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
00:00:37,460 --> 00:00:40,400
Bienvenidas y bienvenidos a un nuevo análisis.

5
00:00:41,100 --> 00:00:46,000
Hoy es un día especial porque llegamos al número 18 de la serie que BIMPRAXIS dedica a

6
00:00:46,000 --> 00:00:48,480
los papers que cambiaron la historia de la IA.

7
00:00:49,040 --> 00:00:53,060
Y bueno, con este nos adentramos en territorio casi desconocido.

8
00:00:53,600 --> 00:00:57,500
Creo que es la primera vez que analizamos un artículo del futuro.

9
00:00:58,000 --> 00:01:00,780
Es que es increíble. Lo estaba mirando antes de empezar.

10
00:01:01,280 --> 00:01:06,760
El artículo principal que vamos a desgranar hoy tiene fecha de publicación de julio de 2025.

11
00:01:07,660 --> 00:01:09,040
Estamos a meses de distancia.

12
00:01:09,500 --> 00:01:09,940
Ya, ya.

13
00:01:10,680 --> 00:01:13,780
Nos estamos acercando peligrosamente al final de la serie, ¿no es así?

14
00:01:14,300 --> 00:01:15,440
Peligrosamente es la palabra.

15
00:01:16,000 --> 00:01:21,540
La historia, o en este caso el futuro, nos está pisando los talones, literalmente.

16
00:01:22,160 --> 00:01:26,100
Normalmente miramos al pasado, pero es que hoy el presente casi nos ha alcanzado.

17
00:01:26,340 --> 00:01:27,680
La historia nos atropella.

18
00:01:28,340 --> 00:01:32,860
Pues precisamente por eso, porque la escala de la IA avanza a esta velocidad de vértigo,

19
00:01:33,460 --> 00:01:36,480
hoy nos sumergimos en un concepto clave para poder manejarla.

20
00:01:37,080 --> 00:01:38,740
La destilación de conocimiento.

21
00:01:39,200 --> 00:01:41,920
Un término que es una casi alquimia, ¿verdad?

22
00:01:41,920 --> 00:01:45,920
Pero que es fundamental para que la IA no sea solo cosa de superordenación,

23
00:01:46,000 --> 00:01:48,000
sino algo que podamos llevar en el bolsillo.

24
00:01:48,000 --> 00:01:49,000
Exacto.

25
00:01:49,000 --> 00:01:51,000
Nuestra misión de hoy.

26
00:01:51,000 --> 00:01:53,000
Entender qué es eso de destilar conocimiento,

27
00:01:53,000 --> 00:01:56,000
por qué es vital para los gigantescos modelos de lenguaje actuales,

28
00:01:56,000 --> 00:02:02,000
y cómo esta técnica del futuro cercano propone hacerlo de una forma radicalmente más eficiente.

29
00:02:02,000 --> 00:02:04,000
Y para eso tenemos dos fuentes, ¿no?

30
00:02:04,000 --> 00:02:05,000
Sí.

31
00:02:05,000 --> 00:02:08,000
Contamos con un artículo general que nos va a dar las bases,

32
00:02:08,000 --> 00:02:12,000
y el ya mencionado paper de 2025 que nos mostrará la vanguardia absoluta.

33
00:02:12,000 --> 00:02:13,000
Rimbombante.

34
00:02:13,000 --> 00:02:15,000
Es sorprendentemente intuitiva.

35
00:02:15,000 --> 00:02:16,000
¿Verdad?

36
00:02:16,000 --> 00:02:20,000
Se basa en una de las formas de aprendizaje más antiguas que existen.

37
00:02:20,000 --> 00:02:22,000
¿La del maestro y del aprendiz?

38
00:02:22,000 --> 00:02:23,000
Justo.

39
00:02:23,000 --> 00:02:24,000
Vale, me gusta por dónde vas.

40
00:02:24,000 --> 00:02:29,000
Imaginemos un modelo de IA enorme, potentísimo, que ha costado millones entrenar.

41
00:02:29,000 --> 00:02:31,000
Ese sería nuestro profesor.

42
00:02:31,000 --> 00:02:32,000
Eso es.

43
00:02:32,000 --> 00:02:35,000
Y luego tenemos un modelo mucho más pequeño, ágil,

44
00:02:35,000 --> 00:02:38,000
que queremos que sea igual de listo, pero sin tanto coste.

45
00:02:38,000 --> 00:02:39,000
Nuestro alumno.

46
00:02:39,000 --> 00:02:40,000
Exacto.

47
00:02:40,000 --> 00:02:44,000
El objetivo no es que el alumno se aprenda de memoria las respuestas del profesor.

48
00:02:44,000 --> 00:02:45,000
El objetivo es que el profesor aprenda de memoria las respuestas del profesor.

49
00:02:45,000 --> 00:02:49,000
El objetivo es que el profesor le enseñe su forma de pensar, su intuición.

50
00:02:49,000 --> 00:02:53,000
Me viene a la mente la analogía del chef que usan las fuentes.

51
00:02:53,000 --> 00:02:56,000
Un chef experto no sólo le da la receta a su aprendiz.

52
00:02:56,000 --> 00:02:57,000
No, claro.

53
00:02:57,000 --> 00:03:01,000
Le enseña a oler los ingredientes, a sentir la textura de la masa.

54
00:03:01,000 --> 00:03:06,000
Le explica por qué añade una pizca de sal justo en ese momento y no en otro.

55
00:03:06,000 --> 00:03:08,000
Le transmite el porqué de las cosas.

56
00:03:08,000 --> 00:03:10,000
Has dado en el clavo.

57
00:03:10,000 --> 00:03:13,000
Y esa transmisión de la intuición es la clave.

58
00:03:13,000 --> 00:03:16,000
Porque el motivo para hacer esto es la pura y dura eficiencia.

59
00:03:16,000 --> 00:03:19,000
Los modelos grandes son carísimos.

60
00:03:19,000 --> 00:03:20,000
Carísimos y lentos.

61
00:03:20,000 --> 00:03:21,000
Muy lentos.

62
00:03:21,000 --> 00:03:27,000
Me recuerda cuando usas una de esas apps de IA en el móvil que tardan una eternidad en generar una imagen.

63
00:03:27,000 --> 00:03:28,000
Totalmente.

64
00:03:28,000 --> 00:03:31,000
Supongo que la destilación intenta solucionar eso a gran escala, ¿no?

65
00:03:31,000 --> 00:03:33,000
Poder tener esa potencia sin la espera.

66
00:03:33,000 --> 00:03:34,000
Exacto.

67
00:03:34,000 --> 00:03:41,000
La destilación permite crear modelos más pequeños que se pueden ejecutar en hardware menos potente, como un teléfono,

68
00:03:41,000 --> 00:03:44,000
pero conservando gran parte de la sabiduría del modelo grande.

69
00:03:44,000 --> 00:03:49,000
Y aquí es importante la distinción que hacen las fuentes, que no es simplemente compresión de modelos.

70
00:03:49,000 --> 00:03:50,000
No, no lo es.

71
00:03:50,000 --> 00:03:55,000
No estamos cogiendo el modelo grande y comprimiéndolo como si fuera un archivo zip.

72
00:03:55,000 --> 00:03:56,000
Para nada.

73
00:03:56,000 --> 00:04:01,000
Estamos entrenando un modelo completamente nuevo y distinto para que aprenda del grande.

74
00:04:01,000 --> 00:04:04,000
Es un proceso de enseñanza, no de compresión.

75
00:04:04,000 --> 00:04:06,000
Es una diferencia fundamental.

76
00:04:06,000 --> 00:04:07,000
Vale.

77
00:04:07,000 --> 00:04:08,000
La idea está clara.

78
00:04:08,000 --> 00:04:10,000
Pero aquí viene la pregunta del Millén.

79
00:04:10,000 --> 00:04:15,000
¿Cómo se transfiere algo tan etéreo como la intuición de una máquina a otra?

80
00:04:15,000 --> 00:04:22,000
Pues aquí es donde el paper de Hinton de 2015, que es la referencia clave en este campo, dio un golpe de genialidad.

81
00:04:22,000 --> 00:04:25,000
El truco está en lo que llaman las salidas suaves.

82
00:04:25,000 --> 00:04:26,000
¿Salidas suaves?

83
00:04:26,000 --> 00:04:28,000
A ver, explícame eso.

84
00:04:28,000 --> 00:04:35,000
Un modelo normal, si le enseño la foto de mi perro, me dirá con un 99% de seguridad, esto es un perro.

85
00:04:35,000 --> 00:04:37,000
Una respuesta dura.

86
00:04:37,000 --> 00:04:38,000
Exacto.

87
00:04:38,000 --> 00:04:39,000
Pero el modelo profesor no es así.

88
00:04:39,000 --> 00:04:46,000
El modelo profesor, aplicando un truco matemático llamado temperatura, puede dar una respuesta con muchos más matices.

89
00:04:46,000 --> 00:04:49,000
En lugar de esa certeza casi absoluta, podría decir…

90
00:04:49,000 --> 00:04:50,000
Algo como…

91
00:04:50,000 --> 00:04:53,000
Estoy un 70% seguro de que es un perro.

92
00:04:53,000 --> 00:05:00,000
Pero ojo, porque tiene un 20% de rasgos que me recuerdan a un lobo y quizá un 10% que podrían ser de un zorro.

93
00:05:00,000 --> 00:05:01,000
Ah, vale.

94
00:05:01,000 --> 00:05:02,000
Ya lo veo.

95
00:05:02,000 --> 00:05:04,000
No solo le da la respuesta correcta.

96
00:05:04,000 --> 00:05:06,000
Le está diciendo al alumno…

97
00:05:06,000 --> 00:05:08,000
Mira, la respuesta es perro.

98
00:05:08,000 --> 00:05:11,000
Pero que sepas que lobo y zorro son conceptos relacionados.

99
00:05:11,000 --> 00:05:14,000
Son posibilidades remotas, pero no absurdas.

100
00:05:14,000 --> 00:05:17,000
Le está dando todo un mapa de relaciones semánticas.

101
00:05:17,000 --> 00:05:20,000
Y ese mapa es oro puro para el aprendizaje.

102
00:05:20,000 --> 00:05:26,000
El alumno no solo aprende la etiqueta correcta, sino que absorbe la capacidad de generalización del profesor.

103
00:05:26,000 --> 00:05:28,000
Aprende las sutilezas.

104
00:05:28,000 --> 00:05:33,000
O sea, el objetivo no es que memorice la respuesta, sino que aprenda el razonamiento del profesor.

105
00:05:33,000 --> 00:05:37,000
Su razonamiento, incluidas sus dudas, por así decirlo.

106
00:05:37,000 --> 00:05:41,000
Aprende que cosas son similares, aunque no sean la respuesta correcta.

107
00:05:41,000 --> 00:05:43,000
Y eso es lo que le da la verdadera flexibilidad.

108
00:05:43,000 --> 00:05:44,000
Fascinante.

109
00:05:44,000 --> 00:05:52,000
Y aunque suene a algo muy de ahora, las fuentes nos recuerdan que la idea de hacer las redes neuronales más eficientes viene de muy lejos.

110
00:05:52,000 --> 00:05:53,000
Sí.

111
00:05:53,000 --> 00:05:58,000
Los primeros intentos, dicen, son de los años 60, con técnicas de poda, de redes.

112
00:05:58,000 --> 00:06:01,000
La analogía era la de un jardinero, ¿no?

113
00:06:01,000 --> 00:06:05,000
Entranabas una red y luego podabas las conexiones menos útiles.

114
00:06:05,000 --> 00:06:06,000
Eso es.

115
00:06:06,000 --> 00:06:09,000
Y de la jardinería, pasamos a la neurocirugía.

116
00:06:09,000 --> 00:06:16,000
Porque en 1989, Jan LeCun, uno de los grandes, propuso un algoritmo con un nombre que es sencillamente genial.

117
00:06:16,000 --> 00:06:17,000
Optimal Brain Damage.

118
00:06:17,000 --> 00:06:19,000
Daño cerebral óptimo.

119
00:06:19,000 --> 00:06:21,000
Un nombre espectacular.

120
00:06:21,000 --> 00:06:22,000
Totalmente.

121
00:06:22,000 --> 00:06:24,000
Y la idea era muy elegante.

122
00:06:24,000 --> 00:06:31,000
En lugar de podar al azar, el algoritmo identificaba matemáticamente las conexiones menos importantes y las eliminaba.

123
00:06:31,000 --> 00:06:34,000
Como un cirujano que extirpa tejido no esencial.

124
00:06:34,000 --> 00:06:37,000
Y de ahí, el siguiente salto conceptual fue crucial.

125
00:06:37,000 --> 00:06:38,000
Sí.

126
00:06:38,000 --> 00:06:42,000
Si conectamos esto con el panorama general, vemos un cambio de paradigma.

127
00:06:42,000 --> 00:06:50,000
En los años 90, gente como Jürgen Schmidhuber ya estaba trabajando con configuraciones de redes profesor-alumno.

128
00:06:50,000 --> 00:06:52,000
Se pasó de arreglar una red a…

129
00:06:52,000 --> 00:06:56,000
A usar activamente una red para enseñar a otra desde cero.

130
00:06:56,000 --> 00:06:58,000
Ahí está el cambio de mentalidad.

131
00:06:58,000 --> 00:07:03,000
No es optimizar lo que tienes, es usarlo para crear algo nuevo y mejor adaptado.

132
00:07:03,000 --> 00:07:04,000
Correcto.

133
00:07:04,000 --> 00:07:08,000
El término compresión de modelos ya se usó en 2006.

134
00:07:08,000 --> 00:07:17,000
Pero fue el paper de Geoffrey Hinton y su equipo en 2015 el que realmente popularizó y formalizó lo que hoy llamamos destilación de conocimiento.

135
00:07:17,000 --> 00:07:18,000
Muy bien.

136
00:07:18,000 --> 00:07:20,000
La historia nos deja en 2015.

137
00:07:20,000 --> 00:07:24,000
Pero ahora estamos en la era de los GPT-4 y compañía.

138
00:07:24,000 --> 00:07:27,000
¿Qué significa todo esto para los gigantescos modelos de lenguaje?

139
00:07:27,000 --> 00:07:30,000
Y aquí entra nuestro paper de 2025.

140
00:07:30,000 --> 00:07:32,000
Aquí es donde el problema, como siempre…

141
00:07:32,000 --> 00:07:34,000
Es la escala.

142
00:07:34,000 --> 00:07:35,000
Una escala que marea.

143
00:07:35,000 --> 00:07:36,000
Totalmente.

144
00:07:36,000 --> 00:07:43,000
El vocabulario de un gran modelo de lenguaje puede tener decenas de miles de palabras.

145
00:07:43,000 --> 00:07:45,000
A veces, cientos de miles.

146
00:07:45,000 --> 00:07:55,000
Recordar esa respuesta suave del profesor para cada una de esas cien mil palabras, para cada ejemplo, es computacionalmente inviable.

147
00:07:55,000 --> 00:07:57,000
Es un cuello de botella.

148
00:07:57,000 --> 00:08:01,000
Tienes una idea genial, pero no la puedes aplicar donde más la necesitas porque es demasiado cara.

149
00:08:02,000 --> 00:08:04,000
¿Cómo se intentó solucionar esto?

150
00:08:04,000 --> 00:08:12,000
Pues el enfoque más obvio, que el propio paper llama ingenuo, es quedarse solo con las probabilidades más altas, el llamado Top K.

151
00:08:12,000 --> 00:08:19,000
A ver, o sea, en lugar de mirar las cien mil palabras, te quedas solo con, digamos, las cincuenta más probables.

152
00:08:19,000 --> 00:08:20,000
Exacto.

153
00:08:20,000 --> 00:08:21,000
Parece lógico, ¿no?

154
00:08:21,000 --> 00:08:23,000
Parece una buena aproximación.

155
00:08:23,000 --> 00:08:28,000
Pero los autores, Anshman y su equipo, demuestran que esto tiene dos problemas muy graves.

156
00:08:28,000 --> 00:08:30,000
El primero es que crea una estimación sesgada.

157
00:08:30,000 --> 00:08:32,000
Y eso lleva a una mala calibración.

158
00:08:32,000 --> 00:08:37,000
Murento, ¿quieres decir que el modelo se vuelve demasiado seguro de sí mismo?

159
00:08:37,000 --> 00:08:38,000
Sí.

160
00:08:38,000 --> 00:08:41,000
Yo pensaba que la confianza en la respuesta era algo bueno.

161
00:08:41,000 --> 00:08:43,000
¿Por qué es un problema?

162
00:08:43,000 --> 00:08:44,000
Es una pregunta excelente.

163
00:08:44,000 --> 00:08:46,000
Porque es contraintuitivo.

164
00:08:46,000 --> 00:08:49,000
El problema es que el modelo pierde la capacidad de dudar.

165
00:08:49,000 --> 00:08:51,000
Se vuelve un sabelotodo.

166
00:08:51,000 --> 00:08:56,000
Te dice, estoy cien por ciento seguro cuando su confianza real debería ser del sesenta.

167
00:08:56,000 --> 00:08:57,000
Ya.

168
00:08:57,000 --> 00:08:59,000
Y esa sobreconfianza es peligrosísima.

169
00:08:59,000 --> 00:09:04,000
Imagina un modelo de diagnóstico médico que está ciegamente seguro de un diagnóstico erróneo.

170
00:09:04,000 --> 00:09:05,000
Vale.

171
00:09:05,000 --> 00:09:06,000
Entendido.

172
00:09:06,000 --> 00:09:09,000
Es un exceso de confianza tóxico.

173
00:09:09,000 --> 00:09:12,000
¿Y cuál era el segundo problema del método TOPK?

174
00:09:12,000 --> 00:09:18,000
El segundo problema es que se pierde información crucial de lo que llaman la cola de la distribución.

175
00:09:18,000 --> 00:09:21,000
Te refieres a las palabras con probabilidad bajísima.

176
00:09:21,000 --> 00:09:22,000
Justo.

177
00:09:22,000 --> 00:09:26,000
Esas miles de palabras que parecen basurar individualmente no valen nada.

178
00:09:26,000 --> 00:09:28,000
Pero en conjunto contienen señales de aprendizaje.

179
00:09:28,000 --> 00:09:34,000
Tienen señales de aprendizaje valiosísimas sobre lo que el modelo considera imposible o muy improbable.

180
00:09:34,000 --> 00:09:36,000
¿Es como aprender tan bien lo que no se debe hacer?

181
00:09:36,000 --> 00:09:37,000
Exacto.

182
00:09:37,000 --> 00:09:40,000
Y si tiras esa información, el aprendizaje se empobrece.

183
00:09:40,000 --> 00:09:46,000
El dilema era, o un aprendizaje pobre y sesgado, o un coste inasumible.

184
00:09:46,000 --> 00:09:48,000
Parecía un callejón sin salida.

185
00:09:48,000 --> 00:09:52,000
Y es justo ahí donde los autores proponen su solución, que parece casi mágica.

186
00:09:52,000 --> 00:09:55,000
Radon Sampling Knowledge Distillation.

187
00:09:55,000 --> 00:09:57,000
Destilación por muestreo aleatorio.

188
00:09:57,000 --> 00:09:59,000
La analogía que usan es brillante.

189
00:09:59,000 --> 00:10:07,000
El método TOPK es como intentar entender la opinión de un país escuchando solo a las 50 personas que más gritan en una manifestación.

190
00:10:07,000 --> 00:10:10,000
Tendrás una visión muy intensa, pero completamente sesgada.

191
00:10:10,000 --> 00:10:11,000
Totalmente.

192
00:10:11,000 --> 00:10:16,000
Mientras que lo que ellos proponen es el equivalente a una encuesta electoral rigurosa.

193
00:10:16,000 --> 00:10:21,000
En lugar de los más ruidosos, toman una muestra aleatoria pero estadísticamente representativa.

194
00:10:21,000 --> 00:10:26,000
Y con unas pocas entrevistas bien elegidas, obtienes una idea muy precisa de lo que opina toda la multitud.

195
00:10:27,000 --> 00:10:28,000
Justo.

196
00:10:28,000 --> 00:10:32,000
Pasas de un sondeo de opinión sesgado a uno científicamente robusto.

197
00:10:32,000 --> 00:10:36,000
Y la base matemática de esto es el muestreo por importancia.

198
00:10:36,000 --> 00:10:38,000
¿Y cómo funciona? A grandes rasgos.

199
00:10:38,000 --> 00:10:46,000
Pues, a ver, es una técnica que permite obtener una estimación sin sesgos de una distribución completa usando muy, muy pocas muestras.

200
00:10:46,000 --> 00:10:52,000
El resultado es que el alumno aprende de una forma mucho más fiel al razonamiento completo del profesor.

201
00:10:52,000 --> 00:10:56,000
Capturando tanto las respuestas probables como la información de la cola larga.

202
00:10:56,000 --> 00:10:58,000
Exactamente.

203
00:10:58,000 --> 00:11:01,000
Necesitar miles de tokens a necesitar solo una docena de muestras.

204
00:11:01,000 --> 00:11:04,000
¿Doce tokens? Es una locura.

205
00:11:04,000 --> 00:11:10,000
Es que, para que nos hagamos una idea, es como intentar entender la opinión de un país encuestando solo a doce personas,

206
00:11:10,000 --> 00:11:17,000
pero elegidas de una forma tan inteligente que el resultado es casi perfecto. Eso es lo que lo hace viable.

207
00:11:17,000 --> 00:11:23,000
Y todo esto, dicen, con un coste computacional mínimo. Menos de un 10% de tiempo extra.

208
00:11:23,000 --> 00:11:25,000
Esto es lo que, por primera vez, hace que la destilación sea más fácil.

209
00:11:26,000 --> 00:11:30,000
Y que la solución para el preentrenamiento de LLMs sea una opción realista.

210
00:11:30,000 --> 00:11:33,000
Y los resultados de su evaluación lo confirman.

211
00:11:33,000 --> 00:11:39,000
El método no solo es eficiente, sino que mejora la calibración del modelo alumno, evitando esa sobreconfianza.

212
00:11:39,000 --> 00:11:46,000
Y funciona en modelos de distintos tamaños, de 300 millones a 3.000 millones de parámetros.

213
00:11:46,000 --> 00:11:49,000
Entonces, si lo resumimos, me quedo con dos ideas.

214
00:11:49,000 --> 00:11:55,000
La primera, que enseñar a una IA no es solo darle las respuestas correctas, sino enseñarle a dudar correctamente.

215
00:11:55,000 --> 00:11:57,000
Me gusta esa forma de verlo.

216
00:11:57,000 --> 00:12:05,000
Y la segunda, que gracias a métodos como este, ahora podemos hacerlo de forma tan eficiente que podría cambiar el modelo económico del desarrollo de IA.

217
00:12:05,000 --> 00:12:12,000
Totalmente. Podríamos pasar de un mundo donde todos intentan construir profesores gigantes y carísimos,

218
00:12:12,000 --> 00:12:19,000
a un mundo con unos pocos profesores fundacionales y millones de alumnos baratos, eficientes e hiperespecializados.

219
00:12:19,000 --> 00:12:22,000
Y el impacto de esto en el día a día puede ser enorme.

220
00:12:22,000 --> 00:12:24,000
Sin duda. Esta investigación es una pieza clara.

221
00:12:25,000 --> 00:12:29,000
Una pieza clave para la democratización real de la IA.

222
00:12:29,000 --> 00:12:34,000
Permite empaquetar la potencia de modelos gigantescos en formatos mucho más pequeños.

223
00:12:34,000 --> 00:12:36,000
Para que funcionen en nuestros dispositivos.

224
00:12:36,000 --> 00:12:43,000
Exacto. En un teléfono, en un portátil, abriendo la puerta a traductores en tiempo real realmente potentes en tu móvil,

225
00:12:43,000 --> 00:12:48,000
o a herramientas de diagnóstico sofisticadas en clínicas rurales sin conexión a la nube.

226
00:12:48,000 --> 00:12:53,000
Antes de terminar, tenemos un pequeño anuncio sobre nuestra programación.

227
00:12:53,000 --> 00:12:59,000
Como hemos notado, la complejidad de estos temas que tratamos requiere un análisis cada vez más profundo.

228
00:12:59,000 --> 00:13:05,000
Y para mantener la alta calidad que nos exigimos en cada entrega, pues hemos decidido ajustar nuestro calendario.

229
00:13:05,000 --> 00:13:09,000
Sencillamente, necesitamos más tiempo para investigar y preparar cada análisis a fondo.

230
00:13:09,000 --> 00:13:14,000
Por eso, a partir de la próxima semana, dejaremos de tener una frecuencia diaria.

231
00:13:14,000 --> 00:13:20,000
Publicaremos tres análisis por semana. Los lunes, los miércoles y los viernes.

232
00:13:20,000 --> 00:13:25,000
Esperamos que este nuevo ritmo nos permita ofrecerles un contenido aún mejor y más pulido.

233
00:13:25,000 --> 00:13:30,000
Y ahora sí, para despedirnos, dejamos una reflexión que sale del paper de hoy.

234
00:13:30,000 --> 00:13:36,000
El artículo se centra en hacer eficiente al modelo alumno. Pero esto plantea una pregunta interesante.

235
00:13:36,000 --> 00:13:38,000
A ver.

236
00:13:38,000 --> 00:13:47,000
Si nos volvemos extremadamente buenos destilando conocimiento, ¿podría el futuro de la IA centrarse menos en construir profesores cada vez más grandes

237
00:13:47,000 --> 00:13:49,000
y más en crear incontables alumnos hiperspecializados?

238
00:13:50,000 --> 00:13:55,000
¿Todos destilados a partir de un único y colosal modelo fundacional?

239
00:13:55,000 --> 00:14:00,000
¿Cómo sería un mundo con un solo gran profesor y millones de alumnos expertos en tareas concretas?

240
00:14:00,000 --> 00:14:05,000
Ahí queda la pregunta. Gracias por acompañarnos en este análisis.

241
00:14:05,000 --> 00:14:20,340
Y hasta aquí el episodio de hoy. Muchas gracias por tu atención.

242
00:14:20,340 --> 00:14:33,920
Esto es BIMPRAXIS. Nos escuchamos en el próximo episodio.