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
00:00:37,090 --> 00:00:44,490
Bueno, acaba de aparecer en escena una nueva empresa de inteligencia artificial que parece sacada de una novela de ciencia ficción.

5
00:00:45,350 --> 00:00:46,030
Totalmente.

6
00:00:46,030 --> 00:00:54,790
Se llama Thinking Machines Lab. La funda Mira Murati, la exdirectora de tecnología de OpenEI. Y atención a la cifra.

7
00:00:55,130 --> 00:00:57,290
Uf, la cifra es de locos.

8
00:00:57,590 --> 00:01:03,250
Han recaudado 2.000 millones de dólares. 2.000 millones en una ronda semilla.

9
00:01:03,550 --> 00:01:08,150
Y eso les da una valoración de 12.000 millones. Antes de tener nada.

10
00:01:08,510 --> 00:01:10,070
Antes de tener un producto público.

11
00:01:10,330 --> 00:01:11,630
Es una auténtica locura.

12
00:01:11,630 --> 00:01:14,370
Y fíjate, no estamos hablando de inversores de medio pelo.

13
00:01:14,370 --> 00:01:21,290
La lista incluye a gigantes como NVIDIA, Andreessen Horowitz, ACIZ, Cisco, AMD.

14
00:01:21,710 --> 00:01:28,510
Cuando ellos apuestan tan fuerte y tan pronto por algo, no es una simple inversión. Es una declaración de intenciones.

15
00:01:28,670 --> 00:01:33,870
Es una señal. Una señal muy clara de que ahí se está cociendo algo que podría cambiar las reglas del juego.

16
00:01:34,110 --> 00:01:40,270
Justo. Totalmente. Pero su comunicación inicial ha sido, bueno, increíblemente críptica.

17
00:01:40,810 --> 00:01:42,370
Muy misteriosa. Sí.

18
00:01:42,370 --> 00:01:44,370
Han lanzado una web que es...

19
00:01:44,370 --> 00:01:51,870
Básicamente una pantalla en blanco y tweets hablando de IA multimodal y de la forma desordenada en que colaboramos.

20
00:01:52,170 --> 00:01:53,230
Muy abstracto todo.

21
00:01:53,470 --> 00:01:55,890
Así que hoy vamos a hacer precisamente eso, ¿no?

22
00:01:56,230 --> 00:02:04,890
Vamos a desentrañar qué es Thinking Machines Lab y sobre todo analizar a fondo su primer producto que acaban de lanzar, llamado Tinker.

23
00:02:05,210 --> 00:02:09,370
A ver si es un nuevo chatbot, un competidor de OpenAI o...

24
00:02:09,370 --> 00:02:10,930
O algo radicalmente distinto.

25
00:02:11,210 --> 00:02:12,830
Esa es la pregunta del Millén.

26
00:02:12,830 --> 00:02:21,710
Vamos a sumergirnos en los documentos técnicos y en los detalles que han ido saliendo para entender qué hay detrás de esta inversión monumental y de tanto secretismo.

27
00:02:21,990 --> 00:02:23,850
De acuerdo. Pues vamos a desgranarlo.

28
00:02:24,070 --> 00:02:29,850
Lo primero que hay que entender sobre Thinking Machines Lab es que su objetivo no es crear otro modelo de lenguaje.

29
00:02:30,150 --> 00:02:31,350
No. No van por ahí.

30
00:02:31,550 --> 00:02:40,430
Su misión declarada es mucho más fundamental. Quieren atacar de raíz dos de los mayores desafíos de la IA. La consistencia y el razonamiento.

31
00:02:40,430 --> 00:02:42,510
Y esto es absolutamente crucial.

32
00:02:42,830 --> 00:02:48,850
Cuando hablamos de consistencia en IA, a ver, nos referimos a algo que parece muy básico, pero que no lo es.

33
00:02:49,110 --> 00:02:49,910
¿A qué exactamente?

34
00:02:50,270 --> 00:03:00,330
A la capacidad de un modelo para dar resultados fiables, predecibles, que no te dé una respuesta brillante un día y una completamente ilógica al día siguiente con una pregunta parecida.

35
00:03:00,750 --> 00:03:06,010
Claro. Porque de nada sirve tener una IA que sea un genio el lunes y el martes se vuelve un completo idiota.

36
00:03:06,490 --> 00:03:06,970
Exacto.

37
00:03:07,250 --> 00:03:09,770
Nadie se subiría a un coche autónomo que funcionase así.

38
00:03:10,030 --> 00:03:12,810
Justo. Piensa en un sistema de diagnóstico médico.

39
00:03:12,830 --> 00:03:18,370
En análisis financieros, para tomar decisiones de miles de millones, o en la conducción autónoma.

40
00:03:18,770 --> 00:03:20,150
Aplicaciones de alto riesgo.

41
00:03:20,550 --> 00:03:30,830
Efectivamente. No puedes tener un sistema que a veces acierta y a veces improvisa o se vuelve impredecible. La fiabilidad lo es todo. Por eso su misión es tan ambiciosa.

42
00:03:31,770 --> 00:03:34,990
Quieren que la IA no solo sea creativa, sino también confiable.

43
00:03:35,270 --> 00:03:42,010
Y para lograrlo han reunido a un equipo que es, literalmente, el Dream Team que hizo posible ChatGPT.

44
00:03:42,010 --> 00:03:44,690
Ahí quería llegar. No es solo Mira Murati.

45
00:03:44,950 --> 00:03:55,510
Para nada. Han fichado a gente como John Shulman, cofundador de OpenAI, y una de las mentes clave detrás de las técnicas que hacen que ChatGPT parezca tan, bueno, tan humano.

46
00:03:55,570 --> 00:03:56,750
Uf, palabras mayores.

47
00:03:57,130 --> 00:04:06,770
Es que cuando juntas a ese nivel de talento, con esa misión tan clara, y con 2.000 millones de dólares, pues todo el sector de la IA se para a escuchar con mucha atención.

48
00:04:06,870 --> 00:04:11,770
Bien. Entonces, con esa misión de crear una IA más fiable, lanzan superiores.

49
00:04:12,010 --> 00:04:15,950
El primer producto, Tinker. Y al principio hubo mucha confusión, ¿no?

50
00:04:16,570 --> 00:04:17,010
Muchísima.

51
00:04:17,250 --> 00:04:24,190
La gente esperaba un competidor directo de ChatGPT o de Cloud. Pero resulta que no tiene nada que ver.

52
00:04:24,490 --> 00:04:30,770
Nada que ver. Tinker no es un producto para el consumidor final. No es una app con la que te pones a hablar.

53
00:04:31,370 --> 00:04:34,450
Y aquí está la clave para entender la revolución que proponen.

54
00:04:34,850 --> 00:04:35,170
A ver.

55
00:04:35,170 --> 00:04:41,450
No se trata de hacer un ChatGPT un poco mejor. Se trata de permitir que un hospital cree un radiólogo de IA

56
00:04:42,010 --> 00:04:47,510
y a cualquier humano, o que un bufete de abogados entrena a un experto en patentes que no comete errores.

57
00:04:47,590 --> 00:04:51,410
O sea, es el paso del sabelotodo generalista al genio especialista.

58
00:04:51,930 --> 00:04:54,850
Exacto. Y eso es un cambio de paradigma total.

59
00:04:55,050 --> 00:05:00,350
O sea, no nos dan el plato cocinado, sino que nos ofrecen la cocina para que cada uno se prepare su receta.

60
00:05:00,550 --> 00:05:02,710
Mmm. Esa analogía es perfecta.

61
00:05:02,710 --> 00:05:08,590
He leído que es como el paso de los ordenadores mainframe de los 70, que solo tenían las grandes instituciones,

62
00:05:09,070 --> 00:05:11,970
a la llegada de los ordenadores personales que democratizaron.

63
00:05:12,010 --> 00:05:16,250
Es una analogía buenísima. Pero con un matiz importante.

64
00:05:17,250 --> 00:05:21,930
Tinker no es una herramienta mágica que crea un modelo de IA a partir de una idea.

65
00:05:22,090 --> 00:05:23,650
Ah, ¿no es pulsar un botón y ya?

66
00:05:23,890 --> 00:05:29,930
No. No le dices créame un experto en derecho mercantil y funciona. Requiere conocimientos técnicos.

67
00:05:30,370 --> 00:05:30,650
Vale.

68
00:05:31,370 --> 00:05:36,190
Siguiendo con la metáfora, Tinker te proporciona una cocina industrial de última generación.

69
00:05:36,670 --> 00:05:39,930
Te da la infraestructura, los clústeres de GPUs, la potencia de cálculo…

70
00:05:39,930 --> 00:05:41,930
Todo lo que es carísimo…

71
00:05:42,010 --> 00:05:43,770
… y complicadísimo de gestionar.

72
00:05:43,950 --> 00:05:49,790
Justo. Pero el usuario tiene que traer dos cosas fundamentales. Los ingredientes, que son sus datos…

73
00:05:49,790 --> 00:05:50,470
Y la receta.

74
00:05:50,890 --> 00:05:52,530
¿Y la receta? ¿Qué es su código?

75
00:05:52,770 --> 00:06:00,490
Entiendo. El objetivo, entonces, es que un investigador o un desarrollador pueda centrarse solo en su algoritmo y en la calidad de sus datos.

76
00:06:00,770 --> 00:06:01,290
Exacto.

77
00:06:01,450 --> 00:06:08,330
Y se olvide de la pesadilla que es gestionar el hardware la fiabilidad de cientos de GPUs en paralelo. Toda esa orquestación.

78
00:06:08,690 --> 00:06:11,930
Precisamente. Quieren que el talento se dedique a la ciencia.

79
00:06:12,010 --> 00:06:13,910
No a ser administrador de sistemas.

80
00:06:14,050 --> 00:06:14,250
Claro.

81
00:06:14,910 --> 00:06:23,110
Hablé con una de las primeras investigadoras que lo usó y me contó que llevaba meses atascada intentando configurar un clúster para un experimento.

82
00:06:23,430 --> 00:06:25,650
Con Tinker, lo tuvo funcionando en una tarde.

83
00:06:25,930 --> 00:06:26,250
¡Qué bueno!

84
00:06:26,610 --> 00:06:33,270
Su frase fue, sentí que me habían quitado una mochila llena de piedras de encima y por fin podía volver a hacer ciencia.

85
00:06:33,530 --> 00:06:40,950
¡Qué pasada! Y lo fascinante es que, a pesar de toda esa complejidad que gestionan por debajo, la interacción parece increíblemente sencilla.

86
00:06:41,050 --> 00:06:41,170
Sí.

87
00:06:41,170 --> 00:06:41,990
¿El usuario?

88
00:06:42,010 --> 00:06:49,630
El usuario escribe un script en Python como si lo ejecutaran su propio ordenador y toda la magia negra ocurre en la nube.

89
00:06:50,070 --> 00:06:59,250
Así es. Como decíamos, el usuario aporta su receta. Y esta receta tiene tres elementos. Primero, eliges un modelo base.

90
00:06:59,550 --> 00:07:00,570
Ah, no empiezas de cero.

91
00:07:00,870 --> 00:07:10,310
No, sería prohibitivamente caro. Escoges un modelo de código abierto potente, como Lama de Meta o Cuen de Alihuabá, y lo usas como punto de partida.

92
00:07:10,310 --> 00:07:11,590
¿Y lo personalizas?

93
00:07:12,010 --> 00:07:22,990
Lo personalizas con una técnica muy eficiente llamada Lora, que en lugar de modificar todo el modelo, entrena una especie de adaptador muy pequeño. Es mucho más rápido y barato.

94
00:07:23,450 --> 00:07:27,870
Vale. Tienes la base. Luego, los ingredientes, que son los datos…

95
00:07:27,870 --> 00:07:39,170
El componente más importante. El usuario es responsable de sus datos. Y aquí es donde se crea la especialización. Y un detalle muy importante. Garantizan total privacidad.

96
00:07:39,530 --> 00:07:40,190
¿En qué sentido?

97
00:07:40,190 --> 00:07:47,310
Los datos de un cliente se usan exclusivamente para entrenar su modelo. Nunca para los de Thinking Machines ni para los de otros clientes.

98
00:07:47,610 --> 00:07:56,650
Pero ese método de entrenar con datos, por ejemplo, con aprendizaje supervisado, dándole pares de pregunta-respuesta, suena increíblemente laborioso, ¿no?

99
00:07:56,850 --> 00:07:57,430
Uf, sí.

100
00:07:57,530 --> 00:08:03,770
¿No hay una forma más inteligente de que la IA aprenda, quizá por su cuenta, sin que tengamos que darle todo masticado?

101
00:08:03,770 --> 00:08:06,990
Es una pregunta excelente y toca el corazón del asunto.

102
00:08:07,450 --> 00:08:10,010
El aprendizaje supervisado es muy potente.

103
00:08:10,190 --> 00:08:12,110
Pero, como dices, muy costoso.

104
00:08:12,290 --> 00:08:12,510
Claro.

105
00:08:13,150 --> 00:08:25,650
Por eso, Tinker también soporta plenamente el aprendizaje por refuerzo, el RL. Ahí no le das las respuestas, sino que creas un entorno, una simulación, donde un agente de IA aprende por prueba y error.

106
00:08:26,410 --> 00:08:28,130
Recibiendo recompensas o castigos.

107
00:08:28,450 --> 00:08:39,130
Exacto. Además, soporta modelos multimodales. Así que los ingredientes pueden ser texto, pero también imágenes, lo que abre la puerta a entrenar modelos que entiendan radiografías…

108
00:08:40,190 --> 00:08:40,870
… planos…

109
00:08:41,070 --> 00:08:45,830
Entendido. Tenemos el modelo base y los datos. Y el tercer componente.

110
00:08:46,270 --> 00:08:53,790
El código. El script de Python que mencionabas. Es el director de orquesta. Y aquí está la genialidad de su diseño.

111
00:08:53,870 --> 00:08:54,370
A ver…

112
00:08:54,550 --> 00:09:09,630
Toda esa complejidad de coordinar cientos de GPUs se controla con un puñado de comandos. Es como decirle a la máquina, toma estos datos y aprende. Ahora actualiza el modelo. Générame un ejemplo para ver cómo vas. Y guarda el progreso.

113
00:09:09,710 --> 00:09:10,170
O sea…

114
00:09:10,350 --> 00:09:14,650
Simplifican algo que es increíblemente complejo en cuatro ideas básicas.

115
00:09:14,850 --> 00:09:15,370
Justo.

116
00:09:15,690 --> 00:09:23,730
Ah, ahora entiendo mucho mejor su comunicación inicial. Cuando hablaban de la forma desordenada en que colaboramos, no se referían a nosotros, los usuarios.

117
00:09:24,030 --> 00:09:27,930
No, se referían a la propia comunidad de investigadores de IA.

118
00:09:28,090 --> 00:09:33,550
Están intentando arreglar el caos y la complejidad que supone construir estos modelos desde cero.

119
00:09:34,070 --> 00:09:39,590
Exactamente. Su cliente es el investigador, el desarrollador, el científico de datos.

120
00:09:40,190 --> 00:09:45,010
Y la flexibilidad es total. Si quieres cambiar tu modelo base, de Lama a Cuban.

121
00:09:45,230 --> 00:09:46,550
No tienes que rehacer todo.

122
00:09:46,550 --> 00:09:54,190
No, es literalmente cambiar una línea de texto en tu código. Abstraen la complejidad del hardware para potenciar la innovación en el software.

123
00:09:54,530 --> 00:10:03,170
Vale. Tenemos una herramienta que pone el poder de un gigante tecnológico en manos de equipos mucho más pequeños. Eso suena increíblemente potente.

124
00:10:03,250 --> 00:10:03,750
Lo es.

125
00:10:03,910 --> 00:10:09,550
Pero también me hace pensar inmediatamente en las consecuencias. Si cualquiera puede construir una IA súper especializada…

126
00:10:09,550 --> 00:10:09,710
¿Qué es la IA?

127
00:10:09,710 --> 00:10:12,450
¿Qué es lo primero que puede salir mal?

128
00:10:12,770 --> 00:10:19,090
Esa es la otra cara de la moneda, el arma de doble filo. Por un lado, tienes el efecto de la democratización.

129
00:10:19,310 --> 00:10:19,590
Claro.

130
00:10:19,690 --> 00:10:31,350
Permite a investigadores universitarios, hospitales o startups pequeñas experimentar con capacidades que hasta ahora estaban reservadas casi en exclusiva para Google, Meta u OpenAI.

131
00:10:31,730 --> 00:10:35,710
Y eso puede acelerar la investigación en curas para enfermedades, en nuevos materiales…

132
00:10:36,630 --> 00:10:38,710
Lo que se te ocurra. Pero por otro lado…

133
00:10:38,710 --> 00:10:39,070
Por otro…

134
00:10:39,070 --> 00:10:47,070
Por otro, si de repente es mucho más fácil crear modelos de IA muy potentes y personalizados que impide que alguien lo use para fines maliciosos.

135
00:10:47,970 --> 00:10:49,250
Uf, ese es el tema.

136
00:10:49,650 --> 00:10:56,710
Imagina un modelo experto en generar desinformación política hiperrealista, en buscar vulnerabilidades de software a gran escala.

137
00:10:56,930 --> 00:11:00,230
O en crear contenido dañino. Es un riesgo muy real.

138
00:11:00,510 --> 00:11:06,030
Y ellos son conscientes de esto, supongo. ¿Cómo están gestionando ese riesgo? Porque parece una caja de Pandora.

139
00:11:06,030 --> 00:11:09,030
Lo son. Por ahora, su solución es muy importante.

140
00:11:09,070 --> 00:11:14,310
Están revisando personalmente cada solicitud de acceso a la plataforma.

141
00:11:14,650 --> 00:11:15,110
Una a una.

142
00:11:15,230 --> 00:11:23,650
Una a una, para asegurarse de que los proyectos tienen fines legítimos. Pero ellos mismos admiten que eso no es escalable a largo plazo.

143
00:11:24,150 --> 00:11:25,290
Claro. Imposible.

144
00:11:25,810 --> 00:11:31,730
Han dicho que planean implementar sistemas automatizados en el futuro para detectar y prevenir el mal uso.

145
00:11:32,690 --> 00:11:36,670
Sinceramente, es un debate muy complejo y todavía abierto en toda la comunidad.

146
00:11:37,050 --> 00:11:38,670
Suena bien en teoría, pero…

147
00:11:39,610 --> 00:11:45,790
¿Es realista pensar que pueden controlarlo? Si la herramienta es tan buena, ¿no es inevitable que acaben las manos equivocadas?

148
00:11:45,890 --> 00:11:48,010
Es el gran dilema de nuestro tiempo.

149
00:11:48,310 --> 00:11:53,130
La historia de la tecnología está llena de herramientas bien intencionadas usadas para fines terribles.

150
00:11:53,530 --> 00:11:59,810
Sí, no hay una respuesta fácil. Su enfoque actual es un primer paso, un intento de filtrar los casos más obvios.

151
00:12:00,130 --> 00:12:07,810
Pero a medida que la tecnología se extienda, la responsabilidad recaerá en una combinación de salvaguardas técnicas, regulación…

152
00:12:09,070 --> 00:12:11,990
No, imposible.

153
00:12:11,990 --> 00:12:22,550
Y hay otro punto que me genera dudas. ¿No crea esto una nueva dependencia? Antes dependías de OpenAI para usar su modelo, y ahora dependes de Thinking Machines para construir el tuyo.

154
00:12:22,750 --> 00:12:24,210
Es una objeción muy inteligente.

155
00:12:24,330 --> 00:12:27,210
¿Es realmente una democratización o solo un cambio de proveedor?

156
00:12:27,330 --> 00:12:39,050
Y la han abordado de una forma que creo que es clave. A diferencia de las APIs cerradas, donde solo puedes hablar con el modelo, aquí el modelo final que tú creas con tus datos es tuyo.

157
00:12:39,170 --> 00:12:40,470
Ah, ¿te lo puedes descargar?

158
00:12:40,550 --> 00:12:47,790
Te lo puedes descargar. Puedes ejecutarlo en tus propios servidores, en la nube que tú elijas, donde quieras. No estás atado a su plataforma.

159
00:12:47,990 --> 00:12:50,410
O sea, te dan la fábrica para construir el coche.

160
00:12:50,930 --> 00:12:56,370
Exacto. Pero una vez construido, el coche es tuyo y te lo llevas. Esa es una diferencia fundamental.

161
00:12:56,670 --> 00:13:04,350
Eso sí que cambia las cosas. Y para que la gente pueda empezar, han publicado recursos. He visto que mencionan un Tinker Cookbook.

162
00:13:04,350 --> 00:13:06,990
Sí, es un repositorio en GitHub.

163
00:13:09,070 --> 00:13:12,230
Es un repositorio de recetas, con ejemplos prácticos de código, para empezar.

164
00:13:12,610 --> 00:13:12,890
Vale.

165
00:13:13,290 --> 00:13:27,910
Cubre desde el aprendizaje supervisado más básico hasta configuraciones muy avanzadas de aprendizaje por refuerzo, como RLHF o DPO, que son, bueno, formas de enseñar a la IA a ser más útil y segura usando feedback humano.

166
00:13:28,310 --> 00:13:34,850
Muy bien. A modo de recapitulación. ¿Queda claro que Thinking Machines Lab no es un competidor directo de ChatGPT?

167
00:13:35,150 --> 00:13:35,710
Correcto.

168
00:13:35,710 --> 00:13:38,610
No están construyendo un producto para el gran público.

169
00:13:39,070 --> 00:13:48,690
Es un proveedor de herramientas de alto nivel. Si la IA es la nueva fiebre del oro, ellos no venden el oro, venden los picos, las palas y la maquinaria pesada para que otros lo encuentren.

170
00:13:49,030 --> 00:13:50,610
Y Tinker es su primera gran máquina.

171
00:13:50,730 --> 00:13:51,250
Exacto.

172
00:13:51,450 --> 00:13:57,830
Y el modelo final que creas es tuyo, lo que resuelve el problema de la dependencia. Puedes llevártelo y usarlo como quieras.

173
00:13:58,310 --> 00:14:07,810
Exacto. Y yo diría que el verdadero poder de Tinker, su promesa a largo plazo, reside precisamente en esa capacidad de crear expertos de nicho.

174
00:14:07,810 --> 00:14:08,310
¿Modelos únicos?

175
00:14:08,310 --> 00:14:09,050
¿Modelos únicos?

176
00:14:09,050 --> 00:14:10,190
Ultraespecializados.

177
00:14:10,390 --> 00:14:24,010
Eso es. Modelos que puedan superar con creces a los generalistas en tareas específicas. El futuro podría no ser una única IA que lo hace todo bien, sin un ecosistema de miles de IAs especializadas colaborando entre sí.

178
00:14:24,410 --> 00:14:35,270
Y eso nos deja con una reflexión final, ¿no? La historia de la tecnología nos enseña que cuando las herramientas de creación se vuelven más accesibles, la innovación explota en direcciones que nadie esperaba.

179
00:14:35,910 --> 00:14:36,430
Totalmente.

180
00:14:36,430 --> 00:14:36,710
Totalmente.

181
00:14:36,710 --> 00:14:36,730
Totalmente.

182
00:14:36,730 --> 00:14:36,770
Totalmente.

183
00:14:36,770 --> 00:14:36,870
Totalmente.

184
00:14:36,870 --> 00:14:36,890
Totalmente.

185
00:14:36,890 --> 00:14:36,990
Totalmente.

186
00:14:36,990 --> 00:14:37,010
Totalmente.

187
00:14:37,010 --> 00:14:37,030
Totalmente.

188
00:14:37,030 --> 00:14:37,090
Totalmente.

189
00:14:37,090 --> 00:14:37,150
Totalmente.

190
00:14:37,150 --> 00:14:37,210
Totalmente.

191
00:14:37,210 --> 00:14:37,230
Totalmente.

192
00:14:37,230 --> 00:14:37,270
Totalmente.

193
00:14:37,270 --> 00:14:37,330
Totalmente.

194
00:14:37,330 --> 00:14:37,390
Totalmente.

195
00:14:37,390 --> 00:14:37,450
Totalmente.

196
00:14:37,450 --> 00:14:37,510
Totalmente.

197
00:14:37,510 --> 00:14:37,530
Totalmente.

198
00:14:37,530 --> 00:14:37,550
Totalmente.

199
00:14:37,550 --> 00:14:37,570
Totalmente.

200
00:14:39,050 --> 00:14:40,050
Totalmente.

201
00:14:40,050 --> 00:14:41,050
Totalmente.

202
00:14:41,050 --> 00:14:41,110
Totalmente.

203
00:14:41,110 --> 00:14:41,150
Totalmente.

204
00:14:41,150 --> 00:14:41,210
Totalmente.

205
00:14:41,210 --> 00:14:41,230
Totalmente.

206
00:14:41,230 --> 00:14:41,270
Totalmente.

207
00:14:41,270 --> 00:14:41,290
Totalmente.

208
00:14:41,290 --> 00:14:41,310
Totalmente.

209
00:14:41,310 --> 00:14:41,350
Totalmente.

210
00:14:41,350 --> 00:14:41,410
Totalmente.

211
00:14:41,410 --> 00:14:41,430
Totalmente.

212
00:14:41,430 --> 00:14:41,490
Totalmente.

213
00:14:41,490 --> 00:14:41,510
Totalmente.

214
00:14:41,510 --> 00:14:41,590
Totalmente.

215
00:14:41,590 --> 00:14:41,690
Totalmente.

216
00:14:41,690 --> 00:14:41,750
Totalmente.

217
00:14:41,750 --> 00:14:48,610
La pregunta es inevitable, ¿qué tipo de asistentes hiperinteligentes para tareas que hoy ni imaginamos podrían surgir?

218
00:14:48,690 --> 00:14:51,770
Y lo más importante, ¿quiénes serán los que los construyan?

219
00:14:52,630 --> 00:14:59,910
Ya no solo los gigantes tecnológicos, sino quizás cualquiera con una buena idea, buenos datos y una buena receta.

220
00:15:11,800 --> 00:15:15,800
Y hasta aquí el episodio de hoy. Muchas gracias por tu atención.

221
00:15:17,680 --> 00:15:27,320
Esto es BIMPRAXIS.

222
00:15:27,320 --> 00:15:29,920
Nos escuchamos en el próximo episodio.