Y esa elección es la que ha hecho posible que hoy cualquiera pueda tener una conversación coherente con una IA desde su móvil.

172
00:09:41,520 --> 00:09:46,280
Abrió la puerta a crear IAs más eficientes, más baratas y, sobre todo, más seguras.

173
00:09:46,520 --> 00:09:50,000
Y no era solo una cuestión de que las respuestas gustaran más, ¿verdad?

174
00:09:50,580 --> 00:09:53,060
El paper menciona otras mejoras muy concretas.

175
00:09:53,300 --> 00:09:54,520
Sí. Y no solo eso.

176
00:09:55,100 --> 00:09:59,440
Los modelos Instruct GPT mostraron mejoras muy significativas en veracidad.

177
00:09:59,820 --> 00:10:01,960
Dicho de otro modo, inventaban menos cosas.

178
00:10:02,140 --> 00:10:02,820
Las famosas alucinaciones.

179
00:10:03,620 --> 00:10:04,140
Exacto.

180
00:10:04,140 --> 00:10:05,140
Las redujeron drásticamente.

181
00:10:06,400 --> 00:10:11,560
Y, además, se observó una caída en picado en la generación de textos tóxicos u ofensivos.

182
00:10:12,140 --> 00:10:17,420
El entrenamiento con preferencias humanas lo empujó de forma natural hacia respuestas más seguras y fiables.

183
00:10:17,700 --> 00:10:23,040
Entiendo que lo hicieron más amable y seguro, pero a mí eso me suena a que lo caparon un poco.

184
00:10:23,700 --> 00:10:29,580
Al especializarlo tanto en ser útil y correcto, ¿no perdió potencia o versatilidad por el camino?

185
00:10:30,160 --> 00:10:31,340
Es una pregunta fundamental.

186
00:10:31,740 --> 00:10:33,420
Y los propios investigadores se la hicieron.

187
00:10:34,140 --> 00:10:34,840
Fue un gran riesgo.

188
00:10:35,380 --> 00:10:35,640
Claro.

189
00:10:35,940 --> 00:10:41,520
Pero la respuesta que encontraron fue que el modelo tuvo una regresión mínima en su rendimiento en las tareas académicas estándar.

190
00:10:41,780 --> 00:10:44,860
Es decir, no se volvió tonto por aprender a ser más útil y seguro.

191
00:10:45,240 --> 00:10:45,640
Ah, bien.

192
00:10:45,960 --> 00:10:53,360
Mantuvo casi toda su potencia y su conocimiento enciclopédico, pero ahora sabía cómo aplicarlos de una manera mucho más centrada en lo que el usuario necesitaba.

193
00:10:53,980 --> 00:10:54,460
Fascinante.

194
00:10:55,240 --> 00:10:59,480
Mejoraba en utilidad, veracidad y seguridad sin un coste significativo.

195
00:10:59,900 --> 00:11:03,900
A pesar de todo, algo que me llama la atención es que el propio paper es muy humilde.

196
00:11:04,700 --> 00:11:07,020
Admite que aún comete errores simples.

197
00:11:07,440 --> 00:11:08,820
No lo venden como la panacea.

198
00:11:09,060 --> 00:11:13,000
Y esa honestidad es, para mí, una de las grandes virtudes del trabajo.

199
00:11:13,540 --> 00:11:15,600
Son muy transparentes con las limitaciones.

200
00:11:16,220 --> 00:11:17,500
¿Qué tipo de limitaciones?

201
00:11:18,060 --> 00:11:28,960
Pues que el modelo alineado todavía podía equivocarse en una suma básica, podía generar información falsa si se le insistía o a veces seguía instrucciones dañinas si se le pedían con picaresca.

202
00:11:28,960 --> 00:11:32,220
Y los sesgos de los propios etiquetadores, imagino.

203
00:11:32,300 --> 00:11:32,800
Por supuesto.

204
00:11:34,140 --> 00:11:37,680
Los sesgos de las personas que habían definido lo que era una buena respuesta.

205
00:11:38,080 --> 00:11:44,320
O sea, no lo presentan como el destino final, sino más bien como el mapa que señala un nuevo camino a seguir.

206
00:11:44,660 --> 00:11:45,140
Exactamente.

207
00:11:45,600 --> 00:11:51,560
Lo describen como una dirección prometedora para alinear los modelos de lenguaje con la intención humana.

208
00:11:52,060 --> 00:11:53,460
Y vaya si fue prometedora.

209
00:11:53,460 --> 00:12:00,740
Visto en perspectiva, el método que describen, el RLHF, se ha convertido en el estándar absoluto de la industria.

210
00:12:00,740 --> 00:12:05,620
Es la receta que han seguido todos los grandes modelos de chat que conocemos y usamos hoy.

211
00:12:05,900 --> 00:12:14,260
Este paper no solo nos dio un producto, InstructGPT, sino que regaló al mundo una metodología que ha definido esta era de la IA.

212
00:12:14,580 --> 00:12:15,140
Totalmente.

213
00:12:15,540 --> 00:12:26,280
En resumen, si tuviéramos que quedarnos con una sola idea clave de este trabajo de 2022, sería que la calidad de una IA no depende de su tamaño, sino de lo bien alineada que esté con nosotros.

214
00:12:26,280 --> 00:12:30,280
Y que el método para lograrlo pasa por enseñarle, con paciencia y buenos ejemplos…

215
00:12:30,900 --> 00:12:32,560
¿Qué es lo que valoramos los humanos?

216
00:12:32,740 --> 00:12:33,020
Claro.

217
00:12:33,480 --> 00:12:36,620
Y esto nos abre una puerta a una conversación mucho más profunda, ¿no?

218
00:12:36,660 --> 00:12:37,560
¿A qué te vejeres?

219
00:12:37,800 --> 00:12:46,360
Si este método fue tan eficaz para enseñar a una IA a ser más útil y veraz, ¿qué otros valores y matices del comportamiento humano podríamos enseñarle?

220
00:12:47,020 --> 00:12:52,020
La discusión dejó de ser puramente técnica y pasó a ser sobre utilidad, seguridad y valores.

221
00:12:52,460 --> 00:12:56,620
Pasamos de preguntarnos qué pueden hacer a qué deberían hacer.

222
00:12:56,880 --> 00:12:57,320
Justo.

223
00:12:57,460 --> 00:13:00,720
Y para cerrar, creo que merece la pena dejar una reflexión en el aire.

224
00:13:00,740 --> 00:13:06,200
Mire, todo este sistema se basa en un grupo de personas que deciden qué respuesta es mejor.

225
00:13:06,460 --> 00:13:07,900
Sí, ahí está el debate.

226
00:13:08,520 --> 00:13:15,020
Pero, ¿qué ocurre cuando los propios humanos no nos ponemos de acuerdo sobre lo que es verdadero, útil o correcto?

227
00:13:15,440 --> 00:13:21,040
Este trabajo no solo abrió un pamino tecnológico, sino también un profundo debate filosófico.

228
00:13:21,260 --> 00:13:23,240
¿Sobre qué valores y los valores de quién?

229
00:13:23,620 --> 00:13:27,300
Estamos grabando a fuego en la inteligencia artificial que definirá nuestro futuro.

230
00:13:27,720 --> 00:13:28,240
Exacto.

231
00:13:28,720 --> 00:13:30,140
Un tema fascinante.

232
00:13:30,140 --> 00:13:30,720
Desde luego.

233
00:13:30,740 --> 00:13:39,240
Mañana, en esta serie de BIMPRAXIS, continuaremos nuestro viaje por la historia de la IA con otro paper que, de nuevo, cambió las reglas del juego.

234
00:13:39,840 --> 00:13:40,700
No se lo pierdan.

235
00:13:41,140 --> 00:13:42,140
Va a ser muy interesante.

236
00:13:43,020 --> 00:13:44,120
Gracias por acompañarnos.

237
00:13:55,080 --> 00:13:59,140
Y hasta aquí el episodio de hoy. Muchas gracias por tu atención.

238
00:14:08,850 --> 00:14:13,190
Esto es BIMPRAXIS. Nos escuchamos en el próximo episodio.