What AI is -- and isn't | Sebastian Thrun and Chris Anderson

259,143 views ・ 2017-12-21

TED


Haga doble clic en los subtítulos en inglés para reproducir el vídeo.

Traductor: Emilia Sotres Revisor: Eduardo Sierra
00:12
Chris Anderson: Help us understand what machine learning is,
0
12904
2886
Chris Anderson: Ayúdanos a entender qué es el aprendizaje de máquina
00:15
because that seems to be the key driver
1
15814
2054
porque parece ser el impulsor principal
00:17
of so much of the excitement and also of the concern
2
17892
2737
de gran parte del entusiasmo y la preocupación
alrededor de la inteligencia artificial.
00:20
around artificial intelligence.
3
20653
1494
¿Cómo funciona el aprendizaje de máquina?
00:22
How does machine learning work?
4
22171
1643
00:23
Sebastian Thrun: So, artificial intelligence and machine learning
5
23838
3896
Sebastian Thrun: La inteligencia artificial y el aprendizaje de máquina
00:27
is about 60 years old
6
27758
2002
tienen, más o menos, 60 años de antigüedad
00:29
and has not had a great day in its past until recently.
7
29784
4269
y su pasado no ha sido maravilloso, hasta hace poco.
00:34
And the reason is that today,
8
34077
2924
Y la razón es que hoy,
se ha alcanzado una escala de computación y conjuntos de datos
00:37
we have reached a scale of computing and datasets
9
37025
3973
que era necesaria para hacer a las máquinas inteligentes.
00:41
that was necessary to make machines smart.
10
41022
2637
00:43
So here's how it works.
11
43683
1751
Así es como funciona:
00:45
If you program a computer today, say, your phone,
12
45458
3497
Si hoy programas una computadora, por ejemplo, tu teléfono,
00:48
then you hire software engineers
13
48979
2335
entonces contratas ingenieros de software
00:51
that write a very, very long kitchen recipe,
14
51338
3854
que escriben una receta de cocina muy, muy larga,
00:55
like, "If the water is too hot, turn down the temperature.
15
55216
3132
como, "si el agua está demasiado caliente, baja la temperatura;
00:58
If it's too cold, turn up the temperature."
16
58372
2279
si está demasiado fría, sube la temperatura".
01:00
The recipes are not just 10 lines long.
17
60675
2849
Las recetas no tienen solo 10 líneas, tienen millones de líneas.
01:03
They are millions of lines long.
18
63548
2603
01:06
A modern cell phone has 12 million lines of code.
19
66175
4084
Un teléfono móvil moderno tiene 12 millones de líneas de código.
01:10
A browser has five million lines of code.
20
70283
2646
Un buscador tiene cinco millones de líneas de código.
01:12
And each bug in this recipe can cause your computer to crash.
21
72953
4969
Y cada error en esta receta puede hacer que colapse tu computadora,
01:17
That's why a software engineer makes so much money.
22
77946
3075
por eso un ingeniero de software gana tanto dinero.
01:21
The new thing now is that computers can find their own rules.
23
81953
3660
Lo nuevo ahora es que las computadoras pueden encontrar sus propias reglas.
01:25
So instead of an expert deciphering, step by step,
24
85637
3606
Así que en vez de que un experto descifre, paso a paso,
01:29
a rule for every contingency,
25
89267
2148
una regla para cada situación,
01:31
what you do now is you give the computer examples
26
91439
3074
ahora se puede dar ejemplos a la computadora
01:34
and have it infer its own rules.
27
94537
1581
y ella infiere sus propias reglas.
01:36
A really good example is AlphaGo, which recently was won by Google.
28
96142
4306
Un buen ejemplo es AlphaGo, que hace poco ganó Google.
01:40
Normally, in game playing, you would really write down all the rules,
29
100472
3687
Normalmente, en los juegos, escribirías todas las reglas,
pero en el caso de AlphaGo,
01:44
but in AlphaGo's case,
30
104183
1785
01:45
the system looked over a million games
31
105992
2066
el sistema analizó más de un millón de jugadas
01:48
and was able to infer its own rules
32
108082
2192
y pudo inferir sus propias reglas
01:50
and then beat the world's residing Go champion.
33
110298
2738
para luego ganarle al campeón mundial de go.
01:53
That is exciting, because it relieves the software engineer
34
113853
3509
Esto es emocionante porque exime al ingeniero de software
de tener que ser súper inteligente,
01:57
of the need of being super smart,
35
117386
1819
01:59
and pushes the burden towards the data.
36
119229
2325
y le pasa la carga a los datos.
02:01
As I said, the inflection point where this has become really possible --
37
121578
4534
Como dije, el punto de inflexión donde esto se volvió realmente posible...
Es muy vergonzoso, mi tesis fue sobre aprendizaje de máquina,
02:06
very embarrassing, my thesis was about machine learning.
38
126136
2746
02:08
It was completely insignificant, don't read it,
39
128906
2205
completamente insignificante, no la lean, porque fue hace 20 años
02:11
because it was 20 years ago
40
131135
1350
y entonces las computadoras eran del tamaño del cerebro de una cucaracha.
02:12
and back then, the computers were as big as a cockroach brain.
41
132509
2907
02:15
Now they are powerful enough to really emulate
42
135440
2331
Ahora son suficientemente poderosas para realmente emular
02:17
kind of specialized human thinking.
43
137795
2076
el pensamiento humano especializado.
02:19
And then the computers take advantage of the fact
44
139895
2313
Y las computadoras tienen la ventaja
02:22
that they can look at much more data than people can.
45
142232
2500
de poder ver muchos más datos que una persona.
02:24
So I'd say AlphaGo looked at more than a million games.
46
144756
3080
Diría que AlphaGo analizó más de un millón de jugadas,
02:27
No human expert can ever study a million games.
47
147860
2839
ningún humano puede estudiar un millón de jugadas.
02:30
Google has looked at over a hundred billion web pages.
48
150723
3182
Google ha revisado más de 100 000 millones de páginas web.
02:33
No person can ever study a hundred billion web pages.
49
153929
2650
Ninguna persona puede estudiar 100 000 millones de páginas web.
02:36
So as a result, the computer can find rules
50
156603
2714
Por lo tanto, la computadora puede encontrar reglas
02:39
that even people can't find.
51
159341
1755
que una persona no puede.
02:41
CA: So instead of looking ahead to, "If he does that, I will do that,"
52
161120
4312
CA: Así que en vez de decir "si él hace eso, yo hago aquello",
02:45
it's more saying, "Here is what looks like a winning pattern,
53
165456
3072
es decir, "este parece ser un modelo exitoso,
02:48
here is what looks like a winning pattern."
54
168552
2079
este parece un modelo exitoso".
02:50
ST: Yeah. I mean, think about how you raise children.
55
170655
2517
ST: Sí. Piensa en cómo criamos a los niños.
No pasas los primeros 18 años dándoles una regla para cada situación,
02:53
You don't spend the first 18 years giving kids a rule for every contingency
56
173196
3644
02:56
and set them free and they have this big program.
57
176864
2347
y luego los dejas libres con este gran programa.
Se tropiezan, se caen, se levantan reciben una bofetada o nalgada,
02:59
They stumble, fall, get up, they get slapped or spanked,
58
179235
2719
03:01
and they have a positive experience, a good grade in school,
59
181978
2884
tienen una experiencia positiva, una buena nota en la escuela,
03:04
and they figure it out on their own.
60
184886
1834
y lo resuelven por sí solos.
03:06
That's happening with computers now,
61
186744
1737
Eso sucede ahora con las computadoras,
03:08
which makes computer programming so much easier all of a sudden.
62
188505
3029
lo cual hace que programar computadoras sea más fácil ahora.
03:11
Now we don't have to think anymore. We just give them lots of data.
63
191558
3175
Ahora ya no tenemos que pensar, solo les damos muchos datos.
03:14
CA: And so, this has been key to the spectacular improvement
64
194757
3422
CA: Esto ha sido clave para el avance tan importante
en tema de vehículos autónomos.
03:18
in power of self-driving cars.
65
198203
3064
03:21
I think you gave me an example.
66
201291
1739
Me parece que este es un ejemplo.
¿Puedes explicar qué está pasando aquí?
03:23
Can you explain what's happening here?
67
203054
2685
03:25
ST: This is a drive of a self-driving car
68
205763
3564
ST: Este es un viaje de un vehículo autónomo
03:29
that we happened to have at Udacity
69
209351
1957
que casualmente teníamos en Udacity
03:31
and recently made into a spin-off called Voyage.
70
211332
2398
y que recientemente convertimos en una filial llamada Voyage.
03:33
We have used this thing called deep learning
71
213754
2574
Usamos algo llamado aprendizaje profundo
03:36
to train a car to drive itself,
72
216352
1623
para entrenar a un vehículo para auto-manejarse,
03:37
and this is driving from Mountain View, California,
73
217999
2387
y este está manejando de Mountain View, California a San Francisco
03:40
to San Francisco
74
220410
1168
03:41
on El Camino Real on a rainy day,
75
221602
2259
en El Camino Real, en un día lluvioso,
03:43
with bicyclists and pedestrians and 133 traffic lights.
76
223885
3524
con ciclistas y peatones y 133 semáforos.
03:47
And the novel thing here is,
77
227433
2636
Y lo novedoso aquí es que,
hace muchas lunas, yo inicié el equipo de vehículos autónomos en Google.
03:50
many, many moons ago, I started the Google self-driving car team.
78
230093
3120
03:53
And back in the day, I hired the world's best software engineers
79
233237
3181
Y en ese entonces, contraté a los mejores ingenieros de software
03:56
to find the world's best rules.
80
236442
1607
para encontrar las mejores reglas.
03:58
This is just trained.
81
238073
1754
Esto simplemente está entrenado.
03:59
We drive this road 20 times,
82
239851
3336
Manejamos esta ruta 20 veces,
le pusimos todos esos datos al cerebro de la computadora,
04:03
we put all this data into the computer brain,
83
243211
2447
04:05
and after a few hours of processing,
84
245682
2082
y tras algunas horas de procesamiento,
04:07
it comes up with behavior that often surpasses human agility.
85
247788
3926
se comporta de tal manera que en ocasiones, supera la agilidad humana.
04:11
So it's become really easy to program it.
86
251738
2017
Se ha vuelto muy sencillo programarlo.
04:13
This is 100 percent autonomous, about 33 miles, an hour and a half.
87
253779
3803
Este es 100 % autónomo, 53 km, una hora y media.
04:17
CA: So, explain it -- on the big part of this program on the left,
88
257606
3630
CA: Explícanos, en la parte izquierda de esta pantalla
04:21
you're seeing basically what the computer sees as trucks and cars
89
261260
3257
vemos lo que la computadora identifica como camiones y autos
04:24
and those dots overtaking it and so forth.
90
264541
2886
y esos puntos que lo rebasan.
ST: A la derecha está la imagen de la cámara, que es la fuente principal,
04:27
ST: On the right side, you see the camera image, which is the main input here,
91
267451
3762
y sirve para encontrar los carriles, otros autos, los semáforos...
04:31
and it's used to find lanes, other cars, traffic lights.
92
271237
2676
04:33
The vehicle has a radar to do distance estimation.
93
273937
2489
El vehículo tiene un radar para estimar distancia.
04:36
This is very commonly used in these kind of systems.
94
276450
2621
Son frecuentemente usamos en este tipo de sistemas.
A la izquierda ven un diagrama de láser donde se ven
04:39
On the left side you see a laser diagram,
95
279095
1992
04:41
where you see obstacles like trees and so on depicted by the laser.
96
281111
3200
obstáculos, como árboles, representados por el láser.
Pero lo más interesante está en la imagen de la cámara.
04:44
But almost all the interesting work is centering on the camera image now.
97
284335
3436
Estamos cambiando de usar sensores de precisión,
04:47
We're really shifting over from precision sensors like radars and lasers
98
287795
3476
como láseres y radares, hacia sensores muy baratos.
04:51
into very cheap, commoditized sensors.
99
291295
1842
Una cámara cuesta menos de USD 8.
04:53
A camera costs less than eight dollars.
100
293161
1987
CA: Y ese punto verde a la izquierda, ¿qué es?
04:55
CA: And that green dot on the left thing, what is that?
101
295172
2793
04:57
Is that anything meaningful?
102
297989
1371
¿Algo importante?
ST: Es un punto de referencia para el regulador de velocidad adaptable,
04:59
ST: This is a look-ahead point for your adaptive cruise control,
103
299384
3668
05:03
so it helps us understand how to regulate velocity
104
303076
2477
nos ayuda a entender cómo regular la velocidad
05:05
based on how far the cars in front of you are.
105
305577
2634
dependiendo de la distancia con los autos de adelante.
05:08
CA: And so, you've also got an example, I think,
106
308235
2716
CA: También tienes un ejemplo, me parece,
05:10
of how the actual learning part takes place.
107
310975
2381
de cómo transcurre el proceso de aprendizaje en sí.
05:13
Maybe we can see that. Talk about this.
108
313380
2458
Podríamos verlo. Háblanos de esto.
05:15
ST: This is an example where we posed a challenge to Udacity students
109
315862
3643
ST: Este es un ejemplo de un desafío que hicimos a los estudiantes de Udacity
05:19
to take what we call a self-driving car Nanodegree.
110
319529
3131
de tomar este vehículo autónomo que llamamos Nanodegree.
05:22
We gave them this dataset
111
322684
1495
Les dimos este set de datos y les dijimos:
05:24
and said "Hey, can you guys figure out how to steer this car?"
112
324203
3054
"¿Pueden descifrar cómo dirigir este auto?"
05:27
And if you look at the images,
113
327281
1624
Si ves las imágenes,
05:28
it's, even for humans, quite impossible to get the steering right.
114
328929
4073
incluso para un humano, es casi imposible dirigirlo bien.
Así que hicimos una competencia,
05:33
And we ran a competition and said, "It's a deep learning competition,
115
333026
3591
una competencia de aprendizaje profundo e inteligencia artificial,
05:36
AI competition,"
116
336641
1173
05:37
and we gave the students 48 hours.
117
337838
1887
y le dimos 48 horas a los estudiantes.
05:39
So if you are a software house like Google or Facebook,
118
339749
4172
Si eres un centro de software profesional como Google o Facebook,
05:43
something like this costs you at least six months of work.
119
343945
2717
algo como esto te lleva al menos seis meses de trabajo.
05:46
So we figured 48 hours is great.
120
346686
2202
Así que pensamos que 48 horas estaba perfecto.
05:48
And within 48 hours, we got about 100 submissions from students,
121
348912
3467
Y en 48 horas tuvimos al menos 100 entregas de estudiantes,
05:52
and the top four got it perfectly right.
122
352403
3370
y los cuatro mejores lo hicieron perfectamente bien.
05:55
It drives better than I could drive on this imagery,
123
355797
2640
Se maneja mejor de lo que yo podría manejar con estas imágenes,
05:58
using deep learning.
124
358461
1189
usando aprendizaje profundo.
05:59
And again, it's the same methodology.
125
359674
1799
Y es la misma metodología.
06:01
It's this magical thing.
126
361497
1164
Esto que parece magia:
06:02
When you give enough data to a computer now,
127
362685
2085
si das suficiente información a una computadora,
06:04
and give enough time to comprehend the data,
128
364794
2140
y suficiente tiempo para comprenderla,
06:06
it finds its own rules.
129
366958
1445
encuentra sus propias reglas.
06:09
CA: And so that has led to the development of powerful applications
130
369339
4845
CA: Esto ha llevado al desarrollo de aplicaciones muy poderosas
en todo tipo de áreas.
06:14
in all sorts of areas.
131
374208
1525
06:15
You were talking to me the other day about cancer.
132
375757
2668
El otro día me hablabas del cáncer.
06:18
Can I show this video?
133
378449
1189
¿Puedo mostrar este vídeo?
06:19
ST: Yeah, absolutely, please. CA: This is cool.
134
379662
2354
ST: Claro, adelante. CA: Esto es genial.
ST: Esto es un vistazo a lo que está sucediendo
06:22
ST: This is kind of an insight into what's happening
135
382040
3534
06:25
in a completely different domain.
136
385598
2429
en un campo completamente distinto.
06:28
This is augmenting, or competing --
137
388051
3752
Esto está reforzando o compitiendo, dependiendo cómo se quiera ver,
06:31
it's in the eye of the beholder --
138
391827
1749
06:33
with people who are being paid 400,000 dollars a year,
139
393600
3454
con gente que gana USD 400 000 al año:
06:37
dermatologists,
140
397078
1237
los dermatólogos,
06:38
highly trained specialists.
141
398339
1983
especialistas altamente entrenados.
06:40
It takes more than a decade of training to be a good dermatologist.
142
400346
3561
Convertirse en un buen dermatólogo toma más de una década de capacitación.
06:43
What you see here is the machine learning version of it.
143
403931
3196
Lo que ven aquí es la versión de aprendizaje de máquina.
Se le llama una red neuronal.
06:47
It's called a neural network.
144
407151
1841
Redes neuronales es el término técnico
06:49
"Neural networks" is the technical term for these machine learning algorithms.
145
409016
3742
para estos algoritmos de aprendizaje de máquina.
06:52
They've been around since the 1980s.
146
412782
1789
Han existido desde los años 80.
06:54
This one was invented in 1988 by a Facebook Fellow called Yann LeCun,
147
414595
4640
Este fue inventado en 1988 por Yann LeCun, un Facebook Fellow,
06:59
and it propagates data stages
148
419259
3558
y procesa los datos en etapas
07:02
through what you could think of as the human brain.
149
422841
2578
como lo hace el cerebro humano.
07:05
It's not quite the same thing, but it emulates the same thing.
150
425443
2966
No es exactamente lo mismo, pero lo emula.
07:08
It goes stage after stage.
151
428433
1302
Va etapa por etapa.
07:09
In the very first stage, it takes the visual input and extracts edges
152
429759
3637
En la primera etapa toma la entrada visual y extrae los bordes
07:13
and rods and dots.
153
433420
2612
y las barras y los puntos.
07:16
And the next one becomes more complicated edges
154
436056
3037
Y en la siguiente los bordes más complicados
07:19
and shapes like little half-moons.
155
439117
3191
y figuras como medias lunas.
07:22
And eventually, it's able to build really complicated concepts.
156
442332
4443
Y al final puede construir conceptos complejos.
07:26
Andrew Ng has been able to show
157
446799
2048
Andrew Ng ha podido demostrar
07:28
that it's able to find cat faces and dog faces
158
448871
3480
que es capaz de encontrar caras de gatos y perros
07:32
in vast amounts of images.
159
452375
1661
entre una gran cantidad de imágenes.
07:34
What my student team at Stanford has shown is that
160
454060
2724
Lo que mi equipo de estudiantes en Stanford ha logrado demostrar
07:36
if you train it on 129,000 images of skin conditions,
161
456808
6073
es que si la entrenas con 129 000 imágenes de enfermedades de la piel,
07:42
including melanoma and carcinomas,
162
462905
2565
incluyendo melanomas y carcinomas,
07:45
you can do as good a job
163
465494
3301
puedes haces un trabajo tan bueno
07:48
as the best human dermatologists.
164
468819
2197
como el del mejor dermatólogo humano.
07:51
And to convince ourselves that this is the case,
165
471040
2549
Y para convencernos de ello,
07:53
we captured an independent dataset that we presented to our network
166
473613
3990
capturamos un set de datos independientes que le presentamos a nuestra red
07:57
and to 25 board-certified Stanford-level dermatologists,
167
477627
4342
y a 25 dermatólogos acreditados, de Stanford,
08:01
and compared those.
168
481993
1672
y los comparamos.
08:03
And in most cases,
169
483689
1504
Y en la mayoría de los casos, su precisión al clasificar
08:05
they were either on par or above the performance classification accuracy
170
485217
3875
fue igual o mejor que la de los dermatólogos humanos.
08:09
of human dermatologists.
171
489116
1467
08:10
CA: You were telling me an anecdote.
172
490607
1746
CA: Me contaste una anécdota,
08:12
I think about this image right here.
173
492377
1957
sobre esta imagen de aquí.
08:14
What happened here?
174
494358
1484
¿Qué pasó aquí?
08:15
ST: This was last Thursday. That's a moving piece.
175
495866
4008
ST: Esto fue el jueves.
08:19
What we've shown before and we published in "Nature" earlier this year
176
499898
3600
Lo que demostramos y publicamos en "Nature" este año
08:23
was this idea that we show dermatologists images
177
503522
2484
fue la idea de mostrar ciertas imágenes
a dermatólogos y a nuestro programa,
08:26
and our computer program images,
178
506030
1539
08:27
and count how often they're right.
179
507593
1627
y contar cuántas veces aciertan.
08:29
But all these images are past images.
180
509244
1778
Pero todas esas imágenes eran antiguas,
08:31
They've all been biopsied to make sure we had the correct classification.
181
511046
3460
ya se han realizado biopsias para confirmar su clasificación.
08:34
This one wasn't.
182
514530
1172
Esta no.
08:35
This one was actually done at Stanford by one of our collaborators.
183
515726
3179
Esta fue tomada en Stanford por uno de nuestros colaboradores.
08:38
The story goes that our collaborator,
184
518929
2314
Lo que sucedió fue que nuestro colaborador,
un dermatólogo reconocido internacionalmente,
08:41
who is a world-famous dermatologist, one of the three best, apparently,
185
521267
3391
de los tres mejores del mundo,
08:44
looked at this mole and said, "This is not skin cancer."
186
524682
2935
vio este lunar y dijo: "Esto no es cáncer de piel".
08:47
And then he had a second moment, where he said,
187
527641
2476
Y luego dudó y dijo:
08:50
"Well, let me just check with the app."
188
530141
1866
"Bueno, voy a chequear con la aplicación".
Así que sacó su iPhone y abrió nuestro software,
08:52
So he took out his iPhone and ran our piece of software,
189
532031
2699
08:54
our "pocket dermatologist," so to speak,
190
534754
2121
nuestro "dermatólogo de bolsillo", por así decirlo,
08:56
and the iPhone said: cancer.
191
536899
2994
y el iPhone dictaminó: cáncer.
08:59
It said melanoma.
192
539917
1306
Dijo que era melanoma.
09:01
And then he was confused.
193
541849
1233
Y el médico estaba confundido.
09:03
And he decided, "OK, maybe I trust the iPhone a little bit more than myself,"
194
543106
4551
Y decidió, "tal vez confío más en el iPhone que en mí mismo",
09:07
and he sent it out to the lab to get it biopsied.
195
547681
2735
y lo mandó al laboratorio para hacerle una biopsia.
09:10
And it came up as an aggressive melanoma.
196
550440
2469
Y resultó ser un melanoma muy agresivo.
09:13
So I think this might be the first time that we actually found,
197
553545
3067
Así que este puede ser el primer caso,
09:16
in the practice of using deep learning,
198
556636
2487
usando aprendizaje profundo en la práctica,
09:19
an actual person whose melanoma would have gone unclassified,
199
559147
3372
de una persona cuyo melanoma hubiera pasado sin diagnosticar
09:22
had it not been for deep learning.
200
562543
2115
de no ser por el aprendizaje profundo.
09:24
CA: I mean, that's incredible.
201
564682
1560
CA: Es increíble.
09:26
(Applause)
202
566266
1769
(Aplausos)
Me parece que habría demanda instantánea por una aplicación como esta,
09:28
It feels like there'd be an instant demand for an app like this right now,
203
568059
3600
09:31
that you might freak out a lot of people.
204
571683
1966
o que muchas personas se asustarían.
09:33
Are you thinking of doing this, making an app that allows self-checking?
205
573673
3527
¿Estás pensando hacerlo? ¿Crear una aplicación de autodiagnóstico?
ST: Mi casilla está llena de correos sobre aplicaciones para cáncer,
09:37
ST: So my in-box is flooded about cancer apps,
206
577224
4973
con historias estremecedoras de gente.
09:42
with heartbreaking stories of people.
207
582221
2303
09:44
I mean, some people have had 10, 15, 20 melanomas removed,
208
584548
3204
Personas a quienes les han extraído 10, 15 o 20 melanomas,
09:47
and are scared that one might be overlooked, like this one,
209
587776
3952
y temen que alguno les pase desapercibido, como este,
09:51
and also, about, I don't know,
210
591752
1741
pero también sobre, no sé,
09:53
flying cars and speaker inquiries these days, I guess.
211
593517
2732
coches voladores y peticiones para conferencias, supongo.
09:56
My take is, we need more testing.
212
596273
2738
Mi opinión es que necesitamos estudiarlo más.
09:59
I want to be very careful.
213
599449
1778
Quiero ser muy cuidadoso.
10:01
It's very easy to give a flashy result and impress a TED audience.
214
601251
3666
Es muy fácil dar un resultado ostentoso y deslumbrar al público de TED;
10:04
It's much harder to put something out that's ethical.
215
604941
2627
es mucho más difícil sacar algo ético.
10:07
And if people were to use the app
216
607592
2394
Y si la gente fuera a usar esta aplicación
y decidiera no consultar con un médico
10:10
and choose not to consult the assistance of a doctor
217
610010
2797
10:12
because we get it wrong,
218
612831
1583
porque le dimos un mal diagnóstico,
10:14
I would feel really bad about it.
219
614438
1653
me sentiría fatal.
Así que estamos haciendo pruebas clínicas,
10:16
So we're currently doing clinical tests,
220
616115
1925
y si nuestros datos aguantan,
10:18
and if these clinical tests commence and our data holds up,
221
618064
2798
10:20
we might be able at some point to take this kind of technology
222
620886
2990
entonces podremos tomar este tipo de tecnología,
10:23
and take it out of the Stanford clinic
223
623900
1892
sacarla de la clínica de Stanford
10:25
and bring it to the entire world,
224
625816
1658
y presentarla al mundo entero,
10:27
places where Stanford doctors never, ever set foot.
225
627498
2456
en lugares a los que los médicos de Stanford nunca irían.
10:30
CA: And do I hear this right,
226
630617
2580
CA: Y si te entendí bien,
10:33
that it seemed like what you were saying,
227
633221
1966
me parece que lo que dices es que,
10:35
because you are working with this army of Udacity students,
228
635211
4254
como estás trabajando con este ejército de estudiantes de Udacity,
de cierta manera, estás aplicando otro modo de aprendizaje de máquina
10:39
that in a way, you're applying a different form of machine learning
229
639489
3221
10:42
than might take place in a company,
230
642734
1735
que puede ocurrir en una compañía,
10:44
which is you're combining machine learning with a form of crowd wisdom.
231
644493
3484
y es que estás combinando aprendizaje de máquina con sabiduría colectiva.
10:48
Are you saying that sometimes you think that could actually outperform
232
648001
3384
¿Quieres decir que de este modo se podrían sobrepasar
los resultados de una compañía, incluso una grande?
10:51
what a company can do, even a vast company?
233
651409
2050
10:53
ST: I believe there's now instances that blow my mind,
234
653483
2940
ST: Creo que hay situaciones que me asombran,
10:56
and I'm still trying to understand.
235
656447
1758
y todavía estoy intentando entender.
10:58
What Chris is referring to is these competitions that we run.
236
658229
3937
Chris se refiere a estas competencias que hacemos.
11:02
We turn them around in 48 hours,
237
662190
2268
El tiempo de entrega es de 48 horas,
11:04
and we've been able to build a self-driving car
238
664482
2252
y hemos logrado construir un vehículo autónomo
11:06
that can drive from Mountain View to San Francisco on surface streets.
239
666758
3387
que puede manejar de Mountain View a San Francisco por las calles.
11:10
It's not quite on par with Google after seven years of Google work,
240
670169
3584
No está a la par con Google pues ellos llevan siete años trabajando en esto
11:13
but it's getting there.
241
673777
2528
pero ahí va.
11:16
And it took us only two engineers and three months to do this.
242
676329
3084
Y requirió solo dos ingenieros y tres meses lograrlo.
11:19
And the reason is, we have an army of students
243
679437
2856
Y la razón es que tenemos un ejército de estudiantes
11:22
who participate in competitions.
244
682317
1850
que participan en las competencias.
No somos los únicos que hacemos colaboración abierta:
11:24
We're not the only ones who use crowdsourcing.
245
684191
2220
11:26
Uber and Didi use crowdsource for driving.
246
686435
2223
Uber y Didi lo usan para manejar.
11:28
Airbnb uses crowdsourcing for hotels.
247
688682
2759
Airbnb lo usa para hoteles.
Ahora hay muchos ejemplos de colaboración abierta
11:31
There's now many examples where people do bug-finding crowdsourcing
248
691465
4007
para encontrar errores de programación,
11:35
or protein folding, of all things, in crowdsourcing.
249
695496
2804
o desdoblar proteínas, imagínense.
11:38
But we've been able to build this car in three months,
250
698324
2915
Pero pudimos construir este vehículo en tres meses,
11:41
so I am actually rethinking
251
701263
3655
así que estoy reconsiderando
11:44
how we organize corporations.
252
704942
2238
cómo organizamos las empresas.
11:47
We have a staff of 9,000 people who are never hired,
253
707204
4696
Tenemos una plantilla de 9000 personas
que no son contratadas ni despedidas.
11:51
that I never fire.
254
711924
1308
11:53
They show up to work and I don't even know.
255
713256
2362
Se presentan a trabajar y ni me entero.
11:55
Then they submit to me maybe 9,000 answers.
256
715642
3058
Recibo 9000 proyectos.
11:58
I'm not obliged to use any of those.
257
718724
2176
No estoy obligado a usar ninguno de ellos.
12:00
I end up -- I pay only the winners,
258
720924
1991
Al final solo le pago a los que ganan,
12:02
so I'm actually very cheapskate here, which is maybe not the best thing to do.
259
722939
3718
en realidad soy muy tacaño en esto, puede que no sea lo mejor.
12:06
But they consider it part of their education, too, which is nice.
260
726681
3185
Y ellos lo consideran parte de su educación, que está bien.
12:09
But these students have been able to produce amazing deep learning results.
261
729890
4201
Estos estudiantes han logrado resultados maravillosos en aprendizaje profundo.
La síntesis de buenas personas y buen aprendizaje de máquina es fenomenal.
12:14
So yeah, the synthesis of great people and great machine learning is amazing.
262
734115
3861
CA: Gary Kaspárov dijo el primer día de TED2017
12:18
CA: I mean, Gary Kasparov said on the first day [of TED2017]
263
738000
2814
12:20
that the winners of chess, surprisingly, turned out to be two amateur chess players
264
740848
5412
que los ganadores del ajedrez resultaron ser dos jugadores amateur
12:26
with three mediocre-ish, mediocre-to-good, computer programs,
265
746284
5371
con tres programas de computadora semi-mediocres,
12:31
that could outperform one grand master with one great chess player,
266
751679
3163
que podían superar a un gran maestro con un jugador maravilloso,
12:34
like it was all part of the process.
267
754866
1743
como si fuese parte del proceso.
12:36
And it almost seems like you're talking about a much richer version
268
756633
3335
Y casi parece que estás hablando de una versión más sofisticada
12:39
of that same idea.
269
759992
1200
de esta misma idea.
12:41
ST: Yeah, I mean, as you followed the fantastic panels yesterday morning,
270
761216
3857
ST: Tras asistir a los maravillosos paneles de discusión de ayer,
12:45
two sessions about AI,
271
765097
1994
dos sesiones sobre IA,
"Líderes supremos robóticos" y "La respuesta humana",
12:47
robotic overlords and the human response,
272
767115
2167
12:49
many, many great things were said.
273
769306
1982
se dijeron muchas cosas maravillosas.
12:51
But one of the concerns is that we sometimes confuse
274
771312
2687
Pero una de las preocupaciones es que a veces confundimos
12:54
what's actually been done with AI with this kind of overlord threat,
275
774023
4062
lo que ya se ha logrado con IA, con este riesgo de que nos dominen,
12:58
where your AI develops consciousness, right?
276
778109
3424
de que la IA desarrolle consciencia, ¿cierto?
13:01
The last thing I want is for my AI to have consciousness.
277
781557
2971
Lo último que quiero es que mi IA desarrolle consciencia.
13:04
I don't want to come into my kitchen
278
784552
1716
No quiero entrar en mi cocina
13:06
and have the refrigerator fall in love with the dishwasher
279
786292
4193
y que el refrigerador se enamore de la lavadora,
13:10
and tell me, because I wasn't nice enough,
280
790509
2124
y me diga que, como no fui suficientemente amable,
13:12
my food is now warm.
281
792657
1837
mi comida ahora está tibia.
13:14
I wouldn't buy these products, and I don't want them.
282
794518
2891
Yo no compraría estos productos y no los quiero.
13:17
But the truth is, for me,
283
797825
1802
Pero la realidad es que, para mí,
13:19
AI has always been an augmentation of people.
284
799651
2720
la IA siempre ha sido un mejoramiento del hombre
13:22
It's been an augmentation of us,
285
802893
1676
de nosotros mismos,
13:24
to make us stronger.
286
804593
1457
para hacernos más fuertes.
13:26
And I think Kasparov was exactly correct.
287
806074
2831
Y creo que Kaspárov tenía razón.
13:28
It's been the combination of human smarts and machine smarts
288
808929
3849
Ha sido la combinación de las inteligencias humana y de máquina
13:32
that make us stronger.
289
812802
1464
lo que nos fortalece.
13:34
The theme of machines making us stronger is as old as machines are.
290
814290
4587
El tema de que las máquinas nos fortalecen es tan antiguo como las máquinas mismas.
13:39
The agricultural revolution took place because it made steam engines
291
819567
3758
La revolución agrícola ocurrió cuando se creó la máquina de vapor
13:43
and farming equipment that couldn't farm by itself,
292
823349
2666
y el equipo de cosecha que no podía manejarse solo;
13:46
that never replaced us; it made us stronger.
293
826039
2122
no nos reemplazó, nos hizo más fuertes.
13:48
And I believe this new wave of AI will make us much, much stronger
294
828185
3738
Y yo creo que esta nueva ola de IA
nos hará mucho más fuertes como seres humanos.
13:51
as a human race.
295
831947
1183
13:53
CA: We'll come on to that a bit more,
296
833765
1813
CA: Volveremos con eso en un momento,
13:55
but just to continue with the scary part of this for some people,
297
835602
3671
pero retomando la parte alarmante para algunos,
13:59
like, what feels like it gets scary for people is when you have
298
839297
3558
lo que asusta a la gente es cuando tienes
14:02
a computer that can, one, rewrite its own code,
299
842879
4618
una computadora que puede, primero, reescribir su propio código;
14:07
so, it can create multiple copies of itself,
300
847521
3584
puede crear copias de sí mismo,
14:11
try a bunch of different code versions,
301
851129
1897
probar diferentes codificaciones, incluso de manera aleatoria,
14:13
possibly even at random,
302
853050
1775
14:14
and then check them out and see if a goal is achieved and improved.
303
854849
3632
y luego, probarlas y determinar si la meta se cumplió y superó.
14:18
So, say the goal is to do better on an intelligence test.
304
858505
3641
Entonces, digamos que el objetivo es mejorar en una prueba de inteligencia.
14:22
You know, a computer that's moderately good at that,
305
862170
3894
Una computadora un tanto buena en eso,
14:26
you could try a million versions of that.
306
866088
2509
podría intentar un millón de versiones.
14:28
You might find one that was better,
307
868621
2090
Podría encontrar una mejor,
14:30
and then, you know, repeat.
308
870735
2004
y luego, ya sabes, repetir.
14:32
And so the concern is that you get some sort of runaway effect
309
872763
3040
Entonces la preocupación es que se salga de control,
14:35
where everything is fine on Thursday evening,
310
875827
3008
donde todo esté bien el jueves por la noche,
14:38
and you come back into the lab on Friday morning,
311
878859
2336
pero regresas al laboratorio el viernes por la mañana,
14:41
and because of the speed of computers and so forth,
312
881219
2449
y por la velocidad misma de la computadora,
14:43
things have gone crazy, and suddenly --
313
883692
1903
las cosas se hayan alocado y de pronto...
14:45
ST: I would say this is a possibility,
314
885619
2020
ST: Diría que sí es una posibilidad,
14:47
but it's a very remote possibility.
315
887663
1916
pero una posibilidad muy remota.
14:49
So let me just translate what I heard you say.
316
889603
3337
Déjame traducir lo que acabas de decir.
14:52
In the AlphaGo case, we had exactly this thing:
317
892964
2704
En el caso de AlphaGo tuvimos justamente eso:
14:55
the computer would play the game against itself
318
895692
2315
La computadora jugaba contra sí misma
y aprendía reglas nuevas.
14:58
and then learn new rules.
319
898031
1250
14:59
And what machine learning is is a rewriting of the rules.
320
899305
3235
Y el aprendizaje de máquina es reescribir esas reglas,
15:02
It's the rewriting of code.
321
902564
1769
reescribir el código.
15:04
But I think there was absolutely no concern
322
904357
2845
Pero no había miedo alguno
15:07
that AlphaGo would take over the world.
323
907226
2426
de que AlphaGo se apoderara del mundo.
15:09
It can't even play chess.
324
909676
1464
Ni siquiera puede jugar al ajedrez.
15:11
CA: No, no, no, but now, these are all very single-domain things.
325
911164
5147
CA: No, no, no, pero estas cosas son de un campo muy limitado.
15:16
But it's possible to imagine.
326
916335
2879
Pero es posible imaginar...
15:19
I mean, we just saw a computer that seemed nearly capable
327
919238
3089
acabamos de ver una computadora que era casi capaz
15:22
of passing a university entrance test,
328
922351
2655
de aprobar un examen de ingreso a la universidad;
15:25
that can kind of -- it can't read and understand in the sense that we can,
329
925030
3688
no puede leer y comprender como nosotros podemos,
15:28
but it can certainly absorb all the text
330
928742
1987
pero, desde luego, puede asimilar todo el texto
15:30
and maybe see increased patterns of meaning.
331
930753
2899
y tal vez identificar patrones de significado.
15:33
Isn't there a chance that, as this broadens out,
332
933676
3694
¿No existe la posibilidad, conforme esto se expande,
15:37
there could be a different kind of runaway effect?
333
937394
2466
que pudiera salirse de control?
15:39
ST: That's where I draw the line, honestly.
334
939884
2078
ST: Ahí pinto la raya, francamente.
15:41
And the chance exists -- I don't want to downplay it --
335
941986
2643
Y la posibilidad existe -- no quiero restarle importancia --
15:44
but I think it's remote, and it's not the thing that's on my mind these days,
336
944653
3672
pero es remota y no es algo que ocupe mi mente ahora,
porque la gran revolución es otra cosa.
15:48
because I think the big revolution is something else.
337
948349
2512
15:50
Everything successful in AI to the present date
338
950885
2922
Todo lo que ha salido bien con la IA hasta el día de hoy
15:53
has been extremely specialized,
339
953831
2214
ha sido extremadamente especializado,
y ha prosperado en una sola idea,
15:56
and it's been thriving on a single idea,
340
956069
2489
15:58
which is massive amounts of data.
341
958582
2739
que es cantidades masivas de datos.
16:01
The reason AlphaGo works so well is because of massive numbers of Go plays,
342
961345
4147
AlphaGo funciona tan bien por la gran cantidad de jugadas de go,
16:05
and AlphaGo can't drive a car or fly a plane.
343
965516
3255
y AlphaGo no puede manejar un auto ni volar un avión.
16:08
The Google self-driving car or the Udacity self-driving car
344
968795
3031
El vehículo autónomo de Google o el de Udacity
16:11
thrives on massive amounts of data, and it can't do anything else.
345
971850
3240
prosperan por la gran cantidad de datos y no pueden hacer otra cosa;
ni siquiera puede controlar una motocicleta.
16:15
It can't even control a motorcycle.
346
975114
1727
16:16
It's a very specific, domain-specific function,
347
976865
2762
Es una función muy específica,
16:19
and the same is true for our cancer app.
348
979651
1907
y lo mismo sucede con la app del cáncer.
16:21
There has been almost no progress on this thing called "general AI,"
349
981582
3236
Prácticamente no ha habido progreso en lo que llamamos "IA general",
16:24
where you go to an AI and say, "Hey, invent for me special relativity
350
984842
4000
en que puedas decirle, "inventa la teoría de la relatividad especial
16:28
or string theory."
351
988866
1666
o la teoría de cuerdas".
16:30
It's totally in the infancy.
352
990556
1931
Está en pañales.
16:32
The reason I want to emphasize this,
353
992511
2127
Y quiero hacer hincapié en esto,
16:34
I see the concerns, and I want to acknowledge them.
354
994662
3838
porque veo la preocupación que existe y la reconozco.
16:38
But if I were to think about one thing,
355
998524
2886
Pero si fuese a pensar en algo, sería:
16:41
I would ask myself the question, "What if we can take anything repetitive
356
1001434
5563
"¿Qué tal si podemos tomar cualquier actividad repetitiva
y hacernos 100 veces más eficientes?"
16:47
and make ourselves 100 times as efficient?"
357
1007021
3473
16:51
It so turns out, 300 years ago, we all worked in agriculture
358
1011170
4249
Resulta que hace 100 años todos trabajábamos en el campo
y cultivábamos y hacíamos cosas repetitivas.
16:55
and did farming and did repetitive things.
359
1015443
2051
Hoy, el 75 % de nosotros trabaja en una oficina
16:57
Today, 75 percent of us work in offices
360
1017518
2556
y hacemos cosas repetitivas.
17:00
and do repetitive things.
361
1020098
2124
17:02
We've become spreadsheet monkeys.
362
1022246
2183
Nos hemos convertido en hojas de cálculo humanas.
17:04
And not just low-end labor.
363
1024453
2054
Y no solo los trabajos básicos.
17:06
We've become dermatologists doing repetitive things,
364
1026531
2754
Nos hemos hecho dermatólogos que hacen cosas repetitivas,
17:09
lawyers doing repetitive things.
365
1029309
1749
abogados que hacen cosas repetitivas.
17:11
I think we are at the brink of being able to take an AI,
366
1031082
3823
Creo que estamos al borde de poder tomar la IA,
17:14
look over our shoulders,
367
1034929
1718
echar un vistazo atrás,
17:16
and they make us maybe 10 or 50 times as effective in these repetitive things.
368
1036671
4058
y hacernos tal vez 10 o 50 veces más efectivos en estas cosas repetitivas.
17:20
That's what is on my mind.
369
1040753
1275
Eso es lo que ocupa mi mente.
17:22
CA: That sounds super exciting.
370
1042052
2450
CA: Pues suena muy emocionante.
17:24
The process of getting there seems a little terrifying to some people,
371
1044526
3530
El proceso para llegar ahí suena aterrador para algunas personas,
porque una vez que la computadora pueda realizar esta actividad repetitiva
17:28
because once a computer can do this repetitive thing
372
1048080
3180
17:31
much better than the dermatologist
373
1051284
3434
mucho mejor que un dermatólogo,
17:34
or than the driver, especially, is the thing that's talked about
374
1054742
3230
o que el conductor, es de lo que tanto se habla ahora,
17:37
so much now,
375
1057996
1290
de pronto se pierden millones de empleos
17:39
suddenly millions of jobs go,
376
1059310
1958
17:41
and, you know, the country's in revolution
377
1061292
2695
y, ya sabes, el país se revoluciona
antes de que podamos alcanzar los aspectos más espectaculares posibles.
17:44
before we ever get to the more glorious aspects of what's possible.
378
1064011
4329
ST: Sí, y eso es un problema, un gran problema,
17:48
ST: Yeah, and that's an issue, and it's a big issue,
379
1068364
2517
17:50
and it was pointed out yesterday morning by several guest speakers.
380
1070905
4196
y lo mencionaban ayer por la mañana varios oradores.
Antes de subir al escenario
17:55
Now, prior to me showing up onstage,
381
1075125
2754
17:57
I confessed I'm a positive, optimistic person,
382
1077903
3739
confesé que soy una persona positiva y optimista,
18:01
so let me give you an optimistic pitch,
383
1081666
2389
así que déjame darte mi discurso optimista
que es: imagínense a Uds. mismos hace 300 años.
18:04
which is, think of yourself back 300 years ago.
384
1084079
4795
18:08
Europe just survived 140 years of continuous war,
385
1088898
3996
Europa acababa de sobrevivir 140 años de guerra continua,
18:12
none of you could read or write,
386
1092918
1711
nadie sabía leer o escribir,
18:14
there were no jobs that you hold today,
387
1094653
2945
no existían los trabajos de hoy,
18:17
like investment banker or software engineer or TV anchor.
388
1097622
4096
como banca de inversiones o ingeniero de software o conductor de TV.
18:21
We would all be in the fields and farming.
389
1101742
2414
Todos estaríamos en los campos, cultivando.
Y por aquí llega el pequeño Sebastian con una máquina de vapor en su bolsillo,
18:24
Now here comes little Sebastian with a little steam engine in his pocket,
390
1104180
3573
18:27
saying, "Hey guys, look at this.
391
1107777
1548
diciendo: "¡Ei, chicos! Vean esto.
18:29
It's going to make you 100 times as strong, so you can do something else."
392
1109349
3595
Esto los va a hacer 100 veces más fuertes para que puedan hacer otra cosa".
18:32
And then back in the day, there was no real stage,
393
1112968
2470
Y en ese entonces no había escenario
18:35
but Chris and I hang out with the cows in the stable,
394
1115462
2526
pero Chris y yo nos reuníamos en el establo de las vacas,
y me dice: "estoy muy preocupado,
18:38
and he says, "I'm really concerned about it,
395
1118012
2100
porque ordeño a mi vaca a diario,
18:40
because I milk my cow every day, and what if the machine does this for me?"
396
1120136
3652
y ¿qué pasará cuando esta máquina lo haga por mí?"
18:43
The reason why I mention this is,
397
1123812
1702
Les digo esto porque,
18:46
we're always good in acknowledging past progress and the benefit of it,
398
1126360
3603
somos muy buenos reconociendo el progreso pasado y sus beneficios,
18:49
like our iPhones or our planes or electricity or medical supply.
399
1129987
3354
como el iPhone o los aviones, la electricidad o los utensilios médicos.
18:53
We all love to live to 80, which was impossible 300 years ago.
400
1133365
4245
Nos encanta vivir hasta los 80 años, lo cual era imposible hace 300 años.
18:57
But we kind of don't apply the same rules to the future.
401
1137634
4156
Pero no aplicamos el mismo razonamiento hacia el futuro.
19:02
So if I look at my own job as a CEO,
402
1142621
3207
Si tomo mi propio trabajo como CEO,
19:05
I would say 90 percent of my work is repetitive,
403
1145852
3140
diría que el 90 % de lo que hago es repetitivo,
no lo disfruto,
19:09
I don't enjoy it,
404
1149016
1351
19:10
I spend about four hours per day on stupid, repetitive email.
405
1150391
3978
paso cuatro horas al día en emails estúpidos y repetitivos.
19:14
And I'm burning to have something that helps me get rid of this.
406
1154393
3641
Y muero por tener algo que me ayude a librarme de esto.
¿Por qué?
19:18
Why?
407
1158058
1158
19:19
Because I believe all of us are insanely creative;
408
1159240
3003
Porque creo que todos somos extremadamente creativos;
19:22
I think the TED community more than anybody else.
409
1162731
3194
la comunidad de TED en particular.
19:25
But even blue-collar workers; I think you can go to your hotel maid
410
1165949
3559
Pero hasta los obreros; creo que si toman un trago
19:29
and have a drink with him or her,
411
1169532
2402
con la empleada o el empleado de un hotel,
19:31
and an hour later, you find a creative idea.
412
1171958
2717
una hora después encontrarán allí una idea creativa.
19:34
What this will empower is to turn this creativity into action.
413
1174699
4140
Esto permitirá convertir esa creatividad en acción.
19:39
Like, what if you could build Google in a day?
414
1179265
3442
¿Qué tal si pudieras inventar Google en un día?
19:43
What if you could sit over beer and invent the next Snapchat,
415
1183221
3316
¿Qué tal si tomaras una cerveza e inventaras el siguiente Snapchat,
19:46
whatever it is,
416
1186561
1165
lo que sea,
19:47
and tomorrow morning it's up and running?
417
1187750
2187
y para mañana ya está en operación?
19:49
And that is not science fiction.
418
1189961
1773
No es ciencia ficción.
19:51
What's going to happen is,
419
1191758
1254
Lo que va a suceder es,
que ya somos historia.
19:53
we are already in history.
420
1193036
1867
19:54
We've unleashed this amazing creativity
421
1194927
3228
Hemos desatado esta asombrosa creatividad
19:58
by de-slaving us from farming
422
1198179
1611
emancipándonos del campo
19:59
and later, of course, from factory work
423
1199814
3363
y luego, claro, de las fábricas,
20:03
and have invented so many things.
424
1203201
3162
y hemos inventado muchas cosas.
20:06
It's going to be even better, in my opinion.
425
1206387
2178
Va a ser aún mejor, en mi opinión.
20:08
And there's going to be great side effects.
426
1208589
2072
Y los efectos colaterales serán maravillosos.
20:10
One of the side effects will be
427
1210685
1489
Uno de ellos será
20:12
that things like food and medical supply and education and shelter
428
1212198
4795
que cosas como la comida, los aparatos médicos,
la educación, la vivienda y el transporte,
20:17
and transportation
429
1217017
1177
20:18
will all become much more affordable to all of us,
430
1218218
2441
serán mucho más asequibles para todos,
20:20
not just the rich people.
431
1220683
1322
no solo para las personas ricas.
20:22
CA: Hmm.
432
1222029
1182
CA: Mmm.
20:23
So when Martin Ford argued, you know, that this time it's different
433
1223235
4341
Cuando Martin Ford explicaba que esta vez será distinto
20:27
because the intelligence that we've used in the past
434
1227600
3453
porque la inteligencia que hemos usado en el pasado
para buscar caminos nuevos
20:31
to find new ways to be
435
1231077
2483
20:33
will be matched at the same pace
436
1233584
2279
será igualada al mismo ritmo
20:35
by computers taking over those things,
437
1235887
2291
por las computadoras que las relevarán...
20:38
what I hear you saying is that, not completely,
438
1238202
3078
lo que tú dices es que, no del todo,
20:41
because of human creativity.
439
1241304
2951
por la creatividad humana.
20:44
Do you think that that's fundamentally different from the kind of creativity
440
1244279
3785
¿Crees que eso sea fundamentalmente distinto del tipo de creatividad
20:48
that computers can do?
441
1248088
2696
que tienen las computadoras?
20:50
ST: So, that's my firm belief as an AI person --
442
1250808
4434
ST: Estoy convencido, como experto en IA,
20:55
that I haven't seen any real progress on creativity
443
1255266
3803
que no he visto progreso real en lo referente a creatividad
20:59
and out-of-the-box thinking.
444
1259949
1407
y pensamiento fuera de lo convencional.
21:01
What I see right now -- and this is really important for people to realize,
445
1261380
3623
Lo que veo ahora, y es importante que la gente lo entienda,
porque el concepto "inteligencia artificial" es muy aterrador,
21:05
because the word "artificial intelligence" is so threatening,
446
1265027
2903
21:07
and then we have Steve Spielberg tossing a movie in,
447
1267954
2523
tenemos a Steven Spielberg que crea una película,
21:10
where all of a sudden the computer is our overlord,
448
1270501
2413
y de pronto la computadora es nuestro líder supremo,
21:12
but it's really a technology.
449
1272938
1452
pero en realidad es una tecnología.
21:14
It's a technology that helps us do repetitive things.
450
1274414
2982
Es la tecnología la que nos ayuda a hacer actividades repetitivas.
21:17
And the progress has been entirely on the repetitive end.
451
1277420
2913
Se ha logrado progreso en las actividades repetitivas.
21:20
It's been in legal document discovery.
452
1280357
2228
En encontrar documentos legales,
21:22
It's been contract drafting.
453
1282609
1680
en redactar contratos.
21:24
It's been screening X-rays of your chest.
454
1284313
4223
En analizar exámenes de rayos X del pecho.
21:28
And these things are so specialized,
455
1288560
1773
Y son cosas tan especializadas,
21:30
I don't see the big threat of humanity.
456
1290357
2391
que no veo la gran amenaza para la humanidad.
21:32
In fact, we as people --
457
1292772
1794
De hecho, nosotros como personas...
21:34
I mean, let's face it: we've become superhuman.
458
1294590
2385
seamos realistas: nos hemos vuelto súper-humanos,
21:36
We've made us superhuman.
459
1296999
1764
nos hemos hecho súper-humanos.
21:38
We can swim across the Atlantic in 11 hours.
460
1298787
2632
Podemos cruzar el Atlántico nadando en 11 horas.
21:41
We can take a device out of our pocket
461
1301443
2074
Podemos sacar un aparato del bolsillo
21:43
and shout all the way to Australia,
462
1303541
2147
y hacer un llamado a Australia,
21:45
and in real time, have that person shouting back to us.
463
1305712
2600
y en tiempo real la otra persona nos responde alto y claro.
21:48
That's physically not possible. We're breaking the rules of physics.
464
1308336
3624
Eso es físicamente imposible, rompe las reglas de la Física.
21:51
When this is said and done, we're going to remember everything
465
1311984
2943
Al final, vamos a recordar
21:54
we've ever said and seen,
466
1314951
1213
todo lo que has dicho y lo que has visto,
21:56
you'll remember every person,
467
1316188
1496
recordarás a cada persona,
21:57
which is good for me in my early stages of Alzheimer's.
468
1317708
2626
lo cual es bueno en mi etapa inicial de Alzheimer.
22:00
Sorry, what was I saying? I forgot.
469
1320358
1677
Disculpa, ¿qué estaba diciendo? Lo olvidé.
22:02
CA: (Laughs)
470
1322059
1578
CA: (Risas)
22:03
ST: We will probably have an IQ of 1,000 or more.
471
1323661
3077
ST: Probablemente tendremos un coeficiente intelectual de 1000 o más.
22:06
There will be no more spelling classes for our kids,
472
1326762
3425
No habrá más clases de ortografía para los niños
porque ya no existirán los errores de ortografía.
22:10
because there's no spelling issue anymore.
473
1330211
2086
22:12
There's no math issue anymore.
474
1332321
1832
No habrá problemas con las matemáticas.
22:14
And I think what really will happen is that we can be super creative.
475
1334177
3510
Y entonces sucederá que seremos súper creativos.
22:17
And we are. We are creative.
476
1337711
1857
Y lo somos. Somos creativos.
22:19
That's our secret weapon.
477
1339592
1552
Esa es nuestra arma secreta.
22:21
CA: So the jobs that are getting lost,
478
1341168
2153
CA: Así que los empleos se van a eliminar,
22:23
in a way, even though it's going to be painful,
479
1343345
2494
de cierto modo, aunque va a ser doloroso,
22:25
humans are capable of more than those jobs.
480
1345863
2047
los humanos somos capaces de más que esos trabajos.
22:27
This is the dream.
481
1347934
1218
Este es el sueño.
22:29
The dream is that humans can rise to just a new level of empowerment
482
1349176
4247
El sueño es que los humanos alcancen un nuevo nivel de empoderamiento
y descubrimiento.
22:33
and discovery.
483
1353447
1657
Ese es el sueño.
22:35
That's the dream.
484
1355128
1452
22:36
ST: And think about this:
485
1356604
1643
ST: Y piensa en esto;
22:38
if you look at the history of humanity,
486
1358271
2021
si ves la historia de la humanidad,
22:40
that might be whatever -- 60-100,000 years old, give or take --
487
1360316
3328
que serán unos 60 a 100 000 años, más o menos,
22:43
almost everything that you cherish in terms of invention,
488
1363668
3726
casi todo lo que apreciamos en cuanto a invenciones,
22:47
of technology, of things we've built,
489
1367418
2151
de tecnología, de lo que hemos construido,
22:49
has been invented in the last 150 years.
490
1369593
3099
se ha inventado en los últimos 150 años.
22:53
If you toss in the book and the wheel, it's a little bit older.
491
1373756
3048
Si le agregas el libro y la rueda, es un poco más.
22:56
Or the axe.
492
1376828
1169
O el hacha.
Pero tu teléfono, tus zapatillas,
22:58
But your phone, your sneakers,
493
1378021
2790
23:00
these chairs, modern manufacturing, penicillin --
494
1380835
3551
estas sillas, la manufactura moderna, la penicilina...
23:04
the things we cherish.
495
1384410
1714
las cosas que atesoramos.
23:06
Now, that to me means
496
1386148
3658
Ahora, para mí eso significa
23:09
the next 150 years will find more things.
497
1389830
3041
que en los próximos 150 años encontraremos más cosas.
23:12
In fact, the pace of invention has gone up, not gone down, in my opinion.
498
1392895
4154
De hecho, el ritmo de invención ha subido, no bajado, en mi opinión.
Creo que se han creado solo el 1 % de las cosas interesantes.
23:17
I believe only one percent of interesting things have been invented yet. Right?
499
1397073
4905
¿Cierto?
No hemos curado el cáncer.
23:22
We haven't cured cancer.
500
1402002
1988
No tenemos coches voladores, todavía. Espero cambiar esto.
23:24
We don't have flying cars -- yet. Hopefully, I'll change this.
501
1404014
3718
23:27
That used to be an example people laughed about. (Laughs)
502
1407756
3257
Ese ejemplo solía provocar risas.
(Risas)
Es gracioso, ¿no es cierto? Trabajar en secreto en coches voladores.
23:31
It's funny, isn't it? Working secretly on flying cars.
503
1411037
2992
23:34
We don't live twice as long yet. OK?
504
1414053
2683
Todavía no vivimos el doble de años.
23:36
We don't have this magic implant in our brain
505
1416760
2785
No tenemos este implante mágico en el cerebro
que nos dé la información que buscamos.
23:39
that gives us the information we want.
506
1419569
1832
23:41
And you might be appalled by it,
507
1421425
1526
Y puede parecer aberrante,
23:42
but I promise you, once you have it, you'll love it.
508
1422975
2444
pero les prometo que cuando lo tengan les encantará.
23:45
I hope you will.
509
1425443
1166
Espero que les encante.
23:46
It's a bit scary, I know.
510
1426633
1909
Es un poco alarmante, lo sé.
23:48
There are so many things we haven't invented yet
511
1428566
2254
Hay muchas cosas que todavía no inventamos,
23:50
that I think we'll invent.
512
1430844
1268
que inventaremos.
No tenemos escudos de gravedad.
23:52
We have no gravity shields.
513
1432136
1306
No podemos teletransportarnos.
23:53
We can't beam ourselves from one location to another.
514
1433466
2553
Suena ridículo, pero hace 200 años,
23:56
That sounds ridiculous,
515
1436043
1151
23:57
but about 200 years ago,
516
1437218
1288
23:58
experts were of the opinion that flight wouldn't exist,
517
1438530
2667
los expertos opinaban que no se podría volar,
24:01
even 120 years ago,
518
1441221
1324
incluso hace 120 años,
24:02
and if you moved faster than you could run,
519
1442569
2582
y que si te movías más rápido de lo que podías correr,
24:05
you would instantly die.
520
1445175
1520
morirías al instante.
24:06
So who says we are correct today that you can't beam a person
521
1446719
3569
Así que, ¿quién puede estar seguro hoy
de que no se pueda teletransportar a una persona de aquí a Marte?
24:10
from here to Mars?
522
1450312
2249
24:12
CA: Sebastian, thank you so much
523
1452585
1569
CA: Sebastian, muchas gracias
24:14
for your incredibly inspiring vision and your brilliance.
524
1454178
2682
por tu increíble visión inspiradora y tu genialidad.
24:16
Thank you, Sebastian Thrun.
525
1456884
1323
Gracias, Sebastian Thrun.
ST: Fue fantástico. (Aplausos)
24:18
That was fantastic. (Applause)
526
1458231
1895
Acerca de este sitio web

Este sitio le presentará vídeos de YouTube útiles para aprender inglés. Verá lecciones de inglés impartidas por profesores de primera categoría de todo el mundo. Haz doble clic en los subtítulos en inglés que aparecen en cada página de vídeo para reproducir el vídeo desde allí. Los subtítulos se desplazan en sincronía con la reproducción del vídeo. Si tiene algún comentario o petición, póngase en contacto con nosotros mediante este formulario de contacto.

https://forms.gle/WvT1wiN1qDtmnspy7