Can AI Match the Human Brain? | Surya Ganguli | TED

76,477 views ・ 2025-02-21

TED


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

Traductor: Sebastian Betti
00:04
So what the heck happened in the field of AI in the last decade?
0
4335
3170
¿Qué diablos pasó en el campo de la IA en la última década?
00:07
It's like a strange new type of intelligence
1
7972
2436
Es como si hubiera aparecido
un nuevo tipo de inteligencia extraño en el planeta.
00:10
appeared on our planet.
2
10441
1802
00:12
But it's not like human intelligence.
3
12276
1869
Pero no es como la inteligencia humana.
00:14
It has remarkable capabilities,
4
14612
2169
Tiene capacidades notables,
00:16
but it also makes egregious errors that we never make.
5
16814
2869
pero también comete errores atroces que nosotros nunca cometemos.
Y aún no tiene el profundo razonamiento lógico
00:20
And it doesn't yet do the deep logical reasoning that we can do.
6
20317
3037
que podemos tener nosotros.
00:24
It has a very mysterious surface of both capabilities and fragilities.
7
24221
5272
Tiene una superficie muy misteriosa llena de capacidades y fragilidades.
00:29
And we understand almost nothing about how it works.
8
29527
2836
Y no entendemos casi nada acerca de cómo funciona.
00:32
I would like a deeper scientific understanding of intelligence.
9
32396
3737
Me gustaría entender mejor la ciencia de la inteligencia.
00:37
But to understand AI,
10
37101
1368
Pero para entender la IA,
00:38
it's useful to place it in the historical context
11
38502
2937
es útil situarla en el contexto histórico
00:41
of biological intelligence.
12
41472
2269
de la inteligencia biológica.
00:43
The story of human intelligence
13
43774
1502
La historia de la inteligencia humana
00:45
might as well have started with this little critter.
14
45309
2636
bien podría haber empezado con esta pequeña criatura.
00:47
It's the last common ancestor of all vertebrates.
15
47978
2736
Es el último ancestro común de todos los vertebrados.
00:50
We are all descended from it.
16
50748
1902
Todos descendemos de él.
00:52
It lived about 500 million years ago.
17
52683
2202
Vivió hace unos 500 millones de años.
00:55
Then evolution went on to build the brain, which in turn,
18
55586
3403
Luego, la evolución construyó el cerebro, que a su vez,
00:58
in the space of 500 years from Newton to Einstein,
19
58989
3604
en el espacio de 500 años transcurridos entre Newton y Einstein,
desarrolló las matemáticas y la física profundas
01:02
developed the deep math and physics
20
62626
1836
01:04
required to understand the universe, from quarks to cosmology.
21
64495
4071
necesarias para entender el universo, desde los quarks hasta la cosmología.
01:08
And it did this all without consulting ChatGPT.
22
68599
2569
Y todo esto lo hizo sin consultar a ChatGPT.
01:12
And then, of course, there's the advances of the last decade.
23
72169
3604
Y luego, por supuesto, están los avances de la última década.
01:15
To really understand what just happened in AI,
24
75806
2803
Para entender lo que acaba de ocurrir en la IA,
01:18
we need to combine physics, math,
25
78609
2069
necesitamos combinar la física, las matemáticas,
01:20
neuroscience, psychology, computer science and more,
26
80678
3270
la neurociencia, la psicología, la informática y más,
01:23
to develop a new science of intelligence.
27
83948
2836
para desarrollar una nueva ciencia de la inteligencia.
01:26
The science of intelligence
28
86817
1368
La ciencia de la inteligencia
01:28
can simultaneously help us understand biological intelligence
29
88219
3870
puede ayudarnos simultáneamente a entender la inteligencia biológica
01:32
and create better artificial intelligence.
30
92123
2135
y a crear una mejor IA.
01:34
And we need this science now,
31
94291
2169
Y necesitamos esta ciencia ahora,
01:36
because the engineering of intelligence
32
96494
1968
porque la ingeniería de la inteligencia
01:38
has vastly outstripped our ability to understand it.
33
98462
3103
ha superado con creces nuestra capacidad de entenderla.
01:41
I want to take you on a tour of our work in the science of intelligence
34
101565
3370
Quiero explicarles nuestro trabajo en la ciencia de la inteligencia,
01:44
that addresses five critical areas in which AI can improve --
35
104969
3737
que aborda cinco áreas críticas en las que la IA puede mejorar:
01:48
data efficiency, energy efficiency, going beyond evolution,
36
108739
4405
la eficiencia de los datos,
la eficiencia energética, ir más allá de la evolución,
la explicabilidad y la fusión de mentes y máquinas.
01:53
explainability and melding minds and machines.
37
113177
3337
01:56
Let's address these critical gaps one by one.
38
116514
3336
Abordemos estas brechas críticas una por una.
En primer lugar, la eficiencia de los datos.
02:00
First, data efficiency.
39
120251
1801
02:02
AI is vastly more data-hungry than humans.
40
122086
3303
La IA necesita mucho más datos que los humanos.
02:05
For example, we train our language models on the order of one trillion words now.
41
125389
5305
Por ejemplo, ahora entrenamos nuestros modelos lingüísticos
en torno a un billón de palabras.
02:10
Well, how many words do we get?
42
130728
1902
¿Cuántas palabras obtenemos?
02:12
Just 100 million.
43
132630
1201
Solo 100 millones.
02:13
It's that tiny little red dot at the center.
44
133864
2136
Es ese pequeño punto rojo en el centro.
02:16
You might not be able to see it.
45
136033
1535
Es posible que no puedas verlo.
Tardaríamos 24 000 años en leer el resto del billón de palabras.
02:18
It would take us 24,000 years to read the rest of the one trillion words.
46
138035
5672
02:23
OK, now, you might say that's unfair.
47
143707
1902
Se podría decir que es injusto.
02:25
Sure, AI read for 24,000 human-equivalent years,
48
145609
3537
La IA leyó durante 24 000 años equivalentes a los humanos,
pero los humanos tenemos
02:29
but humans got 500 million years of vertebrate brain evolution.
49
149180
3269
500 millones de años de evolución cerebral de vertebrados.
02:32
But there's a catch.
50
152850
1535
Pero hay una trampa.
02:34
Your entire legacy of evolution is given to you through your DNA,
51
154418
4571
Todo su legado evolutivo lo heredan a través de su ADN,
y su ADN solo tiene unos 700 megabytes,
02:39
and your DNA is only about 700 megabytes,
52
159023
2469
o lo que es lo mismo, 600 millones [de palabras].
02:41
or equivalently, 600 million [words].
53
161525
2202
Por lo tanto, la información combinada que obtenemos del aprendizaje y la evolución
02:43
So the combined information we get from learning and evolution
54
163761
3570
es minúscula en comparación con la que obtiene la IA.
02:47
is minuscule compared to what AI gets.
55
167364
2203
02:49
You are all incredibly efficient learning machines.
56
169600
3503
Todos ustedes son máquinas de aprendizaje increíblemente eficientes.
02:53
So how do we bridge the gap between AI and humans?
57
173137
3970
¿Cómo podemos cerrar la brecha entre la IA y los humanos?
Empezamos revisando las famosas leyes de escalamiento.
02:57
We started to tackle this problem by revisiting the famous scaling laws.
58
177141
3470
Este es un ejemplo de una ley de escalamiento,
03:00
Here's an example of a scaling law,
59
180644
2036
en la que el error se reduce a una ley de potencia
03:02
where error falls off as a power law with the amount of training data.
60
182713
4271
con la cantidad de datos de entrenamiento.
Estas leyes de escalamiento han cautivado la imaginación de la industria
03:07
These scaling laws have captured the imagination of industry
61
187017
3604
03:10
and motivated significant societal investments
62
190621
2269
y han motivado importantes inversiones sociales
03:12
in energy, compute and data collection.
63
192923
3504
en energía, computación y recopilación de datos.
03:16
But there's a problem.
64
196460
1735
Pero hay un problema.
Los exponentes de estas leyes de escalamiento son pequeños.
03:18
The exponents of these scaling laws are small.
65
198229
2602
03:20
So to reduce the error by a little bit,
66
200864
1902
Por ende, para reducir un poco el error,
03:22
you might need to ten-x your amount of training data.
67
202800
2736
quizás necesites multiplicar por 10 la cantidad de datos de entrenamiento.
03:25
This is unsustainable in the long run.
68
205536
2703
Esto es insostenible a largo plazo.
E incluso si conduce a mejoras a corto plazo,
03:28
And even if it leads to improvements in the short run,
69
208272
2602
03:30
there must be a better way.
70
210874
1402
debe haber una forma mejor.
Desarrollamos una teoría que explica por qué
03:33
We developed a theory that explains why these scaling laws are so bad.
71
213110
4037
estas leyes de escalamiento son tan malas.
La idea básica es que los grandes conjuntos de datos aleatorios
03:37
The basic idea is that large random datasets are incredibly redundant.
72
217147
3671
son muy redundantes.
03:40
If you already have billions of data points,
73
220851
2069
Si ya se tiene miles de millones de datos,
03:42
the next data point doesn't tell you much that's new.
74
222920
2536
el siguiente dato no aportará mucho.
¿Y si se pudiera crear un conjunto de datos no redundante, en el que
03:45
But what if you could create a nonredundant dataset,
75
225489
2836
cada dato se eligiera cuidadosamente para ofrecer algo nuevo,
03:48
where each data point is chosen carefully
76
228359
2135
03:50
to tell you something new, compared to all the other data points?
77
230527
3204
en comparación con los demás datos?
03:53
We developed theory and algorithms to do just this.
78
233764
4004
Desarrollamos la teoría y los algoritmos para hacer precisamente esto.
03:57
We theoretically predicted and experimentally verified
79
237801
3637
Predijimos teóricamente y verificamos experimentalmente
que podíamos reducir estas malas leyes de potencia
04:01
that we could bend these bad power laws down to much better exponentials,
80
241438
4205
para obtener exponenciales mucho mejores,
04:05
where adding a few more data points could reduce your error,
81
245676
2869
por lo que agregar algunos datos más podría reducir el error,
04:08
rather than ten-xing the amount of data.
82
248579
2235
en lugar de multiplicar por 10 la cantidad de datos.
04:10
So what theory did we use to get this result?
83
250848
2769
¿Qué teoría usamos para obtener este resultado?
04:14
We used ideas from statistical physics, and these are the equations.
84
254485
3236
Usamos ideas de la física estadística y estas son las ecuaciones.
04:17
Now, for the rest of this entire talk,
85
257755
1868
Ahora, durante el resto de esta charla,
04:19
I'm going to go through these equations one by one.
86
259623
2469
voy a repasar estas ecuaciones una por una.
(Risas)
04:22
(Laughter)
87
262092
1101
¿Creen que estoy bromeando?
04:23
You think I'm joking?
88
263227
1368
04:24
And explain them to you.
89
264595
1835
Y las explicaré.
04:26
OK, you're right, I'm joking. I'm not that mean.
90
266430
2736
Tienen razón, estoy bromeando. No soy tan malo.
Pero deberían haber visto las caras de los organizadores de TED
04:29
But you should have seen the faces of the TED organizers
91
269166
2836
04:32
when I said I was going to do that.
92
272002
2269
cuando dije que lo iba a hacer.
Muy bien, continuemos.
04:34
Alright, let's move on.
93
274271
1235
04:35
Let's zoom out a little bit,
94
275539
1602
Alejémonos un poco y pensemos de manera más general
04:37
and think more generally
95
277174
1201
en lo que se necesita para que la IA consuma menos datos.
04:38
about what it takes to make AI less data-hungry.
96
278375
2569
04:40
Imagine if we trained our kids
97
280978
2202
Imagínese si entrenáramos a nuestros hijos
de la misma manera que entrenamos a los modelos lingüísticos extensos,
04:43
the same way we pretrain our large language models,
98
283180
3036
vía la predicción de la siguiente palabra.
04:46
by next-word prediction.
99
286250
1535
04:47
So I'd give my kid a random chunk of the internet and say,
100
287818
2736
Le daría a mi hijo algo de Internet y le diría:
04:50
"By the way, this is the next word."
101
290587
1902
«Esta es la siguiente palabra».
04:52
I'd give them another random chunk of the internet and say,
102
292523
2836
Luego otro fragmento aleatorio de Internet y le diría:
«Esta es la siguiente palabra».
04:55
"This is the next word."
103
295392
1468
04:56
If that's all we did,
104
296860
1168
Si eso fuera todo
lo que hiciéramos, nuestros hijos tardarían
04:58
it would take our kids 24,000 years to learn anything useful.
105
298062
3036
24 000 años en aprender algo útil.
05:01
But we do so much more than that.
106
301131
2203
Pero hacemos mucho más que eso.
Por ejemplo, cuando le enseño matemáticas a mi hijo,
05:03
For example, when I teach my son math,
107
303367
2569
05:05
I teach him the algorithm required to solve the problem,
108
305969
3104
le enseño el algoritmo para resolver el problema.
Así, puede resolver inmediatamente nuevos problemas
05:09
then he can immediately solve new problems
109
309073
2002
y generalizar usando muchos menos datos de entrenamiento
05:11
and generalize using far less training data than any AI system would do.
110
311108
3937
que los que utilizaría cualquier sistema de IA.
05:15
I don't just throw millions of math problems at him.
111
315079
3303
No solo le planteo millones de problemas matemáticos.
05:18
So to really make AI more data-efficient,
112
318415
4605
Por lo tanto, para que la IA sea más eficiente con los datos,
tenemos que ir mucho más allá
05:23
we have to go far beyond our current training algorithms
113
323020
2869
de nuestros algoritmos de entrenamiento actuales
05:25
and turn machine learning into a new science of machine teaching.
114
325923
5272
y convertir el aprendizaje automático
en una nueva ciencia de la enseñanza automática.
Y la neurociencia, la psicología y las matemáticas
05:31
And neuroscience, psychology and math can really help here.
115
331228
3403
pueden ser de gran ayuda en este sentido.
Pasemos a la próxima gran brecha, la eficiencia energética.
05:35
Let's go on to the next big gap, energy efficiency.
116
335366
3403
05:38
Our brains are incredibly efficient.
117
338802
2236
Nuestros cerebros son increíblemente eficientes.
Solo consumimos 20 vatios de energía.
05:41
We only consume 20 watts of power.
118
341038
2736
05:43
For reference, our old light bulbs were 100 watts.
119
343807
3437
Como referencia, nuestras bombillas antiguas eran de 100 vatios.
05:47
So we are all literally dimmer than light bulbs.
120
347277
3404
Así que todos somos literalmente más tenues que las bombillas.
05:50
(Laughter)
121
350714
1702
(Risas)
Pero, ¿qué pasa con la IA?
05:52
But what about AI?
122
352416
1168
05:53
Training a large model can consume as much as 10 million watts,
123
353617
3303
Entrenar un modelo grande puede consumir hasta 10 millones de vatios,
05:56
and there’s talk of going nuclear to power one-billion-watt data centers.
124
356920
4805
y se habla de utilizar la energía nuclear
para alimentar centros de datos de mil millones de vatios.
06:01
So why is AI so much more energy-hungry than brains?
125
361759
4738
Entonces, ¿por qué la IA consume mucha más energía que los cerebros?
Pues bien, el problema reside en la propia elección de la computación digital,
06:06
Well, the fault lies in the choice of digital computation itself,
126
366530
3770
06:10
where we rely on fast and reliable bit flips
127
370334
3103
en la que confiamos en realizar cambios de bits rápidos y fiables
06:13
at every intermediate step of the computation.
128
373470
2803
en cada paso intermedio del cálculo.
Ahora bien, las leyes de la termodinámica
06:16
Now, the laws of thermodynamics
129
376273
1568
06:17
demand that every fast and reliable bit flip must consume a lot of energy.
130
377875
5839
exigen que cada cambio de bits rápido y fiable consuma mucha energía.
06:24
Biology took a very different route.
131
384448
2803
La biología tomó un camino muy diferente.
06:27
Biology computes the right answer just in time,
132
387251
3103
La biología calcula la respuesta correcta justo a tiempo,
06:30
using intermediate steps that are as slow and as unreliable as possible.
133
390387
6240
utilizando pasos intermedios que son lo más lentos y poco fiables posible.
06:36
In essence, biology does not rev its engine any more than it needs to.
134
396660
4037
En esencia, la biología no acelera su motor más de lo necesario.
06:41
In addition, biology matches computation to physics much better.
135
401932
4972
Además, la biología adapta mucho mejor la computación a la física.
06:46
Consider, for example, addition.
136
406937
2002
Pensemos, por ejemplo, en la suma.
06:48
Our computers add using really complex energy-consuming transistor circuits,
137
408972
6240
Nuestros ordenadores añaden energía
usando circuitos de transistores muy complejos que consumen mucha energía,
06:55
but neurons just directly add their voltage inputs,
138
415245
3370
pero las neuronas solo añaden directamente sus entradas de tensión,
06:58
because Maxwell's laws of electromagnetism already know how to add voltage.
139
418615
5639
porque las leyes del electromagnetismo de Maxwell ya saben cómo añadir tensión.
07:04
In essence, biology matches its computation
140
424288
3904
En esencia, la biología compara sus cálculos
07:08
to the native physics of the universe.
141
428225
3070
con la física nativa del universo.
Por lo tanto, para construir una IA más eficiente en lo energético,
07:11
So to really build more energy-efficient AI,
142
431328
2803
07:14
we need to rethink our entire technology stack,
143
434164
2936
necesitamos repensar todo nuestro conjunto de tecnologías,
07:17
from electrons to algorithms,
144
437134
2769
desde los electrones hasta los algoritmos,
07:19
and better match computational dynamics to physical dynamics.
145
439937
4237
y adaptar mejor la dinámica computacional a la dinámica física.
07:24
For example, what are the fundamental limits
146
444208
3703
Por ejemplo, ¿cuáles son los límites fundamentales
07:27
on the speed and accuracy of any given computation,
147
447911
3470
de velocidad y precisión de cualquier cálculo dado,
teniendo en cuenta un presupuesto energético?
07:31
given an energy budget?
148
451381
1735
07:33
And what kinds of electrochemical computers can achieve
149
453150
3337
¿Y qué tipos de ordenadores electroquímicos pueden alcanzar
07:36
these fundamental limits?
150
456520
1735
estos límites fundamentales?
07:38
We recently solved this problem for the computation of sensing,
151
458255
4104
Hace poco resolvimos este problema para la computación de la detección,
07:42
which is something that every neuron has to do.
152
462392
2636
que es algo que todas las neuronas tienen que hacer.
Pudimos encontrar límites inferiores fundamentales
07:45
We were able to find fundamental lower bounds or lower limits on the error
153
465028
4104
o límites inferiores para el error
en función del presupuesto energético.
07:49
as a function of the energy budget.
154
469132
1736
07:50
That's that red curve.
155
470901
1268
Esa es la curva roja.
07:52
And we were able to find the chemical computers that achieve these limits.
156
472202
3671
Y pudimos encontrar las computadoras químicas que alcanzan estos límites.
07:55
And remarkably, they looked a lot like G-protein coupled receptors,
157
475906
3670
Y sorprendentemente,
se parecían mucho a los receptores acoplados a la proteína G,
07:59
which every neuron uses to sense external signals.
158
479610
3837
que cada neurona usa para detectar señales externas.
08:03
So this suggests that biology can achieve amounts of efficiency
159
483480
5472
Por lo tanto, esto sugiere que la biología puede lograr niveles de eficiencia
08:08
that are close to fundamental limits set by the laws of physics itself.
160
488986
4004
cercanos a los límites fundamentales
establecidos por las propias leyes de la física.
08:13
Popping up a level,
161
493023
1268
Pasando a un nuevo nivel,
08:14
neuroscience now gives us the ability to measure not only neural activity,
162
494324
5005
la neurociencia ahora nos permite medir no solo la actividad neuronal,
08:19
but also energy consumption across, for example, the entire brain of the fly.
163
499363
5305
sino también el consumo de energía en, por ejemplo, todo el cerebro de la mosca.
08:24
The energy consumption is measured through ATP usage,
164
504701
3003
El consumo de energía se mide mediante el uso del ATP,
08:27
which is the chemical fuel that powers all neurons.
165
507738
3670
que es el combustible químico que alimenta a todas las neuronas.
Así que ahora permíteme hacerte una pregunta.
08:31
So now let me ask you a question.
166
511441
1702
08:33
Let's say in a certain brain region, neural activity goes up.
167
513143
3670
Digamos que en cierta región del cerebro, la actividad neuronal aumenta.
08:36
Does the ATP go up or down?
168
516847
2669
¿El ATP sube o baja?
Una suposición natural sería que el ATP disminuye,
08:39
A natural guess would be that the ATP goes down,
169
519983
2303
porque la actividad neuronal cuesta energía,
08:42
because neural activity costs energy, so it's got to consume the fuel.
170
522286
3303
por lo que tiene que consumir el combustible.
Descubrimos exactamente lo contrario.
08:46
We found the exact opposite.
171
526156
2069
08:48
When neural activity goes up,
172
528759
1768
Cuando la actividad neuronal aumenta,
08:50
ATP goes up and it stays elevated
173
530561
2602
el ATP aumenta y se mantiene elevado el tiempo
08:53
just long enough to power expected future neural activity.
174
533196
3704
suficiente para impulsar la actividad neuronal futura esperada.
08:56
This suggests that the brain follows a predictive energy allocation principle,
175
536934
4537
Esto sugiere que el cerebro sigue un principio predictivo
de asignación de energía,
09:01
where it can predict how much energy is needed, where and when,
176
541505
4971
según el cual puede predecir cuánta energía se necesita, dónde
09:06
and it delivers just the right amount of energy at just the right location,
177
546476
4405
y cuándo, y suministra la cantidad justa de energía en el lugar correcto
09:10
for just the right amount of time.
178
550914
2870
y durante el período de tiempo justo.
09:14
So clearly, we have a lot to learn from physics, neuroscience and evolution
179
554384
6640
Está claro que tenemos mucho que aprender
de la física, la neurociencia y la evolución
para crear una IA más eficiente desde el punto de vista energético.
09:21
about building more energy-efficient AI.
180
561058
2502
09:23
But we don't need to be limited by evolution.
181
563594
3236
Pero no necesitamos estar limitados por la evolución.
09:26
We can go beyond evolution,
182
566863
1635
Podemos ir más allá de la evolución
09:28
to co-opt the neural algorithms discovered by evolution,
183
568532
3136
e incorporar los algoritmos neuronales descubiertos por la evolución
09:31
but implement them in quantum hardware that evolution could never figure out.
184
571702
3970
e implementarlos en un hardware cuántico que la evolución nunca podría descifrar.
09:36
For example, we can replace neurons with atoms.
185
576840
3837
Por ejemplo, podemos reemplazar las neuronas por átomos.
Los diferentes estados de activación de las neuronas
09:41
The different firing states of neurons
186
581445
1835
corresponden a los diferentes estados electrónicos de los átomos.
09:43
correspond to the different electronic states of atoms.
187
583313
3370
09:46
And we can replace synapses with photons.
188
586717
3937
Y podemos reemplazar las sinapsis por fotones.
09:50
Just as synapses allow two neurons to communicate,
189
590654
2903
Así como las sinapsis permiten que dos neuronas se comuniquen,
09:53
photons allow two atoms to communicate through photon emission and absorption.
190
593590
5205
los fotones permiten que dos átomos se comuniquen
mediante la emisión y absorción de fotones.
09:58
So what can we build with this?
191
598829
1868
¿Qué podemos construir con esto?
10:01
We can build a quantum associative memory out of atoms and photons.
192
601264
4538
Una memoria asociativa cuántica a partir de átomos y fotones.
10:05
This is the same memory system
193
605836
1535
Este es el mismo sistema
10:07
that won John Hopfield his recent Nobel Prize in physics,
194
607371
3503
de memoria que le valió a John Hopfield su reciente Premio Nobel de Física,
10:10
but this time, it's a quantum-mechanical system built of atoms and photons,
195
610907
3671
pero esta vez se trata de un sistema mecánico cuántico
10:14
and we can analyze its performance
196
614611
1668
construido con átomos y fotones, y podemos analizar su rendimiento
10:16
and show that the quantum dynamics yields enhanced memory capacity,
197
616279
4105
y demostrar que la dinámica cuántica mejora la capacidad de memoria,
10:20
robustness and recall.
198
620417
2603
la robustez y la memoria.
También podemos construir nuevos tipos de optimizadores cuánticos
10:23
We can also build new types of quantum optimizers built directly out of photons,
199
623053
4504
construidos directamente a partir de fotones,
10:27
and we can analyze their energy landscape
200
627591
2069
y podemos analizar su panorama energético
10:29
and explain how they solve optimization problems in fundamentally new ways.
201
629693
4371
y explicar cómo resuelven los problemas de optimización
de formas fundamentalmente nuevas.
10:34
This marriage between neural algorithms and quantum hardware
202
634097
4238
Esta unión entre los algoritmos neuronales y el hardware cuántico
10:38
opens up an entirely new field,
203
638368
2303
abre un campo completamente nuevo,
10:40
which I like to call quantum neuromorphic computing.
204
640704
2636
que me gusta llamar computación neuromórfica cuántica.
10:44
OK, but let's return to the brain,
205
644274
2369
Pero volvamos al cerebro,
10:46
where explainable AI can help us understand how it works.
206
646677
2936
donde la IA explicable puede ayudarnos a entender cómo funciona.
10:50
So now, AI allows us to build
207
650847
2603
Ahora, la IA nos permite construir modelos del cerebro
10:53
incredibly accurate but complicated models of the brain.
208
653483
3737
increíblemente precisos pero complicados.
10:57
So where is this all going?
209
657254
1668
Entonces, ¿a dónde va todo esto?
10:58
Are we simply replacing something we don't understand, the brain,
210
658955
3104
¿Estamos reemplazando algo que no entendemos, el cerebro,
11:02
with something else we don't understand, our complex model of it?
211
662092
3503
por algo más que no entendemos, nuestro complejo modelo del cerebro?
11:05
As scientists, we'd like to have a conceptual understanding
212
665595
2837
Como científicos, nos gustaría tener una comprensión conceptual
11:08
of how the brain works,
213
668465
1268
de cómo funciona el cerebro, no solo que nos den un modelo.
11:09
not just have a model handed to us.
214
669766
1969
11:13
So basically, I'd like to give you
215
673136
3137
Básicamente, me gustaría darles
11:16
an example of our work on explainable AI, applied to the retina.
216
676273
4805
un ejemplo de nuestro trabajo sobre la IA explicable aplicada a la retina.
La retina es un circuito de múltiples capas de fotorreceptores
11:21
So the retina is a multilayered circuit of photoreceptors
217
681111
3036
que van a las neuronas ocultas y que producen neuronas.
11:24
going to hidden neurons, going to output neurons.
218
684181
2402
11:26
So how does it work?
219
686616
1602
Entonces, ¿cómo funciona?
11:28
Well, we recently built the world's most accurate model of the retina.
220
688251
3771
Recientemente construimos el modelo de retina más preciso del mundo.
11:32
It could reproduce two decades of experiments on the retina.
221
692022
3770
Podría reproducir dos décadas de experimentos con la retina.
11:35
So this is fantastic.
222
695826
1334
Así que esto es fantástico.
11:37
We have a digital twin of the retina.
223
697194
2536
Tenemos un gemelo digital de la retina.
11:39
But how does the twin work?
224
699763
1668
Pero, ¿cómo funciona el gemelo?
11:41
Why is it designed the way it is?
225
701465
2402
¿Por qué está diseñado de la manera en que está?
11:43
To make these questions concrete,
226
703900
3070
Para concretar estas preguntas,
11:47
I'd like to discuss just one
227
707003
1802
me gustaría hablar solo
11:48
of the two decades of experiments that I mentioned.
228
708839
3069
de una de las dos décadas de experimentos que mencioné.
11:51
And we're going to do this experiment on you right now.
229
711942
3069
Y vamos a hacer este experimento contigo ahora mismo.
11:55
I'd like you to focus on my hand, and I'd like you to track it.
230
715045
3804
Me gustaría que te concentraras en mi mano y que la rastrearas.
12:01
OK, great. Let's do that just one more time.
231
721952
3170
Estupendo. Hagámoslo solo una vez más.
OK.
12:08
OK.
232
728058
1134
Puede que te hayas sorprendido un poco cuando mi mano invirtió la dirección.
12:09
You might have been slightly surprised when my hand reversed direction.
233
729226
4070
Y debería sorprenderte,
12:13
And you should be surprised,
234
733330
1968
porque mi mano acaba de infringir la primera ley del movimiento de Newton,
12:15
because my hand just violated Newton's first law of motion,
235
735332
3336
12:18
which states that objects that are in motion tend to remain in motion.
236
738702
3870
que establece que los objetos que están en movimiento
tienden a permanecer en movimiento.
12:22
So where in your brain is a violation of Newton's first law first detected?
237
742606
4871
¿En qué parte del cerebro se detectó por primera vez
una violación de la primera ley de Newton?
12:28
The answer is remarkable. It's in your retina.
238
748111
3671
La respuesta es extraordinaria. Está en tu retina.
12:31
There are neurons in your retina that will fire
239
751815
2302
Hay neuronas en la retina que se activan solo
12:34
if and only if Newton's first law is violated.
240
754151
2769
si se infringe la primera ley de Newton.
12:37
So does our model do that?
241
757621
1701
Entonces, ¿nuestro modelo hace eso?
12:40
Yes, it does. It reproduces it.
242
760157
2402
Sí, lo hace. Lo reproduce.
12:42
But now, there's a puzzle.
243
762592
1268
Pero ahora hay un acertijo.
12:43
How does the model do it?
244
763894
1868
¿Cómo lo hace el modelo?
12:45
Well, we developed methods, explainable AI methods,
245
765796
3903
Bueno, desarrollamos métodos, métodos de IA explicables,
12:49
to take any given stimulus that causes a neuron to fire,
246
769733
3870
para tomar cualquier estímulo que provoque la activación de una neurona,
12:53
and we carve out the essential subcircuit responsible for that firing,
247
773637
4237
y creamos el subcircuito esencial responsable de esa activación,
12:57
and we explain how it works.
248
777908
2402
y explicamos cómo funciona.
Pudimos hacerlo no solo por las primeras violaciones de la ley de Newton,
13:00
We were able to do this not only for Newton's first law violations,
249
780310
3337
13:03
but for the two decades of experiments that our model reproduced.
250
783680
3103
sino también por las dos décadas de experimentos
que reprodujo nuestro modelo.
13:07
And so this one model reproduces two decades' worth of neuroscience
251
787317
4805
Así pues, este modelo reproduce dos décadas de neurociencia
y también hace algunas predicciones nuevas.
13:12
and also makes some new predictions.
252
792122
1735
13:15
This opens up a new pathway to accelerating neuroscience discovery
253
795091
3637
Esto abre una nueva vía para acelerar el descubrimiento de la neurociencia
13:18
using AI.
254
798762
1468
mediante la IA.
13:20
Basically, build digital twins of the brain,
255
800263
3037
Básicamente, hay que crear gemelos digitales del cerebro
y, a continuación, utilizar una IA explicable para entender cómo funcionan.
13:23
and then use explainable AI to understand how they work.
256
803300
3036
13:26
We're actually engaged in a big effort at Stanford
257
806336
2703
De hecho, en Stanford estamos haciendo un gran esfuerzo
13:29
to build a digital twin of the entire primate visual system
258
809039
3570
para construir un gemelo digital de todo el sistema visual de los primates
13:32
and explain how it works.
259
812642
1669
y explicar cómo funciona.
13:35
But we can go beyond that
260
815278
1569
Pero podemos ir más allá
13:36
and use our digital twins to meld minds and machines,
261
816880
6073
y usar nuestros gemelos digitales para fusionar mentes y máquinas,
13:42
by allowing bidirectional communication between them.
262
822986
2870
al permitir la comunicación bidireccional entre ellas.
13:45
So imagine a scenario where you have a brain,
263
825889
2836
Imagina un escenario en el que tienes un cerebro,
13:48
you record from it, you build a digital twin.
264
828725
3370
grabas a partir de él y construyes un gemelo digital.
13:52
Then you use control theory to learn neural activity patterns
265
832128
4171
Luego usas la teoría del control para aprender patrones de actividad neuronal
13:56
that you can write directly into the digital twin to control it.
266
836299
3137
que puedes escribir directamente en el gemelo digital para controlarlo.
14:00
Then, you take those same neural activity patterns
267
840270
2803
Luego, tomas esos mismos patrones de actividad neuronal
14:03
and you write them into the brain to control the brain.
268
843073
3737
y los escribes en el cerebro para controlarlo.
14:06
In essence, we can learn the language of the brain,
269
846843
2770
En esencia, podemos aprender el lenguaje del cerebro
14:09
and then speak directly back to it.
270
849646
2202
y luego responderle directamente.
14:12
So we recently carried out this program in mice,
271
852582
3470
Así que recientemente llevamos a cabo este programa en ratones,
14:16
where we could use AI to read the mind of a mouse.
272
856086
3170
donde podíamos usar la IA para leer la mente de un ratón.
14:19
So on the top row, you're seeing images that we actually showed to the mouse,
273
859289
4805
Así que en la fila superior, están viendo imágenes que mostramos al ratón,
14:24
and in the bottom row,
274
864127
1535
y en la fila inferior,
14:25
you're seeing images that we decoded from the brain of the mouse.
275
865695
3704
están viendo imágenes que decodificamos del cerebro del ratón.
Nuestras imágenes decodificadas tienen una resolución inferior
14:29
Our decoded images are lower-resolution than the actual images,
276
869399
3504
a la de las imágenes reales,
14:32
but not because our decoders are bad.
277
872936
2102
pero no porque nuestros decodificadores sean malos.
14:35
It's because mouse visual resolution is bad.
278
875071
3137
Esto se debe a que la resolución visual del ratón es mala.
14:38
So actually, the decoded images
279
878742
1701
De hecho, las imágenes decodificadas
14:40
show you what the world would actually look like
280
880443
3204
muestran cómo sería el mundo
14:43
if you were a mouse.
281
883647
1601
si fueras un ratón.
14:46
Now, we can go beyond that.
282
886483
2569
Ahora, podemos ir más allá.
Ahora podemos escribir patrones de actividad neuronal
14:49
We can now write neural activity patterns into the mouse's brain,
283
889085
4371
en el cerebro del ratón,
14:53
so we can make it hallucinate
284
893490
2202
así podemos hacer que alucine
14:55
any particular percept we would like it to hallucinate.
285
895725
2803
cualquier percepción en particular que queramos que alucine.
14:58
And we got so good at this
286
898528
1769
Y lo hicimos tan bien
15:00
that we could make it reliably hallucinate a percept
287
900297
3703
que podíamos hacer que alucinara de forma fiable una percepción
15:04
by controlling only 20 neurons in the mouse's brain,
288
904034
2869
controlando solo 20 neuronas del cerebro del ratón
15:06
by figuring out the right 20 neurons to control.
289
906937
3203
y determinando cuáles eran las 20 neuronas que había que controlar.
15:10
So essentially, we can control what the mouse sees
290
910173
3804
Básicamente, podemos controlar lo que el ratón ve
15:14
directly, by writing to its brain.
291
914010
2369
directamente escribiéndole a su cerebro.
15:16
The possibilities of bidirectional communication
292
916413
3069
Las posibilidades de comunicación bidireccional
15:19
between brains and machines are limitless.
293
919516
3370
entre el cerebro y las máquinas son ilimitadas.
15:22
To understand, to cure and to augment the brain.
294
922886
4571
Para entender, curar y aumentar el cerebro.
15:28
So I hope you'll see that the pursuit of a unified science of intelligence
295
928792
5972
Espero que se den cuenta
de que la búsqueda de una ciencia unificada de la inteligencia
15:34
that spans brains and machines
296
934798
2369
que abarque cerebros y máquinas
15:37
can both help us better understand biological intelligence
297
937200
3437
puede ayudarnos a entender mejor la inteligencia biológica
15:40
and help us create more efficient, explainable
298
940637
3470
y a crear una inteligencia artificial más eficiente, explicable
15:44
and powerful artificial intelligence.
299
944140
2703
y poderosa.
Sin embargo, es importante que este objetivo se lleve a cabo abiertamente
15:47
But it's important that this pursuit be done out in the open
300
947677
2903
15:50
so the science can be shared with the world,
301
950613
2203
para que la ciencia pueda compartirse con el mundo,
15:52
and it must be done with a very long time horizon.
302
952849
2769
y debe hacerse con un horizonte temporal muy largo.
15:55
This makes academia the perfect place to pursue a science of intelligence.
303
955952
4872
Esto convierte al mundo académico
en el lugar perfecto para dedicarse a la ciencia de la inteligencia.
16:00
In academia, we're free from the tyranny of quarterly earnings reports.
304
960857
4638
En el mundo académico,
estamos libres de la tiranía de los informes trimestrales de ganancias.
16:05
We're free from the censorship of corporate legal departments.
305
965495
3937
Estamos libres de la censura de los departamentos legales corporativos.
16:09
We can be far more interdisciplinary than any one company.
306
969432
4071
Podemos ser mucho más interdisciplinarios que cualquier otra empresa.
16:13
And our very mission is to share what we learn with the world.
307
973536
3737
Y nuestra misión es compartir lo que aprendemos con el mundo.
16:17
For all these reasons, we're actually building a new center
308
977307
2836
Por todas estas razones, en realidad estamos construyendo un nuevo centro
16:20
for the science of intelligence at Stanford.
309
980176
3037
para la ciencia de la inteligencia en Stanford.
16:23
While there have been incredible advances in industry
310
983246
3670
Si bien la industria ha registrado avances increíbles
16:26
on the engineering of intelligence,
311
986916
1702
en la ingeniería de la inteligencia,
16:28
now increasingly happening behind closed doors,
312
988651
2837
que ahora se producen cada vez más a puerta cerrada,
16:31
I'm very excited about what the science of intelligence can achieve
313
991521
4238
estoy muy entusiasmado con lo que la ciencia de la inteligencia puede lograr
16:35
out in the open.
314
995792
1268
a cielo abierto.
Sabes, en el siglo pasado,
16:38
You know, in the last century,
315
998395
1468
16:39
one of the greatest intellectual adventures
316
999863
2636
una de las mayores aventuras intelectuales fue cuando la humanidad
16:42
lay in humanity peering outwards into the universe
317
1002499
2869
se asomó al universo
16:45
to understand it, from quarks to cosmology.
318
1005368
3971
para comprenderlo, desde los quarks hasta la cosmología.
16:49
I think one of the greatest intellectual adventures of this century
319
1009372
3404
Creo que una de las mayores aventuras intelectuales de este siglo
16:52
will lie in humanity peering inwards,
320
1012809
3036
consistirá en que la humanidad mire hacia adentro,
16:55
both into ourselves and into the AIs that we create,
321
1015845
5039
tanto a nosotros mismos como a las IA que creamos,
17:00
in order to develop a deeper, new scientific understanding of intelligence.
322
1020917
5105
para desarrollar una nueva y profunda comprensión científica de la inteligencia.
17:06
Thank you.
323
1026489
1201
Gracias.
17:07
(Applause)
324
1027724
2369
(Aplausos)
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