Tertulia sobre IA y el Nobel de Física 2024: avances, investigaciones y temas destacados

Bienvenidos a la Tertulia de Itnig.

Buenas tardes. Muy bien, muchas gracias.

Eso es.

Sí.

Vale.

Pues diría que es menos explosiva de lo que creeríais, ¿no? Intentamos que no exploten cosas, entonces, bien. Y me atrevería a decir que es bastante similar a lo que encontramos en los departamentos de analítica avanzada, data science, machine learning que ya hay, ¿no? Al final, el día a día es en el que tú tienes un, un proyecto en el que trabajas, eh, de forma constante, diría apasionada, ¿no?

Porque hay un problema que tienes que resolver, simplemente que, mmm, todavía no se ha planteado cómo poder resolverlo. Entonces, al final lo que vas haciendo es: vas leyendo, vas investigando, vas probando cosas hasta que encuentras un camino que seguir y encuentras que al final de ese camino, pues hay una solución a aquello que llevas tanto tiempo buscando.

Sí, em, por ejemplo, yo cuando decís, ¿no?, que soy ingeniero nuclear y al final hice Ingeniería, me especialicé en Ingeniería Nuclear en, en Francia Ahí tienen, eh, bastantes reactores, más que en España. Y luego continué haciendo física experimental donde, ah, analizaba el impacto que tenía la radiación de partículas dentro de distintos materiales.

Eh, esto tenía una aplicación directa, sobre todo porque una de las cosas que más limita en el período de vida de una central nuclear, de fisión, ¿no? Las de uso, las que tenemos aquí en España y que también tienen que considerarse a la hora de construir reactores de fusión, es el, el envejecimiento avanzado de los materiales que están sometidos a un borba-- a un bombardeo constante de partículas cargadas a energía brutal, ¿no?

Yo siempre digo lo mismo, al final o un metal o un material cerámico si recordáis de que, ¿no? Que cristala-- cristalografía básica suelen estar estructurados de forma regular como si fuese-

Sí, sí, sí recuerdo eso.

Al final los materiales son-

Ya sé que está... Vale, vale. El filtro inteligente aquí.

Básicamente, eeeh, un material, ¿no? Lo que es la materia se puede estructurar siguiendo unos ciertos patrones, pues por ejemplo cubos, como si fuesen piezas de Lego o simplemente como cuando tú tiras dentro del cajón los calcetines y se van apelotonando, ¿no?

Entonces una cosa es ser irregular y cristalina y otra cosa es amorfa. ¿Qué pasa? Que si tú tienes un material cristalino sobre el, el cual se basan todas las propiedades macroscópicas, eléctricas, termodinámicas, mecánicas y demás, si tú las estás bom-bombardeando y estás destruyendo paulatinamente esa red cristalina, eh, las propiedades fisicoquímicas de ese material van perdiéndose.

Entonces, si tú tienes un metal, ¿no? Como podría ser un acero inoxidable, que es de lo que están hechos las cuvas de los reactores y lo sometes a radiación neutrónica, ¿no? Que bum, bum, bum, todos esos neutrones están pegando los átomos de, pues de hierro y carbono que están por ahí dentro. Eseee, ese acero puede volverse frágil, puede verse frágil y de repente, pues puede romperse.

Entonces, el, el peligro, ¿no? O digamos el, el, la capacidad de absorber grâce a un hecho que se puede tener un reactor c-- nuclear viejo aun los jóvenes es muy distinta precisamente por ese efecto de envejecimiento. Pero lo que yo hacía era, ehm, simular las condiciones que encontraríamos dentro de reactores nucleares avanzados con aceleradores de partículas lineales y, eh, irradiaba distintos tipos de materiales.

Entonces, lo que luego hacía era estudiar cómo habían cambiado sus propiedades en función de ese bombardeo, ¿no? Que, que en el caso n-no bombardeábamos con, con neutrones sino con, bueno, iones de oro y otras, eh, y otros elementos. Ya, ya, ya.

Entonces, el hacer-- como que podía crear las condiciones de contorno aceleradas que tienes dentro de un reactor nuclear y podía estudiar cuál era el impacto en materiales nuevos que se estaban estudiando, pues para, eh, construir los revestimientos de los reactores.

Esa era, claro, esa es la gracia. Siempre hay cooomo en las tesis de físicas experimentales modernas, como una especie de, eh, acople de las dos cosas. Suele haber un marco teórico en el que tú te amparas y lo que se intenta hacer es: "Oye, pues yo tengo este marco teórico, voy a hacer una serie de experimentos para ver si las dos cosas casan y luego con esto puedo hacer predicciones y extrapolar a nuevos casos de uso", ¿no?

Entonces esa es el...

Yo diría como que-

Sí, sí, sí.

Ergo, ergo corrent . No, no hay escapatoria igualmente. Em, sí, sí, por supuesto. Toda actividad humana conlleva un riesgo asociado. Lo importante es saber medir ese riesgo y sobre todo saber actuar en consecuencia. El riesgo asociado a tener un parque nuclear en, en un país es muy bajo.

De hecho, hay cifras, ¿no? Que son sorprendentes. Uno cuando mira, por exemplo, la tasa de mortalidad pore unidad de energía generada, ¿no? Número de muertos por kilovatio de hora generada, la tasa de mortalidad de la energía nuclear de fisión al uso está casi a la par que la fotovoltaica y por debajo que la eólica Porque generas-

Hay que repararlos y la gente se cae . Yo estoy seguro de que es por eso. Y la generación, por ejemplo, de paneles fotovoltaicos utiliza un montón de... pues no sé, eh, tierras raras que llaman, ¿no? Que para extraerlas, pues son, eh, son muy contaminantes. Ahí hay algunos procesos, pues que pueden afectar a la salud humana.

Vale. Em, bueno, al final e-es un poco como todo, ¿no? Hay, hay, hay unos ciertos períodos de hype, luego hay unos periodos de enfriamiento y luego hay unas necesidades claras energéticas como para poder satisfacer la transición hacia un mundo más sostenible. Eh, claro, el, el hype, ¿no?, del inicio de la construcción de centrales nucleares eléctricas dentro de lo que es Europa sale a partir de, eh, la crisis del petróleo, donde, ¿no?

Había como una dependencia enorme con esos países de la OPEP entre países productores de petróleo. Entonces, de forma estratégica los países dicen: necesitamos independencia energética. Mi energía no puede depender de los países que producen, que encima tienen países, o sea, gobiernos inestables. Aquí la solución más directa es, por ejemplo, apostar por la energía nuclear, porque la cantidad de combustible que tú puedes almacenar es muchísimo más grande que la que podrías hacer almacenando tanto gas o petróleo, ¿no?

Siempre digo un poco lo mismo. Cuando tú, eeem, mides la cantidad de energía eléctrica que podrías haber utilizado a lo largo de tu vida, si toda fuese de origen nuclear, el combustible nuclear de alta actividad que se llama, ¿no? Lo que sería ese uranio que se ha consumido, es del tamaño de entre una pelota de tenis y una pelota de golf.

Y además está confinado. El problema que tienen las formas clásicas de energía, ¿no?-

No, por persona, por persona.

Sí, exacto. Eso es el residuo nuclear que tú generarías.

Y además tiene la ventaja-

Sí.

Hay reservas de uranio de sobras, sobre todo porque-

N-- o sea, un-una de las principales fuentes de reservas de uranio es, es Nigeria. Esto-

Hazte un fact check por si acaso me equivoco, porque hace doce años que no me dedico a esto y te estoy tirando de memoria, pero…

Y Canadá. Entonces, hay, hay también grandes reservas de uranio en Canadá. E incluso España podría ser energéticamente independiente porque tiene reservas de uranio suficientes como para poder hacer esto.

Sí, pero por desconocimiento. Es decir, vivir al lado de una central nuclear-

A ver, es que estamos en un pódcast de emprendeduría, ¿no? Mi primera-- mi primer sueño de emprendedor era intentar llevar a Mallorca a crear una startup de lo que se llaman los reactores nucleares modulares pequeños, small modular reactors, que en lugar de tener una central nuclear que te genera un gigavatio hora de, de potencia, son reactores pequeñitos de doscientos megavatios que los puedes poner y distribuyes mejor esa parte.

Para Mallorca, por ejemplo.

Eh, yo diría que sí.

No, no conseguí financiación en ese momento, no estaba-

Ahora yo creo que hay una tendencia hacia el deep tech. Los SMR están como volviendo a coger mucha po-

Small Modular Reactor.

Como están volviendo a coger como mucha, eh, mucho revival. Hay varias startups que están saliendo en torno a este concepto. Está, eh, Terra Nova, que esta en, en, bueno, que es la participada de Bill Gates, ¿no? Que están creando este nuevo reactor, eh, nuclear que en principio tiene que ser la hostia. Y hay un resurgir de interés en la energía nuclear, porque cuando miras sobre papel es la única solución viable como para garantizar una transición energética suave sin destruir la economía a nivel mundial.

O han explotado solos.

Allegedly.

Em, bue-- Bernat te ha preguntado la, la típica pregunta que se hace con, con, eh, reactores de fisión. Yo te voy a hacer la otra. Eeeh, ¿la fusión existe? ¿Es algo que crees que-

Yo cuando era pequeño, la Sagrada Familia estaba a punto de acabarse y la fusión estaba a punto de llegar.

Estábamos a punto.

Y el ordenador cuántico.

Claro, claro, es como u-un moving target, ¿no? Que cada cincuenta años, cada cincuenta años.

Lo otro seguimos esperando.

Ehm, haciendo un step back, ¿no? De, de cuando hablamos de energía nuclear, hay como dos grandeees tipos de reactores, los de fisión, que es básicamente yo tengo un átomo gordaco como el de uranio, ¿no? Y, y cuando lo parto, pues sale una energía liberada. Y luego los de fusión, que es yo tengo dos átomos ligeros, como son los de hidrógeno helio-3 con algún otro neutrón, cosas así, que cuando los junto también se libera energía.

Entonces, una cosa es romper un átomo, que es el de fisión, que es lo que hacemos, ¿no? Bombardeando con neutrones. Y lo otro es, eh, juntar átomos, vamos a decir como de hidrógeno, ah, para que nos entendamos. ¿Qué pasa? Que juntar átomos de hidrógeno eso es muy complicado, porque si os acordáis, los dos tienen carga positiva y caso-

Eso es, ¿en qué clase lo daban? Por si tampoco fuimos quizá.

Yo asumo que el, el, el digamos, digamo-- el, el público medio de Itnig tiene un elevado nivel cultural y por tanto le hablo como si fuese de, desde cero.

Vale. Juntar átomos de hidrógeno es complicao'.

Juntar átomos es complicao, porque como tienen la misma carga, se repelen. ¿Qué pasa entonces? Que necesitas ponerlos en unas condiciones muy especiales, que es,ahm, en una sopa a una muy alta temperatura para que esa velocidad que tienen los, los átomos de hidrógeno, en este caso, ¿no? Superen esa barrera coulombiana, esa barrera, ¿no?

Y puedan llegar a chocarse y generar esa reacción. O bien, eeeh, meterles una presión enorme, aplastarlos giganteamente hasta que también por presión, eh, consigues que se, que se junten y acabe librando energía. El caso más fácil es el de la bomba nuclear de hidrógeno, la bomba termonuclear, ¿no?

O sea, la bomba termonuclear al final no es más que una reacción de fisió-- de fisión que desencadena una reacción de fusión completamente descontrolada Entonces-

En el caso de la bo-- bueno lo que pasa es que esto es una pequeña-

Eeel en el caso de la generación de energía como lo que tú quieres es más bien una deflagración, ¿no?, una especie de reacción com-- nuclear lenta-

Y quieres no gene-- pero generas residuos radioactivos. Lo que nos genera son residuos radiactivos de alta actividad. No tiene uranio que está tal, pero sí queee eh hay un residuo que se vuelve radiactivo porque al estar sometido a radiación neutrónica dentro de esos reactores pues acaba activándose y eso pues también hay que tener cuidado. Eeeh entonces hay dos formas o generas una sopa muy caliente que se llama plasma ¿no?

Ese plasma de átomos de hidrógeno que se van juntando pooore-

Que es lo que hay en el sol Y de hecho uma de las cosas mas, mas curiosas né que me llamaba mucho la atención emmm La diferencia de temperaturas más grande que tu puedes encontrar en el universo esta na tierra Esta entre los rectores de fusion experimentales que se tienen Porque tienes eee Que utilizar um iman gigante Para contener ese plasma nono Por queeee Si toca alguna das paredes La funde directamente Eso esta A temperature Mucho Mas Alta Que la que esta El Sol Estamos Hablando De cientos De millones de grados Centígrados

Sí Está Más Caliente Que El Sol E fuera Estaaa Cuatrooo Kelvin Que Son Esos Menos Doscientos Setenta Grados centigrados NonPorque Están Enfriando Los Ehhh Imanes Superconductores Que Son Capaces De Generar Elll Bucle Magnético Vaya chapa

Esta ahí Ahí

Todavia no han metido Un agujero negro

Si Ahora queda También O sea Yo tambien Alucino Con chatGPT Nosotros Mirandolo

Si Va a decir Como VolvemosPara hablar de OpenAI Aquí

Claro Claroentonces Lacosa QuéesLafísicaxiste Es DecirEl proceso Se conoceSe sabe Cómo Sepuede Hacer

SéHacerlo Sé Desde HaceMuchOSAños El ProblemaEsde ingeniería ElProblemaescómo ConseguimosUnaReacciónDe fusióSostenerEl tiempo Dela quenosotros Podemos CosecharEnergía Agran escala HayVariasEh Iniciativas Tenemos El ITER Encadaráz Francia Que LlevaTambién EhUnosCuantosaños DeretrasoSéTiempo EhPostuladoCincoMilmillonesDe euros Depresupuesto Creo vaPor veinte mil Ah Luego deeso Teniam El DEMO

Veinte BillionCreoque haya

Sí YahabíanPresupuestado

EhNosolo porla unión europea Por unconsorcio depaíses Enlos queencontramos ajapón Coreaeh del sur

De Facebook

Em

Sí entoncess elll Elproblemaeses Principalmenteese ¿No? O sea queeramismo Oh senecesitaMetermásenergía Peropodercalentar Esseplasma Quela quesextraedeEsseplasmacaliente HahavidoAlgunaSeriedededepuntos No dedebreakthroughs DuranteLosúltimOSaños QuesígahanconseguidoyaComo unfactor DemultiplicacióEnergetico Positivo Yesoesesperanzador Y de hechoHaycomo inclusoyainversiÓnPrivada ParageneraresOs primerosRectoresDefusiónQuenosaniniciativAsdegobierno Quesoncomostartups Questán SaliendoConesto Deaquí cincuenta añoVolveremosAhablar Eh

Clarotiene carácterPulsarehentoncésElleproblemases llegarAesoquesé quemássihmás contenido

Aaaraestamos subiendo

Esoes cómoirala PaísDemago deoceO SeaEl caminoEstortuosoberllegaremos

Sí

Valela Inteligencia Artificial Ya sabéisQuées Comoun gran Essesun palabro ¿No? Queseutilizaparatodo ahoramism En elfondoOh cuandohablamos deinteligenciartificial Ala díadehoy Sobre Todo DespuésDe¿No?DelaugeDeldedechatchptdesde noviembredosmilventidosse asociaSobre todoEllaIntelligent artificial conEstos modelosDee Deep learningGenerativospero Queenelfondooloquetieneeeseunanredneuronal ProfundaQuesellama¿No?unaseriede decapas Aaquetúpuedeshiracumulando Queloque hacenesoptimizarUnafuncióndererrorEntonces ehel deeplearningensucoreeeee

De formamuy muysimplificadaes una funcióndeaproximacióuniversalqué significa estovosoTros habeistrabajadocOnexcélalguna vez¿No? Columna columnaB clic derechoyle tirasana líneay te saleel RcuadradoEntoncesesoes unmodelolineal Quese ajustamáso menosalos puntosquetiensesfuncionaramjoropero perose hajustao Eldeep Learning escomo situviesesunarregresióndelineal alatutle puedeshirañadiendoflexibilidadpara queso vayadaptandosospuntoses eresz capazdea simularcualquier tipodefunciónteniéndelnúmerosuficientededatos parapoderhaceresqueesa funciónseadapte Dealimportancia oseadel deeplening altenernosotrosum herramienta ¿Nox?

quese unhaherramientade aproximacióUniversalcapaz deadaptarse ala forma DECualquier funciónque yo quiero optimizersinosvamos a Lafísicaenlafísica todosson eh puntosexperimentale recogidos quelleyo quiera entender Quétipo Patron están siguiendo puessi tengos suficientesdatos experimentalese tengo modeludeep deDeepLearning losuficientementeflexible puedo adaptarum modelo queluego m epuede servirparaa simularensasc ondicio ness dehechom vosotrashabeis visto Estosvídeosquez Salido quesono lashostiade open AI¿No?delossora ylosylos quesonmodelosdedevideo unaslas implicacionesquetienen dicen esque estonosun modelsolevideo estosunmodelo delmundoporqueYo parapo derepresentaresse mar dentrouna tazadecafé conun barcopiratadigamo sque esa IAhatenido queentender

cuáles ladinamicadefluidodes olasquetendríanquetenerdentrodeunataza yesoluego me permitepuesgenerareseenuevo oh ese nuevoconociemientoesenueva simulacione seenuetipodedede De, de forma de aproximarlo que no sea directamente experimental. De hecho es que lo veníamos hablando, ¿no? El, el... los dos premios Nobeles eh un poco más relevantes que hay para mí en este momento, que suelen ser el de Química y el de Física, este año, esta misma semana se han otorgado a dos de las iniciativas de IA oh más grandes de los últimos tiempos, que ha sido el proyecto de Al-de AlphaFold, que es el proyecto para poder predecir cómo se pliegan las proteínas dada una secuencia de aminoácidos, que es un proyecto complejísimo que lleva también

cincuenta años abierto y no se conseguía resolver. Y luego también el de física-

Y se ha resuelto con, con inteligencia artificial.

Se ha resuelto con inteligencia artificial.

Concretamente, ¿con cómo? ¿Con qué mmm tecnología?-

Eh, sí.

¿Con qué modelo? Eso fue proyecto de Google, ¿no? De Alphabet.

Ese es el proyecto-- Sí, es el proyecto de Google.

DeepMind.

De DeepMind. Eh, que empezaron con el AlphaZero, continuaron con AlphaGo, eh demostrando cómo podían llegar a, a calcular esos, esos espacios de cálculo infinitos como podría ser una partida de Go. En Netflix estaba ese documental de Alpha-de AlphaGo, ¿no?, donde sale a tiempo real cómo Lee Sedol dice: " Hostia, o sea, es que me está ganando una máquina.

Pensaba que esto sería imposible". Entonces, eh, se pusieron un poco más serios y dijeron: "Bueno, en lugar de jugar vamos a intentar hacer algo que tenga un gran impacto para la humanidad." Y hicieron AlphaFolD uno, luego AlphaFold dos y por esto les han dado el premio Nobel de química porque ha tenido un impacto brutal en la comunidad.

O sea, es lo que decía, ¿no? El---las proteínas, que es la base sobre la que se construye la vida, que si nos bajamos a un nivel más bajo son esas secuencias de aminoácidos, ¿no? Esas cadenas de NHs que si tú las pones una sobre la otra y luego las dejas en libre, se van a retorcer hasta llegado a un estado de equilibrio y se queden en una forma en 3D. Y esta forma en 3D es superimportante porque es la que define cómo esas proteínas van a interactuar con todo su entorno.

Em, eso no se había conseguido. Hay billones de combinaciones posibles y gracias al esfuerzo de un montón de químicos y físicos experimentales habían conseguido solo mapear cien mil estructuras cristalinas con cristalografía X, cosas así. Em, a través de AlphaFold han conseguido predecir trescientas mil estruturas que no se habían considerado antes ni se habían visto y que tiene un nivel de acierto que es comparable al que obtenemos experimentalmente.

Entonces, eh, esto salió que en 2021 llevaba más de-- o sea, dos millones de investigadores están utilizando estos resultados para avanzar en, en genética medicina, en generación de fármacos. El impacto que tiene realmente en, en la humanidad es brutal, ¿no? Que por eso te dan un Nobel. Eh, ¿qué es lo que va generando más impacto en la humanidad para su beneficio?

Pues-

O sea que no es un, que no es un químico sino que es un computer scientist, ¿no? Un ingeniero informático, vamos a traducirlo-

Sí.

El que recibe el Premio de la Química, que eso es lo que ha generado también un poco de debate.

Sí.

Hay gente que, que no le parece bien.

El... Hay gente que se extraña. O sea, los nobeles siempre generan un poco controversia, ¿no? Si ganas algo, mejor que generes un poco de controversia, porque si no, pa qué lo has ganado. Entonces tanto en física-

Como Obama, que ganó el de la Paz antes de empezar casi el mandato, ¿no?

Claro, claro. Eso yo creo que es la mejor campaña de marketing que ha habido en la historia . Entonces, eh, más, más eco le dio. Es como-- de hecho, le creó muchísima presión, en plan tío, tienes el premio Nobel de la Paz antes de empezar, a ver qué haces ahora, ¿no? Aquí, em, al menos han hecho algo antes de, de dárselo. Y en tanto en el de Física como en el de Química han sido los dos computer scientists, ¿no?

El del de, el de Hinton con Hopfield, que son los padres de la IA moderna, los, los, eh, los que han conseguido que el deep learning sea una herramienta que funcione.

¿Qué se inventaron o qué descubrieron estos?

Eh, Hopfield consiguió crear una red neuronal que ayudaba a predecir patrones, pero que aprendía muy mal. Hinton lo que hizo fue, ah, conseguir, digamos, hacer que el algoritmo de aprendizaje, que es el de backpropagation, funcionase a escala dentro de redes neuronales.

Entonces crearon ya esa herramienta que como decía, es como una especie de herramienta de aproximación universal.

Y esta gente es más matemática o informática. O sea, ¿es más ingeniería, como decías tú antes, el problema о era más matemática el problema?

Es que para mí hay un toque de creatividad que no podría ni asignarle una cosa ni la otra, ¿no? Esta gente es, como decía, están muy metidos en, en ese tipo de problemas, tienen una serie de intuiciones y tienes que tener una gran capacidad matemática para poder plasmar las ecuaciones, ¿no? Que siguen y derivarlo. Una vez están hechas es, es sencillo seguirlo, ¿no?

Escribir la respuesta-

No es la ingeniería el reto.

Pero no es la ingeniería. La e-- el reto ingenieril ha sido que durante muchos años lo que ellos habían planteado en el 86, 87 no era útil porque no había ni la capacidad de cálculos suficiente ni la cantidad de datos suficientes para hacerlo.

Vale.

Entonces, ¿qué ha pasado en los últimos diez años, no, desde 2012? Que se ha juntado el hambre con las ganas de comer. Eh, tienes una capacidad de cálculo ingente gracias a toda la nube. Tienes una cantidad de datos ingentes gracias a toda la gente que está utilizando Internet y tienes, eh, gente motivada como, eh pues Hinton, Andrew Ng, ¿no? Todos los pops de los que hacen la IA diciéndole a los de Google: "Oye, vamos a hacer algo porque esto va a funcionar sí o sí y vamos a ponerlo sobre GPUs y vamos a empezar a entrenar".

Y para sorpresa de todos, ha funcionado, ha funcionado bien y se ha descubierto no solo cómo funciona bien, sino cómo hacer que funcione mejor. La gran aportación de OpenAI al mundo de la IA ha sido el coger, em, digamos, el, el punto final de esos algoritmos de IA, ¿no? Del-- de, de, de esas arquitecturas, de cómo pongo yo los distintos parámetros, que es la arquitectura de transformers, ese paper que salió también en...

de Google en 2017 y que luego, um, que decían: "Con esto ya solventamos el problema de poder modelizar secuencias largas", Luego salen las arquitecturas tipo BERT, ¿no? Que son la primera revolución también a nivel de procesamiento de lenguaje natural porque vienen preaprendidas y tú puedes utilizarlas.

Y luego los modelos tipo GPT, que es que predicen la siguiente palabra. Lo que consiguió hacer bien OpenAI era entender, em: coño, cuanto más dato le meto y cuanto más poder computacional le meto, esto mejor funciona. Y como yo puedo modelizar cómo mejor funciona, puedo optimizar cómo los entreno para que luego sean capaces de predecir la siguiente palabra.

Pero hay una innovación importante de OpenAI, que yo creo que hablamos poco, que es el... la innovación del fundraising Porque en realidad nadie le había metido billions a esta experimentación. O sea, el hecho de poder gastarte billions en licenciar o tener acceso a datos y gastarte billions y decenas de billions en computación nadie lo había intentado

Es una locura

O sea, también es una innovación, eh, financiera en este sentido

No, ya, ya habían levantado un billion

Pero eran nativos, ¿no?

Cien-ciento y pico millones, eh, antes que-- o sea, estos proyectos nadie les metía cien-- ahora nos parece cien millones para AI ya nos parece una seed, ¿no?

Eso es lo, lo que hace que se expa-

Ya tenían inversión

Ya tenían inversión de un billion

Que parece una tontería, pero siempre las cosas brillantes parecen una tontería, ¿no?, cuando ya están hechas

Claro, de hecho hasta que sacaron ChatGPT, ¿no?, la versión conversacional, eh, se comían un colín. No, no conseguían hacer que nadie utilizase su API porque funcionaba como el culo. O sea, no era, no era práctico utilizarlos. Y ha sido a partir de que eso ya tenga esa capacidad de interacción con el usuario casi conversacional que nosotros podemos utilizarlo para proyectos que tienen un impacto práctico.

Hasta el punto que, eeeh, lo que dicen es, eh, ¿no?, eh, sacaron ese propio paper porque no solo se ocupan de la parte commercial ni de la ciencia ni de levantar pasta sino que también hacen como estudios sociológicos del impacto de este tipo de tecnologías y sacaron ese artículo poco después de, mmm, de haber sacado el, el bicho, como lo llamamos cariñosamente , que es GPTs are GPTs, ¿no?

Generative Pretrained Transformers are General Purpose Technologies. Es decir, eh, el GPT, que es un modelo de deep learning que lo que hace es predecir la siguiente palabra, se ha convertido en una herramienta tan horizontal, tan transformativa que ya se dice que es una tecnología de propósito general, como ha sido en la máquina de vapor, en la electricidad, internet y ahora la IA.

Es brutal. Eh, va a transformarlo todo, solo que nadie sabe cómo ni con qué impacto ni hasta qué nivel. Entonces-

El-

Vale.

Sí, sí, no básicamente. Soy conocido por ser muy breve en mi entorno. No, el-- básicamente, como era física experimental y tenía un, una serie de modelos que probar, lo que hacía era utilizar varios algoritmos de machine learning para ver cómo yo podía encontrar cuál era el mejor modelo que se adaptaba a los datos experimentales que yo tenía para luego poder hacer predicciones.

Simplemente era un mecanismo más de, ah, poner una recta encima de una serie de puntos que había obtenido.

Eeeh, sí. O sea, la cosa es como que el, el... Yo tengooo... soy intensito, ¿no? Cuando cojo algo que me apasiona-

Eres intensito has dicho

Sí, sí, sí

Vale, vale

Yo no sé si lo habéis notado, pero bueno, eh, vale. No pasa nada

Estamos acostumbrados aquí. Mucha intensidad

Entonces cuando cojo algo que meee, que me flipa y me maravilla y me descuadra, es como que de repente tengo que poner todo mi foco sobre eso yyy, y lo tengo que entender, lo tengo que hacer y de repente pues me...

La respuesta era sí. Sí, la IA te interesó más que lo nuclear

Ves

Bueno, no es que me interesase más, es que también como quería volver a Mallorca que es donde vivo y tengo mi pareja y todo, pues en Mallorca como no hay reactores nucleares-

Como no conseguiste montar el reactor pequeñito

Pues dije: "Bueno"-

Pues ahora empresa de travel haría

Exacto. Y me puse ahí a analizar pues datos de turismo y-

De ahí a Klarity y de ahí monté mi propia startup. Justo

Tienes que hacer el prompt

El prompt es ese

Klarity AI es una de las...

No, Klarity no, tu empresa, ¿no? Primero Klarity, primero Klarity, claro es que tenemos que llegar

Claro, Claro. Eh, Klarity AI es una de las grandes startups barra scale ups que hay dentro del país, ¿no? Eh, tras haber levantado varias rondas de financiación, está BlackRock, SoftBank

Eh, bueno, ha levantado, ¿no? Ciento treinta, ciento sesenta millones. No sé el número exacto porque salí ya de Klarity hace unos... un par de años, pero es como mi alma mater. Emmm, entonces en Klarity lo que hacíamos era generar scores de sostenibilidad para las empresas públicas, ¿no?, que están cotizadas en bolsa para que se pudiese medir cuál era el impacto que tenían esas empresas, pues a nivel socio medioambiental y de gobierno.

Porque hablan de un checklist

Esto del score de SG

No es un checklist, hay metodologías. Es deciiir, el problema es cómo tú agregas toda la información de forma que puedas comparar una empresa que se dedica a la publicidad con otra que se dedica a generar electricidad. Si tú tienes que hacer, ¿no?, un análisis de cuál es el impacto de emisiones de CO₂ de una empresa que genera electricidad, pues hombre, de facto una empresa que genera electricidad pues va a generar más CO₂ que una empresa que genera publicidad, ¿no?

Porque o quema panfletos o no tienes por qué generar mucho, mucho CO₂. Entonces, el cómo conseguir unos scores que sean comparables y que tengan correlación con las métricas financieras de una empresa es una vertiente metodológica que es compleja. Hay, hay varios marcos de comparación.

Klarity ha diseñado uno propio o también se dedican temas de regulación y están muy metidos en, en distintos, distintos marcos. Pero sobre todo también ahí se utilizaba la IA, pues para toda la parte de, eh, procesar noticias, cómo conseguíamos señal de distintoos, de distintas fuentes, porque una de las cosas que nosotros utilizamos, ¿no?

Siempre ponemos el mismo caso, el del Dieselgate. Tú miras Volkswagen sobre papel en aquellos años y tenían unos O scores de sostenibilidad muy buenos. Pero luego sale el Dieselgate, que es una controversia y-

Que básicamente hacían trampas en el testeo de sus propios motores.

Entonces tienes que penalizarlos de alguna forma porque ese score medioambiental que tenían estaba, estaba pervertido. Entonces tenías como que penalizarlo en plan: "Oye, en función de esto", ¿no? Pues ahí también teníamos como muchos algoritmos de procesamiento de lenguaje natural, teníamos muchos algoritm-

Sí, lo que tienen es poner el dedo en la balanza, ¿no?, le va a dar una guía.

Justo.

Sí, sí.

El... Bueno, eh, lo que analizábamos eran noticias, noticias de fuentes, eh, confiables, por así decirlo, para evitar fake news y todo temas. Y lo que tú haces es medir como la severidad de la noticia. Bueno, pues sí, han hecho un poco de trampa se-- en las emisiones, pero si de repente una fábrica se hunde, como las de, pues no sé, algunas empresas textiles y matan a cien personas, coño-

Pues los clientes que pagan por este servicio, el... asset managers, que luego tienen que utilizar esta información para calibrar sus portfolios de empresas que están participadas, empresas que también que tienen que hacer-

El mundo financiero, sí.

Salió hace poco en El Diario lo estábamos mirando antes, ¿no? La facturación creo que este año ha sido de doce, trece millones de euros.

Mhm.

Yo he leído trece ante-hace un rato.

Entonces, en Klarity coincidí con dos personas maravillosas, ¿no? Con las que nos llevamos muy bien, Diego Pérez y Alejandro Fernández, y decidimos, eh, pues también aventurarnos al mundo de la emprendeduría, porque nos gustó tanto ver, eh, cómo pasó Klarity de ser cuarenta personas a ser trescientas en su momento, que dijimos: "Hostia, ¿cómo han conseguido esto?" Que qué hay antes, ¿no?

Qué hay antes de ese scaling de, de, de cero a cuarenta, cómo lo haces. Y siempre hemos tenido como esas ganas de emprender y, pues nos hemos ido a la piscina recientemente.

Anyformat.

Hemos llegado, hemos llegado. O sea, hemos empezado lejos, estamos convergiendo.

AnyFormat.

AnyFormat.

Tú eres fundador y CEO-

Sí.

De AnyFormat.

Sí.

Bienvenido.

Muchas gracias. Muchas gracias. En-

A ver, voy a avisar que llego tarde.

Sí. Yo tengo un vuelo, ¿eh? Que-

Ah, perfecto. Pues aviso también que llegas tarde.

Vale. Eh, AnyFormat es una plataforma de IA generativa, que lo que nosotros queremos ser es como la herramienta de facto para poder procesar, eh, y centralizar toda la gestión de datos no estructurados. Desde esa parte de extracción, gestión y luego aparte de análisis. Es un proyecto muy transversal, muy, muy ambicioso.

Ah, sabemos que hay distintas iniciativas y distintos players. Nosotros estamos empezando a especializarnos en todo lo que es la parte de, ah, ayuda a la automatiza-automatización de procesos de manual data entry. Una cosa que ahora vosotros nos flipa vara, como puede ser, en pleno siglo XXI habiendo salido ChatGPT, que las empresas sigan teniendo el ochenta por ciento de los dados sin estructurar y la principal forma de estructurarlo sea con gente que está machacando a lo semana-

PDFs, llamadas, vídeos, imágenes, eh...

Un estructurado, pues imagínate, tú tienes, eh, una llamada de audio y tú quieres saber de qué está hablando, quién ha llamado, qué ha comprado-

No es transcribir. Transcribir es pasar de voz a texto. Una vez tienes el texto, tienes que hacer una extracción de, pues, eh, las entidades que hay, ¿no? Qué es una persona, qué es una empresa, qué es un...

Estructurado es lo que tú meterías dentro de una base de datos de toda la vida relacional, como lo tendrías en un Excel, para que luego puedas hacer análisis sobre ellos. Entonces-

Esto se lo estamos vendiendo sobre todo a empresas que son muy intensivas en datos. Estamos centrándonos, pues en, en intermediarios e infomediarios. Son-

Son dos separados.

En los intermediarios, por ejemplo, estamos hablando de empresas que tienen que hacer integraciones con algunos otros proveedores, ¿no? Yo qué sé, pues un, un proveedor de-- una agencia de travel online que se tiene que enganchar con un banco de camas. Eh, al final lo que va a tener son como muchos contratos a nivel de precio por persona, por noche, condiciones de cancelación, actualizaciones.

Eso son PDF o incluso por mail. Y luego un banco de camas lo tiene que ingestar y meter dentro de su base de datos corporativo.

Sí, infomediarios son empresas que son, eh, muy intensivas en datos, que recolectan dato para luego, digamos, machacar y revenderlo, ¿no?

Ejemplo, pues en dentro de España tienes, eh, Axesor, Informa, Equifax, tienes también info-infomediarios como más pequeños, que son como muy especialistas en alguna serie de nichos y-

Estas empresas que has dicho, por si alguien no las conoce, básicamente lo que hacen es leer el Registro Mercantil o el BOE o cosas así, ¿no? Fuentes que son PDFs y hacen una base de datos con lo que leen ahí.

Exacto.

Y eso ahora lo hace un humano.

Sí.

Y vosotros les decís: "Se hace solo".

Nosotros les decimos: "Os ayudamos a que los humanos vaya más rápido."

Vale.

Porque vosotros no sabéis-

Sí, pero esto hay que hacerlo igual. Pero el tema es que hay que, hay que meter los datos del PDF a mano en una base de datos.

Sí.

Tienen combinaciones de algoritmos y demás, pero, eh, la principal forma de hacerlo también es por vía manual. Hay empresas sub-subcontratadas en, en países, bueno, en vías desarrollo, que te cobran por datapoint extraído un precio muy caro porque lo hacen personas. O sea, se suele externalizar ese tipo de procesos y ahora con las nuevas apariciones de tipo IAs generativas, eh, se está empezando a poder automatizar, porque el problema principal que tienen estas fuentes es que cada una es de su padre y de su madre.

Entonces todos los proyectos hasta ahora eran muy ad hoc para cada fuente y ahora tienes una herramienta que te permite hacerlo

Sí.

O sea, tenemos como las dos vertientes, ¿no? Utilizamos modelos fundacionales porque al final es el estado de arte y es sobre lo que tú tienes que trabajar. O sea, a cualquier empresa de IA no te pongas a competir contra OpenAI porque vas a acabar muerto, ¿no? Te tienes que adaptar. No, no es la galla en la llana. Eh, entonces, el, el tema de los modelos, eh, propios siempre pasa por un modelo fundacional que tú estás haciendo fine tuning sobre tu propio dato para que se adapte a tu contexto, para que te conteste en la forma que tú quieres y demás.

Y puedes hacerlo con las dos partes, ¿eh? Con vendors tipo OpenAI, Cogiri, eh, cualquier otro, o cogerlos open source y utilizarlos internamente.

Vale.

Vale. Eh, el aspiracional, ¿no? O sea, realmente nosotros, eh, lo que queremos es que esta herramienta pueda utilizarla cualquier persona que no sea técnica. En, en el fondo es: ya tú me das el dato, tú me dices qué dato quieres que saque, pues nombre del campo y una descripción, y ya me ocupo yo de por debajo abstraer toda la complejidad para devolverte lo que me has pedido.

Bueno, más o menos. Claro.

No, y me he reído porque estaba pensando, la parte de hacemos algo técnico para que lo pueda hacer gente no técnica es peligroso.

Mhm. Es difícil.

La historia nos cuenta que muy pocos casos lo han conseguido, ¿no? Yo creo que hay los, los Airtables, los Zapiers y algunas herramientas más modernas de IA generativa que hacen cosas muy potentes, que realmente hace gente no técnica, pero hay muchos que no, que no lo han conseguido, ¿no? Y de hecho, tú el otro día, César, dijiste como parte de, de un postmortem de Latitude uno punto cero, ¿no?, en paz descanse, que este concepto de hacer análisis de datos para gente no técnica no lo conseguisteis.

Claro, pero es que eso, claro, eh, contestando varias cosas, ¿no? Al mismo tiempo. Al final tú tienes una fuente muy dispersa de datos. Es decir, cada PDF que tú analizas, por ejemplo, de, de un contrato puede tener un lenguaje distinto, puede tener un idioma distinto, pero la persona que necesita extraer el dato, ¿no? El usuario final, que es el que tiene el conocimiento de negocio, que es el experto, sabe qué tipo de dato quiere y cuál es la definición de ese dato que él quiere.

Entonces, em, cuando estamos-

En princi-- están entrenados para ello. O sea, que si lo están haciendo manualmente, eh, tienen que saberlo, si no, no estarían trabajando ahí. ¿Perdona?

Son...

No, en este ejemplo, en este ejemplo son las personas que tienen que actualizar e-- la base de datos con los precios noche a noche.

Es un equipo de compra-- de operaciones.

Exacto. Entonces, el, el-- la tendencia es que el prompt engineering está muriendo. O sea, todos los modelos, ¿no? Lo estamos viendo con el preview. Al final, el prompt engineering va a acabar siendo también una commodity que va a venir dentro del modelo, van a ser como mucho más... Podemos hablar de esto después. Vale, vale. Ahí vamos.

Vale, ya. Tendría que haber hablado contigo hace seis meses. Me gusta, me gusta.

La part-- sí, de hecho, el, el, el problema no es que... O sea, el modelo te hace la estructuración del dato. El problema es que cuando estás trabajando con fuentes muy largas, muy dispersas, eh, no es tanto el proceso de extracción, sino el proceso de localizar la información pertinente para alimentar el modeloo para que te la pueda extraer. Y eso es un proceso de ingeniería de datos para machine learning, en la que tienes que hacer composición de distintas cosas.

Podemos hablar de RAG, podemos hablar también de clasificadores, podemos hablar de detección interna, para que luego lo que le metes al modelo que tiene que hacer la abstracción tenga la información relevante para hacerlo. O sea, el problema real es: cómo consigues encontrar la información correcta en el formato correcto para que el modelo sea capaz de entenderlo. Y eso no te lo va a dar simplemente un LLM, te lo tiene que dar una serie de procesos.

Sí. Sí, sí.

El, el prompt engineering está muriendo en el sentido de que hay distintas vertientes.

Eh, como sabéis...

Pero no empieces en el 70, ¿eh?

No, no, no, no empezaré. Es que no, no había tampoco. Eh, básicamente, ¿no? Estos modelos conversacionales, tú le das una instrucción, se-- y esa instrucción tiene que estar formateada de una forma que te ayude a garantizar el output. Cada modelo tiene como su propia forma de hablar, de su propia forma de entender. ¿Por qué?Porque cada modelo ha tenido su propio dataset de entrenamiento en el queee le han dado las instrucciones de una forma u otra.

De hecho, hay, hay papers que salían inicialmente, ¿no? Que decían: "Es que si le pones por favor al modelo, eh, te va a funcionar mucho mejor. Si le pones que tu vida depende de ello, aumentas un tres por ciento accuracy. Y si le pones think step by step, ¿no? Piensa paso a paso, eso te da un boost de, de la hostia". Y es encontrar esos pequeños hacks de cómo tú te comunicas con el modelo, que hacen que aumente el performance ante que aumente la eficiencia de, el, de respuesta y puedes incluso llegar a minimizar el peligro de alucinaciones.

Entonces, ¿por qué digo que está muriendo? Am, digo que está muriendo porque al final están saliendo marcos que te ayudan a optimizar ese prompting al margen de tú tener que escribirlo, ¿no? Si con-- hay algún técnico que me está escuchando, algún ingeniero de IA, pues que... ¿no? Pues no lo meto.

Pues están saliendo marcos de trabajo como DSPY, ¿no? Que te ayudan a hacer esa propia optimización. Y luego los próximos modelos, como hemos visto con el, el Preview, ¿no? D1 de ChatGPT, que ya te hacen como esa especie de autopropi interno para generarlo. Entonces, son mucho más resilientes

Sí.

Tú a todo le llamas design porque te toca siempre, ¿no?

Product management no, product design.

Y ahora Juan descubrirás qué acaba de lanzar César hoy.

Prompt engineerig. Espera, espera. Introduzcamos, ¿no? Introduce. Bueno, hoy habéis hecho un lanzamiento.

He visto por medios que Latitude ha salido en Product Hunt.

Y en Twitter.

Compitiendo.

Bueno, a ver, que la audiencia del pódcast vote a ver quién, eh, quiere que gane.

Y voy a ir mirando todos los votos.

¡Sorpresa!

No vayas a pelo con tus prompts.

Yo os estoy votando en directo, ¿eh?

Eso es scraping. Eso es scraping

También, ¿no? ¿O ya lo tienes hecho?

Cuarenta y cinco minutos. Handinger se llama.

Y lo tuyo Latitude.

Ese mismo nombre lo va reciclando Para cosas nuevas, ¿no?

Nadie.

Hombre

Vale. Bueno, eh, oye, eh, la gente que nos escuche, si os parece interesante, id a votarles en Product Hunt.

No votéis. Es que, qué tienen que hacer

Ah, bueno, es darles cariño. Darles cariño.

Ehm, ¿qué impacto, César, habéis notado a partir del lanzamiento? Sign ups. Pero dime cosas de verdad, ¿eh? Sign ups, eh, ventas, algo tangible.

Demos inbound.

¿Dos? ¿Diez?

Vale. Seis.

Vale, y sign ups miles, pero muchos bots.

Ah, 300

Vale.

Handinger.

¿No?

César ha levantado capital riesgo. Tiene nóminas a pagar. Es muy diferente que tú, que estás en tu casa y que te da men-- un poco igual.

Haría ilusión. Haría ilusión.

Ah. Pay to win.

Lo del marketing.

En Madrid. Sí, os quería decir un poco de update porque, eh-

Bueno, eh, todo empezó en 1962. No, no, superbrevemente. Eh, WordPress, hablamos hace tres semanas en, en Madrid, que había habido una batalla legal o estaba habiendo una batalla legal entre wordpress.org, una fundación sin ánimo de lucro y un proyecto open source, y Automattic, que es la empresa detrás de wordpress.com, que son la misma gente, ¿vale?

Y WP Engine, que es una-- un negocio de hosting de WordPress. Eso estaba empezando y se complicó un montón. Y a mí me, me apasionan ese tipo de sagas porque mezcla el open source, eh, el private equity, las startup, eh, los egos de las personas y la comunidad. La verdad, la verdad es que está sufriendo mucho. Cuarenta por cien de las páginas web del mundo están, eh, encima de WordPress, con lo cual es muy relevante lo que está pasando.

Desde que hablamos, eh, se mandaron, eh, cartas, eh, amenazándose primero. Luego, eh, WordPress, eh, bloqueó el acceso a las webs hosteadas en WP Engine a actualizar plugins o versiones del software a través de los servidores de wordpress.org, dejando tiradas un montón de webs, con lo cuál, mmm, haciendo mucho daño a la comunidad que está usando WordPress a través de un proveedor concreto que no sabían que era malvado.

Y de repente, ¿no?, pues Matt Mullenweg decidió que no tenían permiso y eso generó mucho debate. Luego les quitaron este bloqueo, ¿no? Y dije-- dijeron: "Tenéis hasta el 1 de octubre para hacer las paces o os vamos a volver a bloquear." Por el camino se publicó que WordPress le había exigido a WP Engine el ocho por cien de su facturación a cambio de dejarles tener un negocio encima de WordPress cuando, bueno, WordPress es open source.

Sí. Técnicamente sí. Tienes razón. Eh, entonces la web de WP Engine empezó a meter la R pequeñita de registered, eh, al lado de la palabra WordPress y un montón de disclaimers en el footer como para cumplir. Pero no fue suficiente para WordPress, que volvió a vetarles y incluso metió, eh, cuando te registras para formar parte de la comunidad WordPress en wordpress.org, un checkbox que pone, eh: "No estoy afiliado de ninguna forma económica, financiera o, o en negocios con WP Engine." Con lo cual, como nadie sabe qué pasa con ese checkbox, pero a ver si tienes narices de, de darle al checkbox de que estás afiliado con WP Engine cuando intentas, eh, contribuir

al open source de WordPress, subir una versión nueva de un plugin.

Bueno, es todo fatal, ¿no? Y la última, y ya me callo, eh, que me ha hecho gracia, eh, fue nuestro amigo David Heinemeier Hansson, a ver si lo digo bien, eh, que es uno de los fundadores de Basecamp y el creador de Ruby on Rails, eh, muy, muy estimado por nosotros porque hemos construido muchos negocios encima de Ruby on Rails.

Eh, e-e hizo una publicación criticando muy fuerte a Matt Mullenweg y a Automattic diciendo que estaba haciendo muchísimo daño a la comunidad open source y queee, y que iba a generar un daño irreversible y que las, las expectativas o las demandas de Matt Mullenweg eran absolutamente irrazonables.

Y es un poco un pope del Open Source porque otro porcentaje no tanto en volumen como en cantidad de startups y empresas grandes tecnológicas están construidas en Ruby on Rails La verdad es que tiene mucho impacto en nuestro mundillo y se ha posicionado muy fuertemente en contra de la postura deee Matt Mullenweg y Automattic y WordPress.org.

Y no es que a favor de pero diciendo: "Oye, no des por saco esta gente". Que tú haces una cosa open source-- viene ese resumen. Si tú haces open source pues te jodes y haces open source y la gente puede usar tu open source para hacer negocios con eso

WP concretamente no lo es ni lo ha sido y se ha dicho varias veces que WP no estaba registrado

Sí, pero eso-

Yo el claim de Automattic lo veo un poco pillado con pinzas

Les hace rabia que la mitad del negocio de hosting de WordPress se lo lleve Silver Lake Pues sí les, les hace rabia Has construido tú un negocio encima modelo open source con un software cojonudo muy popular que cualquiera puede usar y hostear Pues no sé, a ve-

Pero la licencia open source te permite explotar- ...el software Sí, no la marca Explotarlo No la marca Tú puedes mencionar la marca no puedes utilizarla para confundir a la gente Exacto Yo no creo que estuvieran confundiéndose

Pasaste por Slack Por el Slack dde, de Latitude Eeeh- Espérate, espérate Pero es mi empresa, ¿no?

A ver Hay mil distribuidores de Microsoft que se llaman Micro Solutions micro Technologies micro distribution No sé qué quieres que te diga Toda la vida Microsoft no es modelo open source Bueno también De hecho También es de los contribuidores de open source más grandes del mundo Pero estamos hablando de Gente que vende Microsoft no tiene nada que Ver Esta gente viene de WordPress

No Coge la marca coge el software open source que tienes derecho a distribuir y le llamas wp Engine Sí el nombre es un poco pero de repente han despertado hoy también porque wpEngine es más viejo que ir a pie Se han despertado cuando Cuando han querido más revenues Normalmente Va así cuando son pequeños nadie se despierta El problema es cuando creces O sea el problema Son los revenues no la marca

De optimizaciones es que no puedes como utilizar grandes números de parámetros al mismo tiempo. Entonces, laaa digamos optimización de modelos... Al revés, ¿no? El entrenamiento de los modelos tiene que pasar por el descenso gradiente, ¿no?, que es al final el backpropagation, eh, que nos lleva a ello. Mmm, y la optimización bayesiana, ¿no? Si alguien o una persona que se dedica al machine learning más clásico de fine-tuning de hiperparámetros, pues pasa por herramientas tipo optimización bayesana, como podría ser Optuna, podría ser todo lo demás, donde lo que tú haces es, para mejorar la eficiencia del modelo, imaginaos, ¿no?

Tenemos una radio, vas sintonizando hasta que la radio suena bien. Eh, tienes un espacio de búsqueda, que esto es lo que puedes girar. Lo que haces con un modelo bayesiano es dices: "Bueno, voy a limitar esto entre tres cuatro y esta entre dos tres, pero en base a una cosa solo voy a irme a este lado", ¿no? Entonces, no tienes un espacio de búsqueda tan grande. Entonces, al final lo que estás haciendo es como limitar tu espacio de búsqueda para mejorar ese modelo.

Pero son dos cosas para mí completamente distintas. Si tienes una red neuronal, cualquier tipo de modelo que optimice una función de coste tiene que pasar por descenso gradiente. Cuando tienes un modelo machine learning, eh, que tienes híperparámetros, ¿no?, que no son esos pesos que se adaptan, ahí ya puedes irte a cosas como utilización bayesiana para reducir el impacto del coste computacional que pueden tener tus modelos.

Aquí sí que ya hemos perdido a todos. O sea, si...

Tenía que aprovechar la oportunidad.

Luego seguimos en una birra y luego hablamos.

Eh, sí, y de esto surgen otras cuantas preguntas, pero luego con una segunda-

Pero luego, luego.

Vamos a, vamos a probar más preguntas de la audiencia.

AGI, inteligencia, inteligencia artificial genera-general.

General. General.

General Artificial Intelligence.

O sea, si el CTO de Fujitsu se queda sin trabajo, toda la gente técnica entiendo, ¿no?, que no, no será muy único ese puesto de trabajo. Entiende que to-- cualquier líder tecnológico se queda sin trabajo en cuatro años.

Las lámparas o...

Lámpara-- O sea, ídolos.

Y al final yo creo que hay un concepto que es que todos, o no sé si todos, eh, yo, eeeh, estoy deseando que alguien me quite mi trabajo de hoy para hacer otro. No sé, como concepto espero crecer, aprender y evolucionar. Entonces, mejor si es una IA o si es una tecnología.

Y entonces todos podemos dejar de hacer lo que estamos haciendo hoy y inventarnos una cosa nueva, porque históricamente es lo que ha pasado con la humanidad. Hemos ido reemplazándonos y siempre, sin excepción, hemos encontrado una nueva cosa hacer. Entonces, me encantaría. Me encantaría.

Saludos a CTE de Fujitsu.

Las fáciles, ¿no?

Me alegro que me hagas esa pregunta.

El avión creo que sale ya.

Bueno, voy a, voy a coger un hotel. O sea, aquí hay un sofá, ¿no?

Sí, hay muchos sofás.

Ah, yo creo que estás dando puntos, eh, bastante interesantes que yo creo que quedan bastante fuera de lo que es, al menos a nivel personal, mi, mi área de expertise y conocimiento, ¿no? Luego ya abriremos el melón de si es consciente y ya rematamos. Em, o sea, yo creo que todo el mundo... Enlazando con lo de antes, também lo que decían Jordi y Bernat, es como joder, con lo que ha salido ya hay como dos posturas directas, las de la gente que hacemos código, por así decirlo, ¿no?, y es como Cursor, Claude, no sé qué, y tiro dos líneas, dos ampersands y me hace la mitad del código y veo mi productividad multiplicada por cien y, y lo abrazamos.

Y luego una reticencia, ¿no?, que hemos visto, por ejemplo, salir en, en el mundo más de-- más creativo, más artístico diseño, de gente que escribe, gente que hace cosas creativas que lo, lo rechazan en lugar de intentar a-abrazarlo. Para mí la postura correcta es la de la que decía Jordi, en plan: "Joder, quitadme trabajo, que así puedo hacer más cosas, puedo multiplicar mi productividad y puedo quitarme ese cuello de botella".

A nivel ético, para mí se despiertan, eh, muchas cuestiones. No lo voy a relacionar con la AGI, ¿no?, pero sí más, por ejemplo, con el impacto directo que puede tener en el... La automatización de ciertos procesos de forma muy rápida en el workforce a nivel, a nivel mundial. O sea, es decir, ¿no? Hay mucha gente que es susceptible ahora mismo de quedarse en el paro porque se automatizan procesos, por ejemplo, como estamos hablando, ¿no?, del manual data entry Ehm, y eso va a tener un impacto directo sobre la calidad de pers-- de estas personas.

Pero luego lo que va a pasar es lo que dice Jordi: que se va a crear una nueva forma de trabajo o una nueva economía, ah, y se va a multiplicar al final la eficiencia y la productividad. De hecho, yo creo que, eh, eso va por un lado y que luego nosotros como practitioners también tenemos que ser conscientes un poco qué tipo de soluciones estás haciendo. Y eso va muy a nivel personal. O sea, la IA...

A nivel ético es muy peligrosa la generativa. Aquí me voy a ir otra vez por las ramas, pero todos conocéis a Yuval Noah Harari, ¿no? El escritor de "Sapiens", y publicó un artículo cuando salió ChatGPT, que era un poco también agorero diciendo en plan: hostia, han hacku-- han hackeado lo que nos hace, eh, lo que nos hace humanos, ¿no?, lo que nos permite habitar esa ficción intersubjetiva que llamamos sociedad, empresas y demás porque han hackeado el lenguaje, han hackeado lo que nos permitía a nosotros comunicarnos de forma efectiva y de repente yo soy muy susceptible a que me metan ideas que no son mías, que están como prediseñadas y por tanto moldear un poco mi, mi voluntad.

Eso es tener mala fe. O sea, hacer eso de forma proactiva es como tener mala fe, es como utilizar modelos deee, de generación de imágenes para-

Exacto.

Justo.

Mhm.

No se puede parar, es que no tiene sentido. O sea, todos esos que firmaron ese acta de pa-parar la inteligencia artificial es como ok, o sea te has, te has dado un baño de moral y ética para postularte, pero no vas a conseguir nada. Es como cuando le das al chest control.

Correcto.

Sí.

Claro. Pero yo creo que por eso mismo, ¿no? Porque no tienes un conocimiento interno. Sabes cuáles son los límites reales, nuestras potencialidades. Hablar de la AGI ahora mismo, em, o sea es muy suculento, ¿no? Porque parece que estamos llegando a un punto en el que es la hostia y de aquí cuatro años lo vamos a tener. Yo lo dudo sinceramente. Es que AGI no significa nada a día de hoy. Se ha pervertido tanto el término que ya nadie tiene una definición única de, de lo que es AGI.

Según nos has explicado tú, lo único que sabemos hacer es acercar palabras.

Predecir la siguiente palabra.

¿Cuál? Joder tu clip de YouTube. Ah el clip sí, sí. Yo ya lo dije.

Que me encanta que me hagas esta pregunta. Yo he montado LT Engine.

Pues cuidado porque tienes que publicar antes que ellos. Te han pirado la licencia. Em, ¿cuál es la estrategia de monetización? Eh, Muy fácil. Nosotros, eh, hacemos de proxy, vale, para todas tus llamadas a LLMs. Entonces, eh, cuando tú lo pones en producción, tú llamas a través de nuestro SDK o nuestra API e aún endpoint nuestro, em, y le pasas unos parámetros y eso te devuelve pues la respuesta del modelo que tú hayas elegido, ¿no?

Em, y esto lo hacemos pues tanto para los prompts como para las evaluaciones, que son las que validan la respuesta del LLM. Eh, pues cada una de estas lo consideramos lo, lo que llamamos un run, ¿vale? Eh, cobramos por runs. Tenemos un plan gratuito que incluye hasta cuarenta mil runs al mes. Eh, cuando te pasas de eso, pues pasas a uno de los planes Team o Enterprise.

Eeh, el plan team, eh, son noventa y nueve dólares al mes y te incluye cien mil runs que son llamadas al final, eh, al mes. Y si te pasas de eso, pues tenemos-- e-es como los créditos de Amazon básicamente, eh, cada veinte mil runs son diez dólares más. Entonces al final de mes pues te pasamos el rastrillo, ¿sabes?

Te pasamos el sombrero, em, y te pedimos que nos pagues y ya está.

Y que por el camino se mueran otros, ¿no? Aunque sea esperando l-la falla del juez o del Congreso y tal. Y de hecho pone muchos e-- muchos ejemplos. Y como conclusión, la, la gracia de la charla es que el nombre de la charla, que no me acuerdo del número, es el número de millas que hay entre Silicon Valley y Washington D.C., ¿no?, que son los dos puntos de Estados Unidos casi que están más lejos que podrían estar, ¿no?

Y dice: "No es casualidad que Silicon Valley esté lo más lejos posible de Washington D.C."

Bueno, o sea, la opinión al respecto viene sobre todo que yo creo que Sam Alman es consciente de que no tiene mucho moat, ¿no? O sea, al final todos los...

Mucho moat, mucho foso tecnológico con los modelos de lenguaje. Ha tenido una ventaja tecnológica muy grande durante estos primeros años, pero a raíz deee, sobre todo Meta y el open source, se está atrapando muy rápido y se está dando cuenta de que al final para nosotros los desarrolladores va a ser indistinguible utilizar los modelos de OpenAI que los modelos de, de Meta dentro de todo.

Entonces, de hecho si miráis un poco lo, lo que publicaron, ¿no?, de, de las líneas de negocio que prevén por income, ehm, están dando mucho más énfasis a la parte de ChatGPT de usuario final que a lo que van a hacer Income por E-- por APIs porque se dan cuenta de que bueno, pues me tengo que centrar en hacer producto, un producto que sea paraaa la gente de API más que APIs, que los desarrolladores podrán elegir entre cualquier modelo que esté disponible.

Incluso está este típico plot, ¿no? El que generó Maxime Laborde, eh, que es cómo va avanzando la IA cerrada de OpenAI y cómo poco a poco se está cerrando el gap con los modelos o-open source hasta que en principio puedes incluso predecir cuándo tendrán el mismo eficiencia. Con Llama 3.2, que ha salido con Meta, que incluso han baneado dentro de Europa precisamente por medidas regulatorias, pues es que ya se está cerrando.

Por cierto hablando de banear en Europa, eh, en teoría no iba-- Yo entendí que no iba a salir el nuevo modelo de voz avanzado de OpenAI en ChatGPT y tengo acceso a él.

Sí, sí, pero, pero eso al principio se dijo que no iba a salir en Europa y salió y es la hostia. Es increíble lo rápido que contesta.

Está bien.

Lo... No.

Voy a quitarte el like de Product Hunt.

Es, es un pocooo-- o sea, no es natural.

A ver, no es un humano todavía, ¿vale? No es AGI, no estamos ahí. Pero la velocidad en la que te empieza a contestar. O sea, yo me acordo hace dos días en el offset donde estábamos con Bernat, eeeh, estábamos discutiendo un tema, le pregunté una cosa a una persona tardó más en empezar a hablar la persona la respuesta que ChatGPT.

Si es increíble.

Sí, pero es que tengo un poco de, de problema personal ahora con, con este-

A ver qué te ha pasado con ChatGPT.

Pues mira, le pe-- le pedí que me explicara una cosa, ¿vale? Y me dio un montón de da-- no, me dio un montón de datos y le dije: "Vale, ¿me puedes repetir esto último que me has dicho?" Porque estaba-- pues me quedé pensando en una de las cosas que me había dicho y me empieza a hablar más lento como si fuera tonto.

Y me lo tomé fa-- Me lo tome fatal.

Me lo tomé fatal.

Tal cual. Y decía: "Pero que me hables más rápido", y no me hablaba rápido.

Vale ese problema lo tienes tú.

Sí, es un problema personal que tenemos ChatGPT y yo.

Dísela rápido, no hables lento que se puede pegar.

Es, es muy buena pregunta. Em, empezamos de cero completamente porque al final el diseño de producto yo creería que era adaptado al propósito del producto y, y la imagen de marca que quieres dar. Ya sabes, la imagen de marca vive en, en, en un entorno de otras marcas, ¿no? Y tú tienes que destacar de alguna forma. Eh, para este último pívot hemos cambiado completamente el diseño tanto deee, del-- Bueno, el sistema de diseño que teníamos, la marca, lo que es el logo lo hemos dejado igual pero sí que todos los materiales los hemos cambiado para adaptarlos al diseño de producto.

Eeeh, perooo sí, sí Lo, lo hemos cambiado todo y la verdad es que hoy en día con herramientas como Tailwind por ejemplo, eh, es que, o sea, se va hiperrápido desarrollando un sistema de diseño nuevo implementándolo en producción en, en nada. O sea realmente con, con las herramientas de frontend modernas, eh, hemos ido súper superrápido implementando este sistema de diseño.

Tal-- Tanto es así que a día de hoy los developers que tenemos en Latitude son capaces de producir interfaz que ni siquiera pasa por Figma. O sea que directamente ellos mismos ya saben cuál es la solución ideal, eh, y son capaces de implementarla directamente y muchas ve-- O sea s-sí que nos lo comparten, eh, con, eeem, a, a, a los product designers, em, pero son capaces de hacer cosas bastante locas Que ha-hace cinco años por ejemplo era casi impensable que un developer pudiera hacerte una propuesta de UI que funcionará muy bien dentro de, del diseño de la plataforma.

Quieres las cuentas auditadas también que las compartas aquí delante de la cámara.

Eh, a ver es un fondo de-- que nosotros promocionamos.

Cuidado no diga nada.

Que acabamos de abrir, ¿vale? Estamos empezando aaa, a comunicar con la gente que invierte con nosotros yyy, y que no ha empezado ni la actividad todavía. Tiene la estructura estándar de fondo early stage de capital riesgo que tienen todos los que yo conozco en el mundo.

Con lo cual if you know, you know. O sea es absolutamente estándar. Lo estándar es un management fee del 2 % y un carry de 20 %. Esto es, ya un 99 % de los fondos que conozco funcionan así. Y luego hay casos que he visto donde el carry puede subir cuando se supera un retorno bastante, bastante bueno.

No te sé resumir todos los detalles del contrato porque no me acuerdo, pero la verdad es que hace bastantes meses que lo discutimos esto, pero es muy estándar y, y está ahora en pura comercialización, que se le llama técnicamente, aunque realmente no es bien, bien lo que está pasando con este fondo, pero sí es en, en, en ir haciendo los papeles de la gente que invierte en el fondo, ¿no?

Mmm, los conocidos LPs. Y, eh, nosotros seguimos buscando proyectos en los que nos interese invertir para que el fondo pueda invertir.

Los tres socios somos Marcel, Bernat y yo, y luego trabajamos con un equipo de gestores que, que hacen la gestión del fondo.

¿Te interesa invertir o ser invertido?

Podemos hablar si quieres después.

Si alguien quiere invertir en directo, lo podemos probar. No sé si, no sé si al equipo gestor le va a hacer mucha ilusión, la verdad- ...porque la CNMV tiene sus cosas.

Amigo. Vale, vale, vale.

Bastante estándar. ¿Cómo te llamas?

Pol, esto es bastante estándar.

Son buenas preguntas. Eh, voy a... Si nos ponemos, nos ponemos, ¿eh?

Vale. Eh, los fondos lo que hacen es que captan compromisos de inversión de los LPs, limited partners, ¿no? Que son los inversores, que es donde sale el dinero, y luego buscan oportunidades de inversión. Típicamente, cuando tú inviertes en un fondo de capital riesgo, no inviertes ni un duro. Lo que haces es firmar un papel que dice que te comprometes a invertir.

Y ahí como unos compromisos, unos, unos costes, unas, unos acuerdos de cuando ganemos dinero nos lo repartiremos así, etcétera, El carry, el management fee, etcétera. Entonces, los capital calls, que, a los que aludes tú, es cuando el fondo va a sus LPs y les dice: "Dame dinero". Entonces, normalmente los fondos pequeñitos con inversores que no son supermegainstituciones profesionalizadas, lo que hacen es que a los LPs con un compromiso muy grande, que aportan mucho dinero, le hacen los capital calls bajo demanda, ¿no?

Encuentro una empresa para invertir, necesito doscientos mil euros, pues tú me transfite-transfieres veinte, tú veinte, tú diez, tú diez, tú cinco. ¿Qué pasa? Que un fondo pequeño con LPs muy pequeños, que se comprometen quizá a cien mil euros de un fondo de diez millones, estos son uno por cien. Entonces, si yo quiero invertir, mmm, cien mil euros, te digo transmit-- eh, transfiéreme mil euros.

O sea, el jo-- el coste de gestionar una transferencia de mil euros casi es más grande que lo que se va a ganar con esos mil euros. Entonces, algunos fondos early stage lo que hacen es que los inversores que se comprometen a tickets más pequeños, eh, a-hacen como bulk de los capital calls, ¿no? En lugar de hacer uno cada inversión, hacen uno al quarter, hacen dos al año o hacen uno al año. Eso depende del fondo y del tamaño del ticket y tal.

Pero resumiendo, nosotros seguimos prácticas bastante estándares de un fondo de nuestro tamaño.

¿Te contesto?

Si quieres mándale un WhatsApp para comprobar cuándo van a salir los calls o en qué periodos o cómo van a funcionar, pero tampoco, yo creo que esos son más detalles que-

Pol hace buenas preguntas.

Tienes que publicarlo también. Entonces, nosotros también nos vamos a ver beneficiados de-- pues si un Amazon decide hacer esto y decide hacer cambios en el código, nosotros podemos coger, eh, y ponerlo en nuestra, en nuestra base de código y por lo menos estamos compitiendo en, en esos mismos términos. Em...

La mayoría de las veces es así, ¿no?

Todos los que hemos hecho open source y no ha cambiado el mundo.

Cuando había como 15 usuarios de GitHub en España y estábamos en esta sala. No, es verdad, no es verdad.

Claro, porque es open source, porque Handinger no es open source. No, pero oye, una cosa, eh, y creo que es interesante. La pregunta es muy buena y me está haciendo pensar: oye, WordPress, volviendo al problema que tiene WordPress, WordPress es muy, muy, muy probable que no existiera o no tien-- no tuviera ni un revenue si no hubiera sido porque es open source.

100 %.

Entonces, sí, ¿es cierto que WordPress pierde centenares de millones de euros de revenue a Silver Lake y WP Engine porque es open source? Pues sí, pero seguramente nunca hubiera ganado centenares de millones de euros porque había un montón de CMS mejores en su momento que WordPress, que no me acuerdo cómo se llamaba, Mova-moveable Type era uno que era la hostia. Había un montón de CMS muy chulos que no llegaron a ninguna parte y WordPress, por la comunidad open source, la petó y tiene el 40 % del tráfico de la web.

Y sí, tiene algún problemilla ahora, pero es que si no, no habría tenido oportunidad de tener ni problemas.

Totalmente. Y luego, ahí, eso es, es que es una pregunta que, que me hacen inversores, ¿no? Que por qué open source si lo puedes hacer, eh, código privado, ¿no? Y venderlo comercial-comercializado y ya está. Em, y es que cuando tú te quieres convertir en la opción por defecto, es que si no construyes una comunidad alrededor que esté construyendo encima de lo que tú has hecho, es que nunca lo serás.

Y por mucha capacidad de distribución que tengas, por muchas historias, al final siempre habrá una herramienta open source. Y es por lo mismo por lo que Mark Zuckerberg decidió hacer los modelos Llama completamente open source, porque él es lo que busca, él busca convertirse en la herrame-- la-- el, el, eh, Foundatio-foundational Model por defecto.

Cuidado que no es su core business, ¿eh? Mark Zuckerberg tiene un negocio de publicidad.

No es su core business hoy.

Pero digamos, está atacando, haciendo price dumping y-

Totalmente.

IP dumping. Porque su negocio business, o sea, su core business, perdona, negocio business, es, eh, la publicidad.

100 %, pero, o sea, lo puedes hacer también sin que tengas un, un negocio principal, ¿sabes? Y, y, eh, luego enganchar tu revenue al, eh, al output que te da.

Sí, hay grandes negocios open source. Hay Ahora, ah, hoy en día, ya me acuerdo en Redbus hace 14 años, que los inversores nos preguntaban: "Oye, esto de que el negocio sea open source, eh, seguro que es buena idea." Y les dijimos: "Oye, no estamos seguros", y dejó de serlo. Es la realidad. Pero hoy en día hay bastantes negocios con mucho éxito que son open source.

Incluso hay, hay fondos enteros que solo te invierten si eres open source directamente en Estados Unidos, ¿no? El caso de, pues de Cylon, aquí también de, de España, pues que les han invertido dinero.

Pues llámales.

No.

Pues porque inicialmente no, no queremos ser una herramienta de facto que utilice todo el mundo. Nosotros sí que vamos a tener una vía mercantil, eh, muy definida en ese sentido. Nosotros no estamos buscando crear ese ecosistema on top of nuestra herramienta, sino que lo que estamos buscando es crear un producto que utilicen personas y empresas directamente.

A vosotros por...

Física, biología, porque de repente te has puesto a hablar aquí de proteínas y digo: "A ver, tú habías estudiado industriales, nuclear y física, y te has puesto a hablar de química."

No, lo que pasa es que-

Era gratis, ¿no? Cuando haces tres, te dan la cuarta.

No, no, pero lo que pasa es que cuando estuve estudiando, o sea-

No, pero que uno de mis mejores amigos, eh, cuando estamos estudiando la tesis, ahora mismo es como, bueno, en principio, dentro de poco va a ser uno de los catedráticos del Imperial College of London, de lo que es la ingen-la ingeniería y biología sintética. De hecho, acaba de recibir una financiación de treinta millones de euros de la Fundación Bezos para dedicarse a esto. Y estaba hablando con él por el phone, sabes, y decía: "Joder, Rodrigo" , Sí, sí, muy bien.

Entonces, claro, cuando salió lo de Alpha Fold en su momento, pues la primera persona a la que llamó es a Rodrigo y dijo: "Tío, esto lo has visto, no sé qué". Y, y no, no soy un entendido, un connoisseur, pero sí que tengo la suerte de poder permearme este tipo de cosas de, de la gente adecuada.

Muchas gracias.