- DeepMind utilitza aprenentatge profund i per reforç per resoldre tasques complexes.
- Models com AlphaGo i AlphaFold han revolucionat els jocs i la medicina.
- Veig permet la creació de vídeos realistes amb simple text o imatges.
- Eines com Gemma Scope ajuden a entendre el pensament de les IAs.
La intel·ligència artificial ha captat l'interès del món sencer gràcies als sorprenents avenços, i entre les empreses que lideren aquest panorama, Google DeepMind destaca com una de les més innovadores. Fundada el 2010 i adquirida per Google el 2014, aquesta companyia amb seu al Regne Unit ha desenvolupat diferents tecnologies que han deixat empremta en camps tan diversos com la medicina, l'eficiència energètica, els jocs i fins i tot la generació de contingut audiovisual.
Però, què és exactament DeepMind i com es pot fer servir? Per entendre el seu funcionament, usos reals i el seu impacte en la vida quotidiana, ens submergirem en la seva història, la seva estructura tecnològica, els seus principals desenvolupaments i com avui estem veient aplicacions tangibles d'aquestes idees que fa anys semblaven ciència ficció.
Què és DeepMind i on sorgeix?
DeepMind és un laboratori de recerca en intel·ligència artificial que té com a missió desenvolupar sistemes que puguin aprendre de manera autònoma i resoldre problemes sense necessitat de regles preprogramades. Va ser creat per tres investigadors britànics amb experiència en neurociència i computació. El seu enfocament disruptiu a IA va cridar l'atenció ràpidament, tant que Google (ara Alphabet) va comprar l'empresa per prop de 400 milions de lliures esterlines el 2014.
Des de llavors, DeepMind ha crescut fins a formar un equip de més de 700 professionals distribuïts per oficines a diverses parts del món. Amb accés a la infraestructura tècnica de Google, han pogut estendre les seves investigacions a camps com ara medicina, eficiència energètica, neurociència, robòtica i algorismes aplicats a jocs.
Com funciona la tecnologia darrere de DeepMind
El nucli de la IA de DeepMind es basa en dos pilars fonamentals: l'aprenentatge profund i l'aprenentatge per reforç . Les xarxes neuronals que desenvolupen estan dissenyades per imitar el funcionament del cervell humà mitjançant capes de nodes interconnectats que aprenen a partir de dades.
Un dels enfocaments clau utilitzats és l' aprenentatge Q sense models , una tècnica on el sistema ajusta les respostes per maximitzar les recompenses rebudes. Aquesta forma d'entrenament permet que DeepMind evolucioni en entorns complexos sense instruccions predefinides.
Per exemple, van entrenar la seva IA amb videojocs d'Atari. Al principi no sabia jugar, però després de milions de repeticions va arribar a superar jugadors humans . Això és possible perquè la IA és capaç didentificar patrons òptims i corregir errors al llarg del temps.
Assoliments destacats de DeepMind a diferents àrees
Des de la seva creació, DeepMind ha aconseguit desenvolupaments que han marcat un abans i un després al camp de la intel·ligència artificial. Aquí t'expliquem els més importants:
AlphaGo: dominant allò impossible
El joc de taula Go és conegut per la seva enorme complexitat estratègica. DeepMind va desenvolupar AlphaGo, la primera IA a derrotar un jugador humà professional i després al campió mundial el 2016. Aquesta gesta va mostrar que la IA podia abordar tasques que requereixen intuïció, creativitat i pensament estratègic a llarg termini.
AlphaFold: revoluciona la medicina
Un dels avenços més disruptius ha estat AlphaFold, una IA capaç de predir com es pleguen les proteïnes , un problema biològic que feia dècades que no tenia solució. Aquesta eina ha facilitat la creació de nous tractaments i fàrmacs, fins i tot col·laborant en la lluita contra la COVID-19 i malalties com l'Alzheimer.
AlphaZero: el sistema que domina múltiples jocs
AlphaZero és capaç d'aprendre i jugar a nivell expert en escacs, xogi i Go. No requereix dades prèvies: només aprèn de jugar amb si mateixa milions de vegades . En pocs dies, va superar els motors d'escacs més avançats del món com Stockfish.
DeepMind en eficiència energètica
La IA de DeepMind també ha millorat com fem servir els recursos. Aplicada als centres de dades de Google, va reduir el consum energètic de refrigeració un 40% gràcies a un sistema d'aprenentatge per reforç que optimitzava en temps real.
Avanços en robòtica
DeepMind ha treballat en robots com Robocat, capaç d'aprendre a fer servir diferents braços robòtics amb només unes quantes demostracions. El sistema s'entrena amb dades generades per si mateix, cosa que millora la seva eficiència a mesura que s'enfronta a nous reptes.
Noves fronteres: IA generativa amb DeepMind
Una de les novetats més impactants és Veo, un model d'intel·ligència artificial generativa per a vídeo . Es va presentar durant l'esdeveniment Google I/O 2024 i promet transformar-ne la creació audiovisual.
¿ Què pot fer Veig?
Veig és capaç de generar vídeos d'alta qualitat a 1080p en múltiples contextos a partir de text, imatges o seqüències de vídeo prèvies . La seva intuïció a l'hora de capturar detalls complexos el converteix en una eina ideal per a creadors, cineastes i publicistes.
Ofereix funcions com:
- Edició emmascarada: Permet modificar àrees específiques d'un vídeo existent.
- Creació de vídeos basats en imatges: A partir d'una imatge i un text es genera un vídeo amb coherència estètica i narrativa.
- Expansió de clips: Crea vídeos de més de 60 segons amb continuïtat visual.
Casos d'ús reals de Veig
El cineasta Donald Glover va treballar amb Google per provar la capacitat creativa de Veo. Van utilitzar aquesta IA per visualitzar preses complexes abans de rodar-les , estalviant temps i recursos. Aquesta previsualització ràpida permet als equips ajustar plans i enfocaments amb antelació, elevant el nivell de producció.
També s'ha fet servir en publicitat, educació i fins i tot medicina. Veig pot simular entorns realistes per a entrenaments o crear vídeos educatius impactants que facilitin la comprensió de temes complicats.
Com funciona Veig?
El model combina diverses tecnologies prèvies com Generative Query Network, Imatge-Video i VideoPoet. Utilitza codificadors per a text i imatge i els combina en un únic “input” que passa per un model de difusió latent . Aquest genera un vídeo comprimit que es descodifica en alta resolució.
A més, tots els vídeos porten una marca d'aigua invisible mitjançant SynthID , una eina propietària que garanteix que els continguts generats per IA siguin rastrejables i segurs.
Gemma Scope: entendre com pensen les IAs
Un dels reptes de la IA és saber què passa exactament dins seu. Per resoldre aquesta incògnita, l'equip de DeepMind ha desenvolupat Gemma Scope, una eina dins del camp de la interpretabilitat mecanicista . La seva funció és mostrar com una IA arriba a les conclusions.
Mitjançant autocodificadors dispersos, és possible veure quines neurones s'activen amb certs estímuls , com si observéssim el cervell de la IA sota un microscopi. Per exemple, preguntar-li per un chihuahua pot activar el patró “gossos”.
Aquestes eines ajuden a detectar errors interns i biaixos . Per exemple, si un model diu que 9.11 és més gran que 9.8, és perquè ha relacionat erròniament aquests números amb versets bíblics o dates com l'11-S. Amb aquesta informació, els enginyers poden ajustar comportaments incorrectes.
També s'han explorat funcions com ara detectar sentiments humans, com la vergonya aliena , o fins i tot l'engany, encara que aquest últim segueix sent complex d'aïllar.
DeepMind ha obert aquestes eines al públic a través de GitHub i plataformes com Neuronpedia. Això permet que més experts col·laborin per entendre com funcionen els models i puguin aplicar enginyeria inversa als algorismes.
Gràcies a la constant evolució de DeepMind , les seves tecnologies estan traspassant l'àmbit de la investigació per convertir-se en solucions aplicables a problemes reals, des del descobriment de fàrmacs fins al cinema o l'educació. El seu enfocament ètic, el seu compromís amb la transparència i la creació d'eines que permetin comprendre la IA demostren que encara queda molt per explorar, i que a penes estem rascant la superfície del potencial d'aquest tipus d'intel·ligència artificial.
