 Magnífica rectora de la Universitat Pompeu-Fabra, excel·lentíssima directora general d'universitats de Generalitat de Catalunya, presidenta del Consell Social de l'OPF, claustre de professors digníssimes d'autoritats, senyores i senyors, amigues, amics familiars. Us dono la benvinguda a l'extraordinari univers de l'aprenentatge i la intel·ligència artificial. Un camp en plena expansió que està revolucionant el nostre món desplegant un futur de possibilitats inimaginables. En aquesta llició inaugural del curs acadèmic, traçarem un recorregut fascinant a través dels avanços de la IA, descobrint com aquesta disciplina construeix un pont cap a un futur més intel·ligent i promotador. Em vull disculpar per l'estat roballat del meu català. Són molt poques les xarades que faig amb la meva llengua materna, però l'oportunitat d'avui és única. Moltes gràcies per dipositant-m'hi aquest honor d'impartir aquesta lliçó inaugural. L'aprenentatge. L'aprenentatge és un valor fonamental per mi. És un motor inescutable que m'ha impulsat a dedicar la meva carrera a l'aprenentatge automàtic, a explorar els misteris de la intel·ligència artificial. Amb aquest desig de prendre, vaig emprendre un camí acadèmic extens, completant dues carreres, un màster i un doctorat. Però el meu afany de coneixement no es va aturar allà. Vaig continuar ampliant els meus horizons dins del món empresarial, aprofitant centres d'investigació de venguarda que les empreses més grans del planeta han establert per estudiar la intel·ligència artificial. Alguns estudiants que potser estan sota en classe comenceu una nova etapa en aquest viatge de coneixement, un curs acadèmic que us permetrà profundir en un tema que us apassiona. Us trobem en un punt crucial, un moment de transició, no l'inici, no al final, sinó un pont cap al món professional i de recerca, on la universitat, pumpeu, fabra, deixarà un empren de profunda en les nostres vides. En dins d'emnos, doncs, hem de descobrir els quatre pilars fonamentals de la intel·ligència artificial, els quals han impulsat els events socicientífics, les àrees d'aplicació i la inversió a nivells mai vistos abans, capturant l'atenció i l'interès de la societat. Primerament, la revolució del hardware ha tingut un impacte profund en el desenvolupament de la intel·ligència artificial, proporcionant la potència de computació necessària per entrenar i executar models d'IA cada vegada més complexos. Els avanços en el disseny de CPUs i GPUs han permès a l'IA aprendre a partir de grans quantitats de dades i realitzar tasques complexes en temps real. Les GPUs especialment han estat crucials per l'oja de l'aprenentatge profund, ja que la seva arquitectura parallela permet accelerar els càlculs matricials necessaris per entrenar charges neuronals. Durant els últims 10 anys, hem presentat un creixement exponencial en la capacitat de computació disponible per entrenar models d'IA. Per comprendre l'escala d'aquest augment, imaginem que si el poder competicional d'ara fa una dècada fos comparable a un grad de sorra, el poder competicional actual equivalaria a la distància entre la Terra i la Lluna. Un altre pilar del progés de la intel·ligència artificial ha estat la democratització del software. La disponibilitat de llibreries del software, de Còdio Obert, moltes de les quals reben el suport de grans empreses com Google, ha reduït significativament la barrera d'entrada en aquest camp. A més, l'abundància de vídeos i tutorials en línia ha ampliat l'accés a l'aprenentatge d'IA, permetent que més persones puguin contribuir en el desenvolupament d'aquest camp. En conseqüència, la velocitat de l'abans d'IA s'accelerat considerablement. El tercer pilar de la revolució que hem viscut en els últims anys es deriva de quantitats de dades impressionants. Els acorimes d'IA que es presenten a continuació deriven la seva intel·ligència i comprensió a partir de plums de dades tan vastos que equivodrien a un milió d'enciclopèdies britàniques, cadascuna amb 10 milions de paraules. Si apiléssim aquestes enciclopèdies, la torre resultant celebria més de 3.000 quilòmetres en el cel, recordant que l'Everest fa tan sols 8 quilòmetres. Aquesta capacitat d'aprendre de quantitats d'edats tan immenses ha permès a l'IA assolir un nivell de comprensió i sofisticació mai vistos anteriorment. L'últim pilar al quart són les agorimes d'aprenentatge. Una xarxa neuronal és un sistema informàtic inspirat en la estructura i el funcionament del servei humà. I les primeres versions van ser derivades fa més de 50 anys. Es compõen d'un gran nombre d'unitats de processaments simples anomenades neurones artificials que estan interconnectades entre sí. Les neurones reben informació d'entrada, la processen i generen una sortida. Les connexions entre les neurones artificials tenen diferents pesos i determinen la influència que una neurona té sobre la xarxa neuronal. Aquestes xarxes s'entrenen amb dades per aprendre a realitzar tasques específiques, com ara reconeix el contingut d'imatges, com en aquesta figura d'equip. Enmarquada doncs per aquests quatre pilars fonamentals, xarxes neuronals, volums de dades inigualables, hardware de venguardia, innovació impulsada pel software obert, la intel·ligència artificial ha solit un apogeu en el seu desenvolupament, incidint en la societat de manera profunda i transformadora. L'única transferència d'avui amb un parell d'equacions expliquen les senzilleses, espero, i elegància d'una d'aquestes neurones artificials. Imaginem una neurona artificial com una petita calculadora dins d'una xarxa neuronal. En aquest exemple d'aquí, aquesta neurona rep dos números com entrada x1 i x2. La neurona també té dos valors anomenats pesos, V1 i V2, que determinen la importància relativa de les entrades. La neurona realitza un calc, un senzill, multiplica cada entrada pel seu pes correspondent i suma el resultat. Després, la neurona aplica una funció d'activació a aquest valor. En aquest exemple, aquesta simplement retorna el valor màxim entre 0 i el valor calculat anteriorment. Aquest valor final és la sortida de la neurona anomenada y. En resum, la neurona pren dues entrades, x1 i x2, les combina utilitzant els pesos V1 i V2, i després aplica la funció per obtenir la sortida. Aquesta operació senzilla, repetida a gran escala en xarxes neuronals més complexes, permet que l'AI pugui aprendre i realitzar tasques sofisticades. Les xarxes neuronals d'avui en dia més potents tenen milers de milions de neurones i de pesos similars al servei humà. Els pesos de les xarxes neuronals s'ajusten amb un algoritme senzill. L'aprenentatge supervisat, també conegut com a aprenentatge d'imitació, és un mètode d'ensenyament que s'assembla a com els nens aprenen a partir del guia d'un professor. En aquest tipus d'aprenentatge, la màquina rep exemples d'entrada i sortida. Correctes, com si estigués mirant per sobre de l'espanya d'un expert. L'objectiu de la màquina és aprendre la relació entre les entrades i les sortides correctes de manera que pugui produir la sortida correcta per a noves entrades ajustant els pesos de la xarxa neuronal en un procés d'optimització que minimitza la diferència entre la sortida de la màquina i la resposta correcta. Per exemple, imaginem que volem ensenyar una màquina a reconèixer imatges d'animals. Li proporcionem una gran quantitat d'imatges etiquetades on cada imatge està marcada com a lleó, o gat o gos. La màquina analitza aquestes imatges busca patrons que distingueixin l'animal i després d'aquest procés d'aprenentatge quan se li presenta una nova imatge, la màquina pot predir en precisió si l'animal de l'imatge és un lleó o un gat o un gos. L'aprenentatge supervisat s'utilitza en una amplia gama d'aplicacions de ja com ara el coneixement d'imatges de veu o traducció automàtica. És un metge d'aprenentatge molt eficaç quan es disposa d'un conjunt d'exemples etiquetats de bona qualitat i de moltes dades. Un exemple més avançat d'aprenentatge supervisat és l'alpha fold, que prediu l'estructura tridimensional de les proteïnes a partir de la seva sequència de minuàcies, aquestes lletres A, B, C, que surten allà a la transparència. Les proteïnes són molecules complexes que tenen un paper fonamental a la vida i la seva estructura tridimensional és essencial per la seva funció. Alpha fold utilitza una xarxa neuronal per aprendre a partir d'una gran quantitat de dades sobre la estructura de les proteïnes. La xarxa neuronal aprena a identificar els patrons en les secuències de minuàcids que estan associats amb diferents estructures tridimensionals. Una vegada que la xarxa neuronal ha estat entrenada, es pot utilitzar per predir la estructura tridimensional de noves proteïnes en una fracció de segon en comptes de mesos o anys com es necessitava anteriorment. Alpha fold ha estat un gran avanç en el camp de la predicció de la estructura de les proteïnes. Ha demostrat que l'AI pot predir la estructura amb una precisió molt alta, fins i tot per proteïnes que no tenen estructures similars conegudes. Això ha obert la porta a noves aplicacions de l'AI en el camp de la biologia, com ara el disseny de nous fàrmacs i la comprensió de les causes de les malalties. Un altre tipus d'aprenentatge és l'aprenentatge per reforç. També és bastant senzill. Imaginem que volem ensenyar una màquina a jugar a go o a escacs. Comencem per fer que la màquina jugui contra si mateixa, provant accions aleatòries, moviments aleatòries, i observant els resultats de cada moviment. Al principi, la màquina jugarà de manera molt poca efectiva, però a mesura que s'acomiï l'experiència, començarà a identificar patrons que conduixen a victòries o a derrotes. Mitjançant l'aprenentatge per reforç, la màquina associarà cada moviment amb una recompensa o penalització avaluant el moviment que la va apropant o allunyant a la victòria. Amb el temps, la màquina desenvoluparà una estratègia cada vegada més sofisticada adonant-se de moviments que li brinden avantatges a llarg termini. Aquest procés d'aprenentatge per reforç va permetre a l'algorima Álfago de Deep Minds de rotar el campió mundial de Go, Liceadol, al 2016, per 5.1. Álfago va prendre a jugar a Go a un nivell sobreu mar demostrant el poder de l'aprenentatge per reforç en l'àmbit de la intel·ligència artificial. Seguim amb el que està passant una mica més actualment on vull presentar com la intel·ligència artificial està fent servir per ajudar-nos a millorar la nostra vida. Els exemples que donaré són més avançats, però si algú de vosaltres ha fet servir a Google durant els últims anys, ja sabeu que Google us ajuda a trobar i a cercar informació. Quan realitzem una cerca a Google, com ara PIX, més alt de Catalunya, el motor de cerca desplega una sèrie de mecanismes d'intel·ligència artificial per proporcionar-nos els resultats més rellevants i útils. Google accedeix a la seva base de dades que conté informació sobre milers de milions de pàgines web i utilitza agorimes d'aprenentjats automàtiques. Mostrant-nos la informació que necessitem i imatges com les que podem veure aquí, pica d'estats, pica de darrere, etc. Espero que sigui correcte la informació. La pica segur que és la més alta. Però què està passant avui dia? Contrastat amb la luz comú de Google, en aquest exemple, l'usuari, jo, poso com a text d'entrada imatge de la sagrada família amb les lletres de màtics. A diferència de Google, aquest model ens permet crear imatges que no existeixen en comptes de buscar totes les imatges de la web com fa a Google. El tercer algorima d'aprenentatge són els modelos generatius com aquest d'aquí. Els modelos generatius són una classe d'alcorimes d'intel·ligència artificial que tenen la capacitat de crear nous continguts, com ara text, imatges, música o codi informàtic. A diferència dels models d'aprenentatge supervisat, que aprenen a partir d'exemples existents, els models generatius aprenen a partir de patrons i regularitats de les dades, per després generar nous exemples que comparteixen aquestes característiques. Imaginem ara un model generatiu entrenat amb una gran quantitat de textos en català. Després d'anaritzar les estructures grammaticals, el vocabulari i els estils literaris presenten aquests textos, el model generatiu podria crear nous textos originals en català, imitant els patrons que ha identificat. Aquesta capacitat de generar llenguatge és el motor que impulsa els chatbots, i s'ha de fer, per això, una experiència diferent a la que ofereix Google, més interactiva i propera a un diàleg entre nosaltres i la màquina. De fet, la lliçó que estic compartint avui ha estat elaborada amb l'ajuda d'un model avançat de BART, en una col·laboració entre l'expertesa humana i la intel·ligència artificial. BART ha servit com a assistent linguístic, ajudant a polir el català i simplificar conceptes complexos d'aquests models tan potents poden també combinar diferents modalitats com imatges, só, text, etc. En aquest cas li hem demanat que ens escrigui una descripció poètica de l'imatge de l'esdeveniment d'avui. Sistemas com el chat JVT o Bart són només el principi d'un viatge cap a un sistema digital intel·ligent. Podeu llegir-ho més tard. És bastant llarga. No sé si és gaire bo. Finalment, i per concluir, m'agradaria destacar incerteses i oportunitats i cap on estem anant en el món de l'EIA. Hi ha moltes incerteses i només aquí en perfil 4. La primera és desplaçament dels llocs de treball. L'EIA podria desplaçar alguns llocs de treball, especialment els que són rutinaris i repetitius. Viatge. Els sistemes d'IA poden estar viatjats com les dades en què s'entrenen i reflecteixen també els viatges dels seus creadors. Transparencia. Pot ser difícil entendre com funcionen aquests sistemes d'IA. No són molt senzilles d'entendre com un codi. Les neurones i com estan interconnectades no tenen una explicació matemàtica fàcil. Un altre aspecte és privacitat, ja que aquests sistemes poden utilitzar-se per recollir i analitzar grans quantitats de dades personals. Per tant, hem de regular i veure què ha de passar per preservar que els usuaris se'ls respecti la privacitat de les seves dades. Evidentment, hi ha moltíssimes oportunitats com les que ja estem veient. Jo des que destacaria l'àmbit mèdic, ja que gràcies a avançaments de l'IA podem ajudar els doctors i a llocs on no hi ha accessibilitat de doctors i hospitals, doncs apredir malalties i fins i tot curar-les com a l'exemple de l'alpha fold. També les eines educatives, com hem vist en el vídeo, presenten oportunitats i evidentment incertesa, ja que poden personalitzar l'ajuda als estudiants de manera de gran escala sense haver de pagar un cost adicional. Evidentment, els robots també són el futur, diguéssim, de l'IA, tot i que encara està una mica llunyà, però l'IA evidentment serà el motor del servei dels robots del futur. Coches autònomes hi ha bastants pel carrer, sobretot si algú de vosaltres va per a California, és una realitat i pot ajudar a reduir accidents i a millorar la congestió com la d'aquest matí per entrar a Barcelona. I finalment, els que heu ensenyat als assistents virtuals, que ens poden ajudar amb tasques diàries, programar cites, fer reserves, comprar en línia i millorar la nostra experiència online. Vol dir acabar posant un poema que li he demanat en el part i llegiré només els últims dos versos. No sóc poeta, no sóc de lletres, així que perdoneu si no és gaire bo, llegiré les últimes dos versos. En l'art i la creació, una musa digital, inspirant melodies pinzallades virtuals, sugerint nous noms, nous mons, universos vibrants, on la màquina i l'OMA creen junts radians. En tots els àmbits, l'IA desplega el seu potencial. Un motor de progrés, un pont cap al demà. A mètica i responsabilitat, la seva força abraçarem, construint un futur on tots junts prosperarem. Moltes gràcies.