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

Traductor: Sebastian Betti

So what the heck happened in the field of AI in the last decade?

¿Qué diablos pasó en el campo de la IA en la última década?

It's like a strange new type of intelligence

Es como si hubiera aparecido

un nuevo tipo de inteligencia extraño en el planeta.

appeared on our planet.

But it's not like human intelligence.

Pero no es como la inteligencia humana.

It has remarkable capabilities,

Tiene capacidades notables,

but it also makes egregious errors that we never make.

pero también comete errores atroces que nosotros nunca cometemos.

Y aún no tiene el profundo razonamiento lógico

And it doesn't yet do the deep logical reasoning that we can do.

que podemos tener nosotros.

It has a very mysterious surface of both capabilities and fragilities.

Tiene una superficie muy misteriosa llena de capacidades y fragilidades.

And we understand almost nothing about how it works.

Y no entendemos casi nada acerca de cómo funciona.

I would like a deeper scientific understanding of intelligence.

Me gustaría entender mejor la ciencia de la inteligencia.

But to understand AI,

Pero para entender la IA,

it's useful to place it in the historical context

es útil situarla en el contexto histórico

of biological intelligence.

de la inteligencia biológica.

The story of human intelligence

La historia de la inteligencia humana

might as well have started with this little critter.

bien podría haber empezado con esta pequeña criatura.

It's the last common ancestor of all vertebrates.

Es el último ancestro común de todos los vertebrados.

We are all descended from it.

Todos descendemos de él.

It lived about 500 million years ago.

Vivió hace unos 500 millones de años.

Then evolution went on to build the brain, which in turn,

Luego, la evolución construyó el cerebro, que a su vez,

in the space of 500 years from Newton to Einstein,

en el espacio de 500 años transcurridos entre Newton y Einstein,

desarrolló las matemáticas y la física profundas

developed the deep math and physics

required to understand the universe, from quarks to cosmology.

necesarias para entender el universo, desde los quarks hasta la cosmología.

And it did this all without consulting ChatGPT.

Y todo esto lo hizo sin consultar a ChatGPT.

And then, of course, there's the advances of the last decade.

Y luego, por supuesto, están los avances de la última década.

To really understand what just happened in AI,

Para entender lo que acaba de ocurrir en la IA,

we need to combine physics, math,

necesitamos combinar la física, las matemáticas,

neuroscience, psychology, computer science and more,

la neurociencia, la psicología, la informática y más,

to develop a new science of intelligence.

para desarrollar una nueva ciencia de la inteligencia.

The science of intelligence

La ciencia de la inteligencia

can simultaneously help us understand biological intelligence

puede ayudarnos simultáneamente a entender la inteligencia biológica

and create better artificial intelligence.

y a crear una mejor IA.

And we need this science now,

Y necesitamos esta ciencia ahora,

because the engineering of intelligence

porque la ingeniería de la inteligencia

has vastly outstripped our ability to understand it.

ha superado con creces nuestra capacidad de entenderla.

I want to take you on a tour of our work in the science of intelligence

Quiero explicarles nuestro trabajo en la ciencia de la inteligencia,

that addresses five critical areas in which AI can improve --

que aborda cinco áreas críticas en las que la IA puede mejorar:

data efficiency, energy efficiency, going beyond evolution,

la eficiencia de los datos,

la eficiencia energética, ir más allá de la evolución,

la explicabilidad y la fusión de mentes y máquinas.

explainability and melding minds and machines.

Let's address these critical gaps one by one.

Abordemos estas brechas críticas una por una.

En primer lugar, la eficiencia de los datos.

First, data efficiency.

AI is vastly more data-hungry than humans.

La IA necesita mucho más datos que los humanos.

For example, we train our language models on the order of one trillion words now.

Por ejemplo, ahora entrenamos nuestros modelos lingüísticos

en torno a un billón de palabras.

Well, how many words do we get?

¿Cuántas palabras obtenemos?

Just 100 million.

Solo 100 millones.

It's that tiny little red dot at the center.

Es ese pequeño punto rojo en el centro.

You might not be able to see it.

Es posible que no puedas verlo.

Tardaríamos 24 000 años en leer el resto del billón de palabras.

It would take us 24,000 years to read the rest of the one trillion words.

OK, now, you might say that's unfair.

Se podría decir que es injusto.

Sure, AI read for 24,000 human-equivalent years,

La IA leyó durante 24 000 años equivalentes a los humanos,

pero los humanos tenemos

but humans got 500 million years of vertebrate brain evolution.

500 millones de años de evolución cerebral de vertebrados.

But there's a catch.

Pero hay una trampa.

Your entire legacy of evolution is given to you through your DNA,

Todo su legado evolutivo lo heredan a través de su ADN,

y su ADN solo tiene unos 700 megabytes,

and your DNA is only about 700 megabytes,

o lo que es lo mismo, 600 millones [de palabras].

or equivalently, 600 million [words].

Por lo tanto, la información combinada que obtenemos del aprendizaje y la evolución

So the combined information we get from learning and evolution

es minúscula en comparación con la que obtiene la IA.

is minuscule compared to what AI gets.

You are all incredibly efficient learning machines.

Todos ustedes son máquinas de aprendizaje increíblemente eficientes.

So how do we bridge the gap between AI and humans?

¿Cómo podemos cerrar la brecha entre la IA y los humanos?

Empezamos revisando las famosas leyes de escalamiento.

We started to tackle this problem by revisiting the famous scaling laws.

Este es un ejemplo de una ley de escalamiento,

Here's an example of a scaling law,

en la que el error se reduce a una ley de potencia

where error falls off as a power law with the amount of training data.

con la cantidad de datos de entrenamiento.

Estas leyes de escalamiento han cautivado la imaginación de la industria

These scaling laws have captured the imagination of industry

and motivated significant societal investments

y han motivado importantes inversiones sociales

in energy, compute and data collection.

en energía, computación y recopilación de datos.

But there's a problem.

Pero hay un problema.

Los exponentes de estas leyes de escalamiento son pequeños.

The exponents of these scaling laws are small.

So to reduce the error by a little bit,

Por ende, para reducir un poco el error,

you might need to ten-x your amount of training data.

quizás necesites multiplicar por 10 la cantidad de datos de entrenamiento.

This is unsustainable in the long run.

Esto es insostenible a largo plazo.

E incluso si conduce a mejoras a corto plazo,

And even if it leads to improvements in the short run,

there must be a better way.

debe haber una forma mejor.

Desarrollamos una teoría que explica por qué

We developed a theory that explains why these scaling laws are so bad.

estas leyes de escalamiento son tan malas.

La idea básica es que los grandes conjuntos de datos aleatorios

The basic idea is that large random datasets are incredibly redundant.

son muy redundantes.

If you already have billions of data points,

Si ya se tiene miles de millones de datos,

the next data point doesn't tell you much that's new.

el siguiente dato no aportará mucho.

¿Y si se pudiera crear un conjunto de datos no redundante, en el que

But what if you could create a nonredundant dataset,

cada dato se eligiera cuidadosamente para ofrecer algo nuevo,

where each data point is chosen carefully

to tell you something new, compared to all the other data points?

en comparación con los demás datos?

We developed theory and algorithms to do just this.

Desarrollamos la teoría y los algoritmos para hacer precisamente esto.

We theoretically predicted and experimentally verified

Predijimos teóricamente y verificamos experimentalmente

que podíamos reducir estas malas leyes de potencia

that we could bend these bad power laws down to much better exponentials,

para obtener exponenciales mucho mejores,

where adding a few more data points could reduce your error,

por lo que agregar algunos datos más podría reducir el error,

rather than ten-xing the amount of data.

en lugar de multiplicar por 10 la cantidad de datos.

So what theory did we use to get this result?

¿Qué teoría usamos para obtener este resultado?

We used ideas from statistical physics, and these are the equations.

Usamos ideas de la física estadística y estas son las ecuaciones.

Now, for the rest of this entire talk,

Ahora, durante el resto de esta charla,

I'm going to go through these equations one by one.

voy a repasar estas ecuaciones una por una.

(Risas)

(Laughter)

¿Creen que estoy bromeando?

You think I'm joking?

And explain them to you.

Y las explicaré.

OK, you're right, I'm joking. I'm not that mean.

Tienen razón, estoy bromeando. No soy tan malo.

Pero deberían haber visto las caras de los organizadores de TED

But you should have seen the faces of the TED organizers

when I said I was going to do that.

cuando dije que lo iba a hacer.

Muy bien, continuemos.

Alright, let's move on.

Let's zoom out a little bit,

Alejémonos un poco y pensemos de manera más general

and think more generally

en lo que se necesita para que la IA consuma menos datos.

about what it takes to make AI less data-hungry.

Imagine if we trained our kids

Imagínese si entrenáramos a nuestros hijos

de la misma manera que entrenamos a los modelos lingüísticos extensos,

the same way we pretrain our large language models,

vía la predicción de la siguiente palabra.

by next-word prediction.

So I'd give my kid a random chunk of the internet and say,

Le daría a mi hijo algo de Internet y le diría:

"By the way, this is the next word."

«Esta es la siguiente palabra».

I'd give them another random chunk of the internet and say,

Luego otro fragmento aleatorio de Internet y le diría:

«Esta es la siguiente palabra».

"This is the next word."

If that's all we did,

Si eso fuera todo

lo que hiciéramos, nuestros hijos tardarían

it would take our kids 24,000 years to learn anything useful.

24 000 años en aprender algo útil.

But we do so much more than that.

Pero hacemos mucho más que eso.

Por ejemplo, cuando le enseño matemáticas a mi hijo,

For example, when I teach my son math,

I teach him the algorithm required to solve the problem,

le enseño el algoritmo para resolver el problema.

Así, puede resolver inmediatamente nuevos problemas

then he can immediately solve new problems

y generalizar usando muchos menos datos de entrenamiento

and generalize using far less training data than any AI system would do.

que los que utilizaría cualquier sistema de IA.

I don't just throw millions of math problems at him.

No solo le planteo millones de problemas matemáticos.

So to really make AI more data-efficient,

Por lo tanto, para que la IA sea más eficiente con los datos,

tenemos que ir mucho más allá

we have to go far beyond our current training algorithms

de nuestros algoritmos de entrenamiento actuales

and turn machine learning into a new science of machine teaching.

y convertir el aprendizaje automático

en una nueva ciencia de la enseñanza automática.

Y la neurociencia, la psicología y las matemáticas

And neuroscience, psychology and math can really help here.

pueden ser de gran ayuda en este sentido.

Pasemos a la próxima gran brecha, la eficiencia energética.

Let's go on to the next big gap, energy efficiency.

Our brains are incredibly efficient.

Nuestros cerebros son increíblemente eficientes.

Solo consumimos 20 vatios de energía.

We only consume 20 watts of power.

For reference, our old light bulbs were 100 watts.

Como referencia, nuestras bombillas antiguas eran de 100 vatios.

So we are all literally dimmer than light bulbs.

Así que todos somos literalmente más tenues que las bombillas.

(Laughter)

(Risas)

Pero, ¿qué pasa con la IA?

But what about AI?

Training a large model can consume as much as 10 million watts,

Entrenar un modelo grande puede consumir hasta 10 millones de vatios,

and there’s talk of going nuclear to power one-billion-watt data centers.

y se habla de utilizar la energía nuclear

para alimentar centros de datos de mil millones de vatios.

So why is AI so much more energy-hungry than brains?

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,

Well, the fault lies in the choice of digital computation itself,

where we rely on fast and reliable bit flips

en la que confiamos en realizar cambios de bits rápidos y fiables

at every intermediate step of the computation.

en cada paso intermedio del cálculo.

Ahora bien, las leyes de la termodinámica

Now, the laws of thermodynamics

demand that every fast and reliable bit flip must consume a lot of energy.

exigen que cada cambio de bits rápido y fiable consuma mucha energía.

Biology took a very different route.

La biología tomó un camino muy diferente.

Biology computes the right answer just in time,

La biología calcula la respuesta correcta justo a tiempo,

using intermediate steps that are as slow and as unreliable as possible.

utilizando pasos intermedios que son lo más lentos y poco fiables posible.

In essence, biology does not rev its engine any more than it needs to.

En esencia, la biología no acelera su motor más de lo necesario.

In addition, biology matches computation to physics much better.

Además, la biología adapta mucho mejor la computación a la física.

Consider, for example, addition.

Pensemos, por ejemplo, en la suma.

Our computers add using really complex energy-consuming transistor circuits,

Nuestros ordenadores añaden energía

usando circuitos de transistores muy complejos que consumen mucha energía,

but neurons just directly add their voltage inputs,

pero las neuronas solo añaden directamente sus entradas de tensión,

because Maxwell's laws of electromagnetism already know how to add voltage.

porque las leyes del electromagnetismo de Maxwell ya saben cómo añadir tensión.

In essence, biology matches its computation

En esencia, la biología compara sus cálculos

to the native physics of the universe.

con la física nativa del universo.

Por lo tanto, para construir una IA más eficiente en lo energético,

So to really build more energy-efficient AI,

we need to rethink our entire technology stack,

necesitamos repensar todo nuestro conjunto de tecnologías,

from electrons to algorithms,

desde los electrones hasta los algoritmos,

and better match computational dynamics to physical dynamics.

y adaptar mejor la dinámica computacional a la dinámica física.

For example, what are the fundamental limits

Por ejemplo, ¿cuáles son los límites fundamentales

on the speed and accuracy of any given computation,

de velocidad y precisión de cualquier cálculo dado,

teniendo en cuenta un presupuesto energético?

given an energy budget?

And what kinds of electrochemical computers can achieve

¿Y qué tipos de ordenadores electroquímicos pueden alcanzar

these fundamental limits?

estos límites fundamentales?

We recently solved this problem for the computation of sensing,

Hace poco resolvimos este problema para la computación de la detección,

which is something that every neuron has to do.

que es algo que todas las neuronas tienen que hacer.

Pudimos encontrar límites inferiores fundamentales

We were able to find fundamental lower bounds or lower limits on the error

o límites inferiores para el error

en función del presupuesto energético.

as a function of the energy budget.

That's that red curve.

Esa es la curva roja.

And we were able to find the chemical computers that achieve these limits.

Y pudimos encontrar las computadoras químicas que alcanzan estos límites.

And remarkably, they looked a lot like G-protein coupled receptors,

Y sorprendentemente,

se parecían mucho a los receptores acoplados a la proteína G,

which every neuron uses to sense external signals.

que cada neurona usa para detectar señales externas.

So this suggests that biology can achieve amounts of efficiency

Por lo tanto, esto sugiere que la biología puede lograr niveles de eficiencia

that are close to fundamental limits set by the laws of physics itself.

cercanos a los límites fundamentales

establecidos por las propias leyes de la física.

Popping up a level,

Pasando a un nuevo nivel,

neuroscience now gives us the ability to measure not only neural activity,

la neurociencia ahora nos permite medir no solo la actividad neuronal,

but also energy consumption across, for example, the entire brain of the fly.

sino también el consumo de energía en, por ejemplo, todo el cerebro de la mosca.

The energy consumption is measured through ATP usage,

El consumo de energía se mide mediante el uso del ATP,

which is the chemical fuel that powers all neurons.

que es el combustible químico que alimenta a todas las neuronas.

Así que ahora permíteme hacerte una pregunta.

So now let me ask you a question.

Let's say in a certain brain region, neural activity goes up.

Digamos que en cierta región del cerebro, la actividad neuronal aumenta.

Does the ATP go up or down?

¿El ATP sube o baja?

Una suposición natural sería que el ATP disminuye,

A natural guess would be that the ATP goes down,

porque la actividad neuronal cuesta energía,

because neural activity costs energy, so it's got to consume the fuel.

por lo que tiene que consumir el combustible.

Descubrimos exactamente lo contrario.

We found the exact opposite.

When neural activity goes up,

Cuando la actividad neuronal aumenta,

ATP goes up and it stays elevated

el ATP aumenta y se mantiene elevado el tiempo

just long enough to power expected future neural activity.

suficiente para impulsar la actividad neuronal futura esperada.

This suggests that the brain follows a predictive energy allocation principle,

Esto sugiere que el cerebro sigue un principio predictivo

de asignación de energía,

where it can predict how much energy is needed, where and when,

según el cual puede predecir cuánta energía se necesita, dónde

and it delivers just the right amount of energy at just the right location,

y cuándo, y suministra la cantidad justa de energía en el lugar correcto

for just the right amount of time.

y durante el período de tiempo justo.

So clearly, we have a lot to learn from physics, neuroscience and evolution

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.

about building more energy-efficient AI.

But we don't need to be limited by evolution.

Pero no necesitamos estar limitados por la evolución.

We can go beyond evolution,

Podemos ir más allá de la evolución

to co-opt the neural algorithms discovered by evolution,

e incorporar los algoritmos neuronales descubiertos por la evolución

but implement them in quantum hardware that evolution could never figure out.

e implementarlos en un hardware cuántico que la evolución nunca podría descifrar.

For example, we can replace neurons with atoms.

Por ejemplo, podemos reemplazar las neuronas por átomos.

Los diferentes estados de activación de las neuronas

The different firing states of neurons

corresponden a los diferentes estados electrónicos de los átomos.

correspond to the different electronic states of atoms.

And we can replace synapses with photons.

Y podemos reemplazar las sinapsis por fotones.

Just as synapses allow two neurons to communicate,

Así como las sinapsis permiten que dos neuronas se comuniquen,

photons allow two atoms to communicate through photon emission and absorption.

los fotones permiten que dos átomos se comuniquen

mediante la emisión y absorción de fotones.

So what can we build with this?

¿Qué podemos construir con esto?

We can build a quantum associative memory out of atoms and photons.

Una memoria asociativa cuántica a partir de átomos y fotones.

This is the same memory system

Este es el mismo sistema

that won John Hopfield his recent Nobel Prize in physics,

de memoria que le valió a John Hopfield su reciente Premio Nobel de Física,

but this time, it's a quantum-mechanical system built of atoms and photons,

pero esta vez se trata de un sistema mecánico cuántico

and we can analyze its performance

construido con átomos y fotones, y podemos analizar su rendimiento

and show that the quantum dynamics yields enhanced memory capacity,

y demostrar que la dinámica cuántica mejora la capacidad de memoria,

robustness and recall.

la robustez y la memoria.

También podemos construir nuevos tipos de optimizadores cuánticos

We can also build new types of quantum optimizers built directly out of photons,

construidos directamente a partir de fotones,

and we can analyze their energy landscape

y podemos analizar su panorama energético

and explain how they solve optimization problems in fundamentally new ways.

y explicar cómo resuelven los problemas de optimización

de formas fundamentalmente nuevas.

This marriage between neural algorithms and quantum hardware

Esta unión entre los algoritmos neuronales y el hardware cuántico

opens up an entirely new field,

abre un campo completamente nuevo,

which I like to call quantum neuromorphic computing.

que me gusta llamar computación neuromórfica cuántica.

OK, but let's return to the brain,

Pero volvamos al cerebro,

where explainable AI can help us understand how it works.

donde la IA explicable puede ayudarnos a entender cómo funciona.

So now, AI allows us to build

Ahora, la IA nos permite construir modelos del cerebro

incredibly accurate but complicated models of the brain.

increíblemente precisos pero complicados.

So where is this all going?

Entonces, ¿a dónde va todo esto?

Are we simply replacing something we don't understand, the brain,

¿Estamos reemplazando algo que no entendemos, el cerebro,

with something else we don't understand, our complex model of it?

por algo más que no entendemos, nuestro complejo modelo del cerebro?

As scientists, we'd like to have a conceptual understanding

Como científicos, nos gustaría tener una comprensión conceptual

of how the brain works,

de cómo funciona el cerebro, no solo que nos den un modelo.

not just have a model handed to us.

So basically, I'd like to give you

Básicamente, me gustaría darles

an example of our work on explainable AI, applied to the retina.

un ejemplo de nuestro trabajo sobre la IA explicable aplicada a la retina.

La retina es un circuito de múltiples capas de fotorreceptores

So the retina is a multilayered circuit of photoreceptors

que van a las neuronas ocultas y que producen neuronas.

going to hidden neurons, going to output neurons.

So how does it work?

Entonces, ¿cómo funciona?

Well, we recently built the world's most accurate model of the retina.

Recientemente construimos el modelo de retina más preciso del mundo.

It could reproduce two decades of experiments on the retina.

Podría reproducir dos décadas de experimentos con la retina.

So this is fantastic.

Así que esto es fantástico.

We have a digital twin of the retina.

Tenemos un gemelo digital de la retina.

But how does the twin work?

Pero, ¿cómo funciona el gemelo?

Why is it designed the way it is?

¿Por qué está diseñado de la manera en que está?

To make these questions concrete,

Para concretar estas preguntas,

I'd like to discuss just one

me gustaría hablar solo

of the two decades of experiments that I mentioned.

de una de las dos décadas de experimentos que mencioné.

And we're going to do this experiment on you right now.

Y vamos a hacer este experimento contigo ahora mismo.

I'd like you to focus on my hand, and I'd like you to track it.

Me gustaría que te concentraras en mi mano y que la rastrearas.

OK, great. Let's do that just one more time.

Estupendo. Hagámoslo solo una vez más.

OK.

OK.

Puede que te hayas sorprendido un poco cuando mi mano invirtió la dirección.

You might have been slightly surprised when my hand reversed direction.

Y debería sorprenderte,

And you should be surprised,

porque mi mano acaba de infringir la primera ley del movimiento de Newton,

because my hand just violated Newton's first law of motion,

which states that objects that are in motion tend to remain in motion.

que establece que los objetos que están en movimiento

tienden a permanecer en movimiento.

So where in your brain is a violation of Newton's first law first detected?

¿En qué parte del cerebro se detectó por primera vez

una violación de la primera ley de Newton?

The answer is remarkable. It's in your retina.

La respuesta es extraordinaria. Está en tu retina.

There are neurons in your retina that will fire

Hay neuronas en la retina que se activan solo

if and only if Newton's first law is violated.

si se infringe la primera ley de Newton.

So does our model do that?

Entonces, ¿nuestro modelo hace eso?

Yes, it does. It reproduces it.

Sí, lo hace. Lo reproduce.

But now, there's a puzzle.

Pero ahora hay un acertijo.

How does the model do it?

¿Cómo lo hace el modelo?

Well, we developed methods, explainable AI methods,

Bueno, desarrollamos métodos, métodos de IA explicables,

to take any given stimulus that causes a neuron to fire,

para tomar cualquier estímulo que provoque la activación de una neurona,

and we carve out the essential subcircuit responsible for that firing,

y creamos el subcircuito esencial responsable de esa activación,

and we explain how it works.

y explicamos cómo funciona.

Pudimos hacerlo no solo por las primeras violaciones de la ley de Newton,

We were able to do this not only for Newton's first law violations,

but for the two decades of experiments that our model reproduced.

sino también por las dos décadas de experimentos

que reprodujo nuestro modelo.

And so this one model reproduces two decades' worth of neuroscience

Así pues, este modelo reproduce dos décadas de neurociencia

y también hace algunas predicciones nuevas.

and also makes some new predictions.

This opens up a new pathway to accelerating neuroscience discovery

Esto abre una nueva vía para acelerar el descubrimiento de la neurociencia

using AI.

mediante la IA.

Basically, build digital twins of the brain,

Básicamente, hay que crear gemelos digitales del cerebro

y, a continuación, utilizar una IA explicable para entender cómo funcionan.

and then use explainable AI to understand how they work.

We're actually engaged in a big effort at Stanford

De hecho, en Stanford estamos haciendo un gran esfuerzo

to build a digital twin of the entire primate visual system

para construir un gemelo digital de todo el sistema visual de los primates

and explain how it works.

y explicar cómo funciona.

But we can go beyond that

Pero podemos ir más allá

and use our digital twins to meld minds and machines,

y usar nuestros gemelos digitales para fusionar mentes y máquinas,

by allowing bidirectional communication between them.

al permitir la comunicación bidireccional entre ellas.

So imagine a scenario where you have a brain,

Imagina un escenario en el que tienes un cerebro,

you record from it, you build a digital twin.

grabas a partir de él y construyes un gemelo digital.

Then you use control theory to learn neural activity patterns

Luego usas la teoría del control para aprender patrones de actividad neuronal

that you can write directly into the digital twin to control it.

que puedes escribir directamente en el gemelo digital para controlarlo.

Then, you take those same neural activity patterns

Luego, tomas esos mismos patrones de actividad neuronal

and you write them into the brain to control the brain.

y los escribes en el cerebro para controlarlo.

In essence, we can learn the language of the brain,

En esencia, podemos aprender el lenguaje del cerebro

and then speak directly back to it.

y luego responderle directamente.

So we recently carried out this program in mice,

Así que recientemente llevamos a cabo este programa en ratones,

where we could use AI to read the mind of a mouse.

donde podíamos usar la IA para leer la mente de un ratón.

So on the top row, you're seeing images that we actually showed to the mouse,

Así que en la fila superior, están viendo imágenes que mostramos al ratón,

and in the bottom row,

y en la fila inferior,

you're seeing images that we decoded from the brain of the mouse.

están viendo imágenes que decodificamos del cerebro del ratón.

Nuestras imágenes decodificadas tienen una resolución inferior

Our decoded images are lower-resolution than the actual images,

a la de las imágenes reales,

but not because our decoders are bad.

pero no porque nuestros decodificadores sean malos.

It's because mouse visual resolution is bad.

Esto se debe a que la resolución visual del ratón es mala.

So actually, the decoded images

De hecho, las imágenes decodificadas

show you what the world would actually look like

muestran cómo sería el mundo

if you were a mouse.

si fueras un ratón.

Now, we can go beyond that.

Ahora, podemos ir más allá.

Ahora podemos escribir patrones de actividad neuronal

We can now write neural activity patterns into the mouse's brain,

en el cerebro del ratón,

so we can make it hallucinate

así podemos hacer que alucine

any particular percept we would like it to hallucinate.

cualquier percepción en particular que queramos que alucine.

And we got so good at this

Y lo hicimos tan bien

that we could make it reliably hallucinate a percept

que podíamos hacer que alucinara de forma fiable una percepción

by controlling only 20 neurons in the mouse's brain,

controlando solo 20 neuronas del cerebro del ratón

by figuring out the right 20 neurons to control.

y determinando cuáles eran las 20 neuronas que había que controlar.

So essentially, we can control what the mouse sees

Básicamente, podemos controlar lo que el ratón ve

directly, by writing to its brain.

directamente escribiéndole a su cerebro.

The possibilities of bidirectional communication

Las posibilidades de comunicación bidireccional

between brains and machines are limitless.

entre el cerebro y las máquinas son ilimitadas.

To understand, to cure and to augment the brain.

Para entender, curar y aumentar el cerebro.

So I hope you'll see that the pursuit of a unified science of intelligence

Espero que se den cuenta

de que la búsqueda de una ciencia unificada de la inteligencia

that spans brains and machines

que abarque cerebros y máquinas

can both help us better understand biological intelligence

puede ayudarnos a entender mejor la inteligencia biológica

and help us create more efficient, explainable

y a crear una inteligencia artificial más eficiente, explicable

and powerful artificial intelligence.

y poderosa.

Sin embargo, es importante que este objetivo se lleve a cabo abiertamente

But it's important that this pursuit be done out in the open

so the science can be shared with the world,

para que la ciencia pueda compartirse con el mundo,

and it must be done with a very long time horizon.

y debe hacerse con un horizonte temporal muy largo.

This makes academia the perfect place to pursue a science of intelligence.

Esto convierte al mundo académico

en el lugar perfecto para dedicarse a la ciencia de la inteligencia.

In academia, we're free from the tyranny of quarterly earnings reports.

En el mundo académico,

estamos libres de la tiranía de los informes trimestrales de ganancias.

We're free from the censorship of corporate legal departments.

Estamos libres de la censura de los departamentos legales corporativos.

We can be far more interdisciplinary than any one company.

Podemos ser mucho más interdisciplinarios que cualquier otra empresa.

And our very mission is to share what we learn with the world.

Y nuestra misión es compartir lo que aprendemos con el mundo.

For all these reasons, we're actually building a new center

Por todas estas razones, en realidad estamos construyendo un nuevo centro

for the science of intelligence at Stanford.

para la ciencia de la inteligencia en Stanford.

While there have been incredible advances in industry

Si bien la industria ha registrado avances increíbles

on the engineering of intelligence,

en la ingeniería de la inteligencia,

now increasingly happening behind closed doors,

que ahora se producen cada vez más a puerta cerrada,

I'm very excited about what the science of intelligence can achieve

estoy muy entusiasmado con lo que la ciencia de la inteligencia puede lograr

out in the open.

a cielo abierto.

Sabes, en el siglo pasado,

You know, in the last century,

one of the greatest intellectual adventures

una de las mayores aventuras intelectuales fue cuando la humanidad

lay in humanity peering outwards into the universe

se asomó al universo

to understand it, from quarks to cosmology.

para comprenderlo, desde los quarks hasta la cosmología.

I think one of the greatest intellectual adventures of this century

Creo que una de las mayores aventuras intelectuales de este siglo

will lie in humanity peering inwards,

consistirá en que la humanidad mire hacia adentro,

both into ourselves and into the AIs that we create,

tanto a nosotros mismos como a las IA que creamos,

in order to develop a deeper, new scientific understanding of intelligence.

para desarrollar una nueva y profunda comprensión científica de la inteligencia.

Thank you.

Gracias.

(Applause)

(Aplausos)