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
00:00:28,950 --> 00:00:29,630
¡Empezamos!

4
00:00:37,120 --> 00:00:41,540
Bienvenidos a una entrega que es, bueno, yo diría que muy especial para nosotros.

5
00:00:42,060 --> 00:00:45,040
Sí, la verdad es que sí, es un día importante.

6
00:00:45,040 --> 00:00:51,280
Hoy cerramos nuestra serie, los papers que cambiaron la historia de la IA, que sabemos que os ha gustado mucho.

7
00:00:51,620 --> 00:00:54,800
Y la cerramos por todo lo alto, con algo un poco diferente.

8
00:00:55,120 --> 00:01:00,400
Totalmente, porque hoy no vamos a analizar un único paper histórico, como veníamos haciendo.

9
00:01:00,680 --> 00:01:05,100
No, hoy hacemos algo distinto. Es que nos ha picado el gusanillo de la investigación.

10
00:01:05,620 --> 00:01:12,340
Así que, bueno, durante los últimos meses, el equipo de BIMPRAXIS se ha sumergido a fondo en la vanguardia más absoluta de la IA.

11
00:01:12,340 --> 00:01:15,020
Y cuando dice a fondo, no es una forma de hablar.

12
00:01:15,040 --> 00:01:15,940
Para nada.

13
00:01:16,180 --> 00:01:20,380
Hemos analizado cerca de 40 artículos científicos de primerísimo nivel.

14
00:01:20,620 --> 00:01:28,280
Todos publicados desde el verano de 2025 hasta hoy mismo, 7 de enero de 2026. Vamos, lo más reciente de lo reciente.

15
00:01:28,520 --> 00:01:34,660
El objetivo era, era detectar la corriente de fondo, ¿no? Hacia dónde va todo esto.

16
00:01:35,040 --> 00:01:42,940
Exacto. Y la hemos encontrado. No es una idea aislada en un paper. Es una convergencia clarísima en casi todos los trabajos.

17
00:01:42,940 --> 00:01:44,940
¿Y el concepto que lo define todo?

18
00:01:45,040 --> 00:01:47,260
Todo es la IA autoevolutiva.

19
00:01:47,660 --> 00:01:52,420
Justo eso. Una IA que se programa, se corrige y se mejora a sí misma.

20
00:01:52,940 --> 00:01:56,480
Suena a ciencia ficción, la verdad, pero vamos a ver que no lo es para nada.

21
00:01:57,040 --> 00:02:01,460
Y para que se entienda bien, nos vamos a centrar en el mejor ejemplo que hemos encontrado.

22
00:02:01,680 --> 00:02:05,040
Un agente de codificación de Google DeepMind llamado AlphaEvolve.

23
00:02:05,820 --> 00:02:10,280
Vale, vamos a desgranar esto. ¿Qué es exactamente este agente evolutivo?

24
00:02:10,280 --> 00:02:14,960
A primera vista, una podría pensar que es simplemente otro modelo de lenguaje.

25
00:02:15,040 --> 00:02:17,120
Grande. Otro LLM más.

26
00:02:17,540 --> 00:02:18,740
Pero no, es mucho más.

27
00:02:19,160 --> 00:02:27,380
Eso parece. AlphaEvolve no es un LLM, sino un sistema completo que orquesta a varios LLMs para que trabajen juntos.

28
00:02:27,620 --> 00:02:31,360
Ah, o sea que es como un director de orquesta.

29
00:02:31,940 --> 00:02:42,020
Es una buena analogía, sí. Es una cadena de montaje autónoma y su única misión es coger un programa y mejorarlo, haciendo cambios directamente en su código.

30
00:02:42,380 --> 00:02:45,020
La palabra clave entonces es evolutivo.

31
00:02:45,040 --> 00:02:52,880
Evolutivo. Suena muy potente. Pero, siendo un poco cínica, ¿no es solo un bucle de prueba y error a toda velocidad?

32
00:02:53,420 --> 00:02:59,340
Es una pregunta buenísima. O hay algo más que lo haga realmente evolutivo en un sentido más profundo.

33
00:02:59,800 --> 00:03:07,920
Ahí está el cambio de juego. Sí, es un proceso iterativo, de proponer y probar. Pero la clave es cómo aprende de ese feedback.

34
00:03:07,920 --> 00:03:14,240
Claro. Propone un cambio, unos evaluadores automáticos le dan una nota, le dicen si ha sido una mejora o no,

35
00:03:14,240 --> 00:03:18,240
y el sistema usa esa información para que la siguiente propuesta sea más inteligente.

36
00:03:19,100 --> 00:03:22,340
O sea, no es un ensayo y error ciego, para nada. Es dirigido.

37
00:03:22,680 --> 00:03:30,660
Precisamente. Es una evolución sobre sistemas anteriores, como FoundSearch, que ya eran una pasada, pero estaban más limitados.

38
00:03:31,160 --> 00:03:32,460
¿Y cuál es la gran diferencia?

39
00:03:32,820 --> 00:03:38,640
La escala y la complejidad. FoundSearch era un genio descubriendo pequeñas funciones, fragmentos de código.

40
00:03:38,640 --> 00:03:47,500
Alfa Evolve puede coger una base de código entera con docenas de funciones que interactúan entre sí, y reescribirla de arriba a abajo para hacerla mejor.

41
00:03:47,500 --> 00:03:56,500
Vale. El concepto general lo tengo. Pero suena casi a magia. ¿Cómo es ese proceso por dentro? ¿Cómo empieza una de esas vueltas de mejora?

42
00:03:56,500 --> 00:04:06,400
Pues el punto de partida es humano. Un programador le da tres cosas. El programa que quiere mejorar, el código que servirá para evaluar si las mejoras funcionan…

43
00:04:06,400 --> 00:04:07,500
¿El juez, por así decirlo?

44
00:04:07,500 --> 00:04:08,500
Exacto.

45
00:04:08,500 --> 00:04:14,500
El juez, y algunas configuraciones. A partir de ahí, se pone en marcha el bucle de descubrimiento.

46
00:04:14,840 --> 00:04:21,100
Y el primer paso es que el sistema se inspire en sí mismo, ¿no? El muestreador de prompts.

47
00:04:21,460 --> 00:04:21,980
Correcto.

48
00:04:22,220 --> 00:04:32,160
En lugar de empezar de cero, mira las versiones del código que ya han funcionado bien, y construye una petición, un prompt, muy detallado para los LLMs.

49
00:04:32,300 --> 00:04:38,160
Eso es. Y ese es un paso crucial. Con esos prompts tan ricos en contexto, los LLMs…

50
00:04:38,500 --> 00:04:44,120
…entran en juego. Y ojo, no generan el programa entero de nuevo, que sería muy ineficiente.

51
00:04:44,300 --> 00:04:46,380
Ah, no. ¿Qué generan, entonces?

52
00:04:46,580 --> 00:04:47,800
Generan un diff.

53
00:04:48,120 --> 00:04:55,420
¿Un diff? Para quien no venga del mundo del desarrollo, eso es como las sugerencias de edición de un documento de Word, ¿verdad?

54
00:04:55,520 --> 00:04:56,840
Es la analogía perfecta.

55
00:04:56,900 --> 00:05:02,200
No reescribe el texto, solo te dice, borra esta frase, añade esta otra aquí.

56
00:05:02,580 --> 00:05:08,480
Justo eso. Es una instrucción precisa de qué líneas cambiar. Ese diff se aplica, se crea un código, y se pone en marcha el bucle de descubrimiento.

57
00:05:08,480 --> 00:05:13,200
Se crea un nuevo programa candidato, y el juez automático lo evalúa y le da una puntuación.

58
00:05:13,400 --> 00:05:14,820
¿Y si la puntuación es buena?

59
00:05:15,140 --> 00:05:19,860
Se guarda. En una especie de salón de la fama de los mejores programas encontrados hasta ahora.

60
00:05:20,120 --> 00:05:28,120
Y ese salón de la fama es lo que alimenta al muestrador de prompts para la siguiente vuelta. Es un ciclo de retroalimentación perfecto.

61
00:05:28,380 --> 00:05:36,500
Exacto. Se va siendo más inteligente en cada iteración. En cada vuelta, parte de una base mejor y pide las cosas de una forma más informada.

62
00:05:36,820 --> 00:05:38,460
Entiendo el bucle, pero me da la sensación…

63
00:05:38,480 --> 00:05:43,720
Me da la sensación de que falta algo. ¿Qué evita que se quede dando vueltas sobre la misma idea una y otra vez?

64
00:05:43,940 --> 00:05:44,660
Buena pregunta.

65
00:05:44,980 --> 00:05:48,480
¿Hay algún truco, algún ingrediente secreto que lo haga tan potente?

66
00:05:48,620 --> 00:05:53,640
Los hay. Y son la clave de su éxito. El primero es una genialidad llamada metaprompts.

67
00:05:54,180 --> 00:05:54,620
¿Metaprompts?

68
00:05:54,860 --> 00:06:02,900
Sí. Aquí la cosa se vuelve recursiva. El propio sistema no solo evoluciona el código, sino que también evoluciona los prompts con los que pide las mejoras.

69
00:06:03,120 --> 00:06:08,400
Espera, espera. ¿Cómo? ¿La IA aprende a pedirse las cosas a sí misma de mejor manera?

70
00:06:08,740 --> 00:06:19,700
Justo eso. Es como si un escritor no solo mejorara su novela, sino que también aprendiera a darse a sí mismo las instrucciones perfectas para inspirarse. Es una optimización a dos niveles.

71
00:06:20,120 --> 00:06:26,620
Eso es fascinante. Y he visto que otro de los trucos es que no usan un único tipo de LLM.

72
00:06:26,740 --> 00:06:33,920
Es una decisión muy inteligente, sí. Combinan modelos grandes y potentes, que son caros, con modelos más pequeños y baratos.

73
00:06:34,120 --> 00:06:34,740
¿Y eso por qué?

74
00:06:34,740 --> 00:06:37,620
Los grandes aportan la calidad, la coherencia.

75
00:06:38,480 --> 00:06:44,440
Los pequeños inyectan variedad, una especie de creatividad ingenua o ruido inteligente.

76
00:06:44,760 --> 00:06:49,960
A veces, una sugerencia un poco rara de un modelo pequeño es lo que saca al sistema de un atasco.

77
00:06:50,160 --> 00:06:54,760
¿Un atasco? ¿Te refieres a eso que en los papers llaman máximo local?

78
00:06:55,520 --> 00:07:03,140
Exacto. Un máximo local es cuando el sistema encuentra una solución que es bastante buena, y cualquier pequeño cambio que intenta la empeora.

79
00:07:03,440 --> 00:07:04,400
Y se queda ahí, claro.

80
00:07:04,400 --> 00:07:08,400
Se queda ahí, pensando que ha llegado a la cima, cuando en realidad hay una montaña.

81
00:07:08,480 --> 00:07:12,300
Una montaña mucho más alta. Una solución mucho mejor, más lejos.

82
00:07:12,640 --> 00:07:16,000
Y los modelos pequeños le dan el empujón para salir de ahí.

83
00:07:16,300 --> 00:07:21,100
Eso es. Con sus ideas extrañas, a veces le ayudan a salir de ese valle y seguir buscando.

84
00:07:21,500 --> 00:07:27,420
Entendido. ¿Y el tercer ingrediente es el feedback? Que no es solo un número, una puntuación.

85
00:07:27,800 --> 00:07:36,600
Efectivamente. Además de la nota objetiva del juez, se pueden usar otros LLMs para que den feedback sobre cosas más abstractas, más humanas.

86
00:07:36,760 --> 00:07:37,400
¿Como por ejemplo?

87
00:07:37,400 --> 00:07:38,120
Por ejemplo.

88
00:07:38,480 --> 00:07:43,220
Lorenzi, el código nuevo es más simple, más elegante o más fácil de entender que el anterior.

89
00:07:43,420 --> 00:07:52,320
Ah, qué bueno. O sea que guía la evolución no solo hacia soluciones que funcionan, sino hacia soluciones que son buenas, en un sentido más amplio.

90
00:07:52,600 --> 00:07:53,080
Precisamente.

91
00:07:53,320 --> 00:08:01,740
Vale. Y toda esta arquitectura tan sofisticada no es teoría. Ha conseguido resultados que son, literalmente, históricos.

92
00:08:02,220 --> 00:08:04,080
Sí, aquí es donde la cosa se pone seria.

93
00:08:04,460 --> 00:08:07,820
Hablemos del primer granito, el de la multiplicación de matrices.

94
00:08:08,480 --> 00:08:09,660
¿Cómo es para enmarcarlo?

95
00:08:10,000 --> 00:08:14,260
Es un problema central en computación. Vamos, de los que se estudian en primero de carrera.

96
00:08:14,800 --> 00:08:19,320
Y desde 1969, el algoritmo de Strassen era el rey.

97
00:08:19,680 --> 00:08:22,640
Un momento. ¿Has dicho 1969?

98
00:08:23,840 --> 00:08:30,700
1969. Durante 56 años, nadie había conseguido mejorarlo para un caso muy concreto.

99
00:08:31,340 --> 00:08:35,020
La multiplicación de matrices complejas de 4x4. Era un techo.

100
00:08:35,520 --> 00:08:36,640
56 años.

101
00:08:36,640 --> 00:08:36,740
56 años.

102
00:08:36,740 --> 00:08:39,600
Y entiendo que Alfa y Wolf se puso a ello.

103
00:08:39,920 --> 00:08:43,560
Se puso a ello y descubrió un procedimiento completamente nuevo.

104
00:08:44,100 --> 00:08:48,220
El método de Strassen necesitaba 49 multiplicaciones para resolverlo.

105
00:08:48,480 --> 00:08:49,300
¿Y Alfa y Wolf?

106
00:08:49,540 --> 00:08:52,600
Alfa y Wolf encontró la manera de hacerlo con 48.

107
00:08:53,000 --> 00:09:02,220
Una. Parece un paso pequeño, pero romper un récord que ha durado más de medio siglo es una barbaridad. Es un hito monumental.

108
00:09:02,220 --> 00:09:03,600
Y no es un caso aislado.

109
00:09:03,600 --> 00:09:11,220
De los 54 tipos de multiplicaciones que analizaron, igualó las mejores soluciones conocidas en 38 casos.

110
00:09:11,480 --> 00:09:12,180
¿Y en el resto?

111
00:09:12,580 --> 00:09:18,900
Y encontró un método superior en 14 de ellos. Es una demostración de fuerza bruta y descubrimiento.

112
00:09:19,140 --> 00:09:24,600
Y no se queda ahí. También lo han enfrentado a problemas matemáticos puros, de esos que llevan décadas abiertos.

113
00:09:25,320 --> 00:09:33,000
Sí, y los resultados son igual de alucinantes. Lo probaron con más de 50 problemas de campos como el análisis, la combinatoria, la geometría.

114
00:09:33,000 --> 00:09:33,280
¿Y en la matemática?

115
00:09:33,280 --> 00:09:33,380
Sí.

116
00:09:33,380 --> 00:09:33,580
¿Y en la matemática?

117
00:09:33,580 --> 00:09:36,100
En la mayoría de casos redescubrió lo que ya sabíamos, ¿no?

118
00:09:36,360 --> 00:09:44,180
En el 75% de los casos, sí. Redescubrió por sí solo las mejores soluciones que ya conocíamos. Lo cual ya es impresionante.

119
00:09:44,360 --> 00:09:46,000
Pero, ¿y el otro 25%?

120
00:09:46,340 --> 00:09:56,900
Ahí es donde está la magia. En el 20% de los problemas, uno de cada cinco, Alfa y Wolf descubrió un objeto matemático nuevo y mejor que cualquiera conocido hasta la fecha.

121
00:09:57,300 --> 00:09:59,140
O sea, mejoró el estado del arte.

122
00:09:59,580 --> 00:10:03,360
Exacto. Por ejemplo, consiguió refinar ligeramente el límite superior de la matemática.

123
00:10:03,360 --> 00:10:08,360
El límite superior del problema del solapamiento mínimo de ER2. Un problema con muchísima historia.

124
00:10:09,040 --> 00:10:12,840
Son pequeñas victorias que demuestran una capacidad de descubrimiento genuina.

125
00:10:13,200 --> 00:10:17,720
Esto nos lleva a las aplicaciones prácticas, que es donde se ve el impacto real.

126
00:10:18,360 --> 00:10:21,540
¿Cómo se está usando esto ya dentro de un gigante como Google?

127
00:10:21,860 --> 00:10:24,500
Aquí es donde la cosa se traduce en millones de dólares.

128
00:10:25,140 --> 00:10:28,220
Google gestiona sus centros de datos con un sistema llamado BORG.

129
00:10:28,220 --> 00:10:33,220
Es un problema de planificación colosal, lo que se conoce como beanpacking.

130
00:10:33,520 --> 00:10:36,820
Beanpacking. Como jugar al Tetris a una escala demencial, ¿no?

131
00:10:37,000 --> 00:10:38,660
Es la mejor forma de explicarlo, sí.

132
00:10:38,960 --> 00:10:47,540
Tienes que meter piezas de trabajo, que necesitan CPU y memoria, en las cajas que son los servidores, intentando no dejar huecos.

133
00:10:47,820 --> 00:10:55,960
Y la eficiencia aquí es crítica. Pues usaron Alfa y Wolf para optimizar la fórmula, la heurística que decide dónde va cada pieza del Tetris.

134
00:10:56,200 --> 00:10:56,860
¿Y qué encontró?

135
00:10:57,100 --> 00:11:01,240
Descubrió una función sorprendentemente simple, de apenas siete líneas de código.

136
00:11:01,240 --> 00:11:10,740
Pero implementar esa pequeña fórmula ha supuesto una recuperación continua del 0,7% de los recursos computacionales de toda la flota de servidores de Google.

137
00:11:11,140 --> 00:11:18,380
Espera, para un momento. El 0,7% suena a poco, pero en la escala de Google. ¿De qué estamos hablando?

138
00:11:18,660 --> 00:11:22,080
Estamos hablando de una cifra de ahorro y eficiencia absolutamente descomunal.

139
00:11:22,340 --> 00:11:22,940
Me lo imagino.

140
00:11:22,940 --> 00:11:29,980
Y hay un detalle importantísimo. En los informes cuentan que había una alternativa basada en Deep Reinforcement Learning,

141
00:11:29,980 --> 00:11:33,840
que también funcionaba bien, pero prefirieron la de Alfa y Wolf.

142
00:11:34,240 --> 00:11:34,720
¿Por qué?

143
00:11:35,000 --> 00:11:40,760
Porque la solución de Deep Learning era una caja negra. Funcionaba, pero nadie sabía muy bien por qué.

144
00:11:41,240 --> 00:11:49,040
La de Alfa y Wolf era una fórmula en código, interpretable, fácil de depurar y segura de implementar en un sistema tan crítico como Borg.

145
00:11:49,320 --> 00:11:55,380
Claro. A veces la mejor solución no es la más compleja, sino la más elegante y comprensible.

146
00:11:55,640 --> 00:11:56,200
Totalmente.

147
00:11:56,200 --> 00:11:57,300
Es un punto clave.

148
00:11:57,780 --> 00:11:59,960
Pero la cosa se vuelve todavía más loca.

149
00:11:59,980 --> 00:12:06,480
La recursividad de todo esto es vertiginosa. También se usó para acelerar la propia IA, ¿no es así?

150
00:12:06,780 --> 00:12:14,700
Es el ejemplo perfecto del ciclo de automejora. Alfa y Wolf optimizó esos algoritmos de multiplicación de matrices que comentábamos antes.

151
00:12:14,900 --> 00:12:15,240
Ajá.

152
00:12:15,420 --> 00:12:22,300
A entrenar a Gemini, el LLM, que a su vez es uno de los motores del propio Alfa y Wolf.

153
00:12:22,640 --> 00:12:25,380
O sea que la IA se está acelerando a sí misma.

154
00:12:25,380 --> 00:12:29,860
Se está acelerando a sí misma. No solo mejora el software de los centros de datos.

155
00:12:30,340 --> 00:12:32,660
Mejora el software que la entrena a ella misma.

156
00:12:33,060 --> 00:12:34,000
Es increíble.

157
00:12:34,220 --> 00:12:36,260
Y no solo el software, también el hardware.

158
00:12:36,900 --> 00:12:42,860
Encontró simplificaciones en el diseño de los circuitos de los aceleradores de hardware de Google, los TPUs.

159
00:12:43,140 --> 00:12:50,020
O sea que está optimizando el software de gestión, el software de entrenamiento y el chip sobre el que todo eso corre.

160
00:12:50,560 --> 00:12:52,020
Cierra el círculo por completo.

161
00:12:52,360 --> 00:12:53,140
Cierra el círculo.

162
00:12:53,400 --> 00:12:55,720
Entonces, ¿qué significa todo esto?

163
00:12:56,360 --> 00:12:59,540
Está claro que no se trata solo de que una IA resuelva problemas.

164
00:12:59,980 --> 00:13:01,900
Es la versatilidad con la que lo hace.

165
00:13:02,420 --> 00:13:02,900
Exacto.

166
00:13:02,900 --> 00:13:06,160
Puede buscar una solución directa, como la fórmula para Borg.

167
00:13:06,520 --> 00:13:09,800
O puede encontrar un programa que construya esa solución.

168
00:13:10,400 --> 00:13:17,700
O, y esto ya es el siguiente nivel, puede evolucionar un algoritmo de búsqueda para que sea ese algoritmo el que encuentre la solución.

169
00:13:18,180 --> 00:13:21,300
Es una capacidad de abstracción a múltiples niveles.

170
00:13:22,020 --> 00:13:24,340
Y esto nos lleva directamente a la siguiente pregunta.

171
00:13:25,160 --> 00:13:28,340
¿Cuál es nuestro papel, el de los humanos, en todo esto?

172
00:13:28,660 --> 00:13:29,000
Claro.

173
00:13:29,000 --> 00:13:29,060
¿Por qué no?

174
00:13:29,060 --> 00:13:29,100
¿Por qué no?

175
00:13:29,100 --> 00:13:29,420
¿Por qué no?

176
00:13:29,420 --> 00:13:31,620
Porque la idea no es reemplazar, sino colaborar.

177
00:13:32,080 --> 00:13:36,940
Los descubrimientos de Alpha Evolve no son un punto final, son el punto de partida.

178
00:13:37,300 --> 00:13:39,340
¿Colaboración con humanos o con otras IAs?

179
00:13:39,620 --> 00:13:40,140
Con ambos.

180
00:13:40,700 --> 00:13:43,300
Ya se está viendo un ecosistema de IAs especialistas.

181
00:13:43,740 --> 00:13:49,360
Por ejemplo, un nuevo objeto matemático que descubre Alpha Evolve se le puede pasar a otra IA llamada DeepThink.

182
00:13:49,540 --> 00:13:50,360
¿Para que lo analice?

183
00:13:50,560 --> 00:13:54,020
Para que intente encontrar una fórmula general que explique el patrón.

184
00:13:54,020 --> 00:13:58,940
Y esa fórmula, a su vez, se le puede enviar a una tercera IA, Alpha Proof,

185
00:13:58,940 --> 00:14:02,540
para que genere una prueba matemática formal y rigurosa.

186
00:14:03,340 --> 00:14:03,980
Alucinante.

187
00:14:04,560 --> 00:14:07,180
Un equipo de investigación formado por IAs.

188
00:14:07,540 --> 00:14:08,740
Y supervisado por humanos.

189
00:14:09,520 --> 00:14:12,980
Hay una anécdota fantástica sobre el problema de empaquetar hexágonos.

190
00:14:13,680 --> 00:14:20,860
Alpha Evolve encontró la mejor forma conocida de meter 11 y 12 hexágonos pequeños dentro de uno grande, batiendo el récord.

191
00:14:21,240 --> 00:14:21,580
Vale.

192
00:14:21,820 --> 00:14:26,760
Pero la solución que encontró, aunque era la más eficiente, no era perfectamente simétrica.

193
00:14:26,760 --> 00:14:28,760
Algo que a un matemático le chirriaría.

194
00:14:28,940 --> 00:14:29,740
Y lo haría inmediatamente.

195
00:14:30,300 --> 00:14:32,420
La belleza y la simetría son importantes.

196
00:14:32,980 --> 00:14:33,460
Exacto.

197
00:14:33,720 --> 00:14:39,080
Un matemático, Johann Schellhorn, vio la solución y se dio cuenta de que con un pequeño ajuste manual,

198
00:14:39,280 --> 00:14:44,020
un toque de intuición humana, podía hacerla perfectamente simétrica, sin perder nada de eficiencia.

199
00:14:44,240 --> 00:14:46,320
Es la prueba de que la combinación es la clave.

200
00:14:46,600 --> 00:14:47,400
Esa es la clave.

201
00:14:47,980 --> 00:14:53,880
La combinación de la fuerza de búsqueda casi infinita de la IA con la intuición humana para la estética y la simplicidad

202
00:14:53,880 --> 00:14:55,780
es donde está el verdadero potencial.

203
00:14:56,260 --> 00:14:58,780
Lo que nos deja con una reflexión final...

204
00:14:58,940 --> 00:15:01,940
Es una reflexión total que es casi obligatoria.

205
00:15:01,940 --> 00:15:06,940
Hemos visto una IA que optimiza el software que la entrena y el hardware sobre el que corre.

206
00:15:06,940 --> 00:15:13,940
Si una IA puede mejorar de forma autónoma y recurrente sus propios algoritmos y la infraestructura que la soporta,

207
00:15:13,940 --> 00:15:15,940
¿qué implicaciones tiene esto a largo plazo?

208
00:15:15,940 --> 00:15:17,940
Esa es la gran pregunta.

209
00:15:17,940 --> 00:15:22,940
Estamos en la primera etapa de un ciclo de automejora que podría volverse exponencial.

210
00:15:22,940 --> 00:15:26,940
No tenemos la respuesta, pero la tendencia que hemos identificado en estos 40 artículos,

211
00:15:26,940 --> 00:15:28,940
apunta a que esta pregunta ya no es ciencia.

212
00:15:28,940 --> 00:15:30,940
Es un problema de ingeniería.

213
00:15:30,940 --> 00:15:33,940
Es un problema de ingeniería a corto y medio plazo.

214
00:15:33,940 --> 00:15:36,940
La IA autoevolutiva no es una promesa.

215
00:15:36,940 --> 00:15:39,940
Es una tendencia tangible que ya está aquí.

216
00:15:39,940 --> 00:15:43,940
Y está produciendo resultados que superan décadas de investigación humana.

217
00:15:43,940 --> 00:15:48,940
Ha sido un viaje increíble a través de los papers que cambiaron la historia de la IA.

218
00:15:48,940 --> 00:15:51,940
Y sólo podemos daros las gracias por habernos acompañado.

219
00:15:51,940 --> 00:15:52,940
Desde luego.

220
00:15:52,940 --> 00:15:53,940
Pero que nadie se confunda.

221
00:15:53,940 --> 00:15:57,940
Que acabe la serie no significa que se acaben nuestras exploraciones en BIMPRAXIS.

222
00:15:57,940 --> 00:15:58,940
Ni mucho menos.

223
00:15:58,940 --> 00:15:59,940
Para nada.

224
00:15:59,940 --> 00:16:01,940
El campo de la IA avanza a una velocidad de locos.

225
00:16:01,940 --> 00:16:02,940
Y seguiremos aquí.

226
00:16:02,940 --> 00:16:08,940
Con el microscopio puesto sobre las publicaciones más relevantes para destilarlas y entenderlas juntos.

227
00:16:08,940 --> 00:16:12,940
De hecho, para la próxima entrega ya tenemos preparado un contenido fascinante

228
00:16:12,940 --> 00:16:17,940
sobre una herramienta que está cambiando las reglas del juego en cómo accedemos al conocimiento.

229
00:16:17,940 --> 00:16:19,940
Una herramienta que está en boca de todos en el sector.

230
00:16:19,940 --> 00:16:20,940
Y con razón.

231
00:16:20,940 --> 00:16:26,940
Una herramienta que, os lo aseguro, os va a dejar perplejos.

232
00:16:26,940 --> 00:16:28,940
Se capta la indirecta.

233
00:16:28,940 --> 00:16:41,240
Y hasta aquí el episodio de hoy.

234
00:16:41,240 --> 00:16:43,240
Muchas gracias por tu atención.

235
00:16:45,240 --> 00:16:54,510
Esto es BIMPRAXIS.

236
00:16:54,510 --> 00:16:57,510
Nos escuchamos en el próximo episodio.