L’any 2016 va passar una cosa que molts experts consideraven impossible. AlphaGo, un programa desenvolupat per DeepMind, va derrotar el campió mundial Lee Sedol en una partida de Go, un joc de taula tan complex que durant dècades s’havia pensat que cap ordinador seria capaç de dominar-lo. La sorpresa no va ser només la victòria. Alguns dels moviments que va fer la màquina van desconcertar els mateixos grans mestres, que els van qualificar de creatius i inesperats.

Aquell dia es va fer evident que la intel·ligència artificial havia entrat en una nova etapa. Darrere d’aquella demostració hi havia una tecnologia que avui mou ChatGPT, els assistents de veu, els traductors automàtics o els sistemes que ajuden a detectar malalties: el deep learning. Però, què és exactament i per què està transformant tants sectors alhora?

Quan els ordinadors només seguien ordres

Durant bona part de la història de la informàtica, els ordinadors només feien allò que els programadors els havien dit que fessin. Si volíem que un sistema reconegués un gat en una fotografia, calia definir les característiques que havia de buscar: la forma de les orelles, els bigotis, el musell o la cua.

Aquesta manera de programar funciona molt bé quan les regles són clares, però es queda curta davant de problemes molt més complexos, com entendre una conversa, interpretar una radiografia o distingir una persona entre milions de rostres.

El primer gran canvi va arribar amb el machine learning. En lloc d’escriure totes les instruccions, els investigadors van començar a mostrar milers d’exemples als ordinadors perquè fossin ells qui descobrissin els patrons. Tot i així, els humans continuaven decidint quina informació era important.

Què fa diferent el deep learning?

El deep learning és una evolució del machine learning que elimina bona part d’aquesta intervenció humana. En comptes d’indicar-li què ha de buscar, el sistema aprèn per si mateix quins patrons són rellevants.

Per aconseguir-ho utilitza xarxes neuronals artificials, estructures inspirades molt lliurement en el funcionament del cervell humà. Aquestes xarxes estan formades per múltiples capes de neurones connectades entre si. Les primeres detecten elements molt simples, com línies, colors o contrastos. Les següents combinen aquesta informació per identificar formes més complexes, i les últimes són capaces de reconèixer un objecte, entendre una frase o predir una resposta.

La paraula deep («profund») fa referència precisament a aquesta successió de capes. Com més profund és el model, més complexos poden arribar a ser els patrons que aprèn.

És aquesta capacitat d’aprendre automàticament què és important la que ha convertit el deep learning en el motor de la intel·ligència artificial moderna.

Aprendre també és equivocar-se

Quan una persona aprèn un idioma o toca un instrument, millora a base de repetir, equivocar-se i corregir els errors. Les xarxes neuronals funcionen d’una manera semblant.

Durant l’entrenament, el model analitza una enorme quantitat de dades, fa una predicció i comprova si és correcta. Si s’ha equivocat, ajusta lleugerament milions de petits paràmetres matemàtics que determinen el seu comportament. Aquest procés es repeteix milions de vegades fins que l’error és cada vegada més petit.

Per això els models actuals poden arribar a reconèixer veus, traduir idiomes o generar textos amb una precisió sorprenent. No perquè «pensin» com nosaltres, sinó perquè han après a identificar patrons estadístics extraordinaràriament complexos.

La revolució també és de maquinari

Si aquesta tecnologia existeix des dels anys vuitanta, per què només ara ha explotat?

La resposta no és només als algoritmes. També és al maquinari.

Entrenar una xarxa neuronal implica executar bilions d’operacions matemàtiques. Els processadors tradicionals (CPU) no estaven pensats per afrontar aquest tipus de càlculs de manera eficient. En canvi, les GPU, creades inicialment per generar els gràfics dels videojocs, poden realitzar milions d’operacions en paral·lel.

Quan els investigadors van descobrir que aquestes targetes gràfiques eren ideals per entrenar xarxes neuronals, el desenvolupament del deep learning es va accelerar de manera exponencial. Empreses com NVIDIA, que durant anys havien estat associades gairebé exclusivament al món dels videojocs, es van convertir en peces fonamentals de la revolució de la intel·ligència artificial.

Sense aquesta evolució del maquinari, probablement ChatGPT o Gemini encara serien projectes de laboratori.

Una tecnologia que ja conviu amb nosaltres

El deep learning és molt més present del que imaginem. Ens desbloqueja el telèfon mitjançant el reconeixement facial, filtra el correu brossa, detecta operacions bancàries fraudulentes, tradueix textos en temps real i ajuda els radiòlegs a identificar lesions que poden passar desapercebudes.

També és la base dels grans models de llenguatge que han popularitzat la intel·ligència artificial generativa. Aquests sistemes no busquen informació a Internet cada vegada que responen, sinó que utilitzen els patrons apresos durant el seu entrenament per predir quina és la resposta més probable.

Aquest mateix principi també s’està aplicant al desenvolupament de nous medicaments, a la investigació científica, a la conducció autònoma i fins i tot a la predicció de fenòmens meteorològics.

El futur també planteja interrogants

El deep learning ha demostrat un potencial extraordinari, però no està exempt de limitacions. Aquests models consumeixen grans quantitats d’energia, necessiten volums immensos de dades i sovint funcionen com una «caixa negra»: ofereixen resultats molt precisos, però ni els seus creadors poden explicar sempre amb exactitud com han arribat a una determinada conclusió.

També hi ha una qüestió estratègica. Desenvolupar els models més avançats requereix infraestructures valorades en milers de milions d’euros, fet que concentra aquesta capacitat tecnològica en mans d’un nombre molt reduït d’empreses. En un món cada vegada més dependent de la intel·ligència artificial, controlar les dades, els xips i la potència de càlcul pot acabar sent tan rellevant com controlar l’energia o les matèries primeres.

Una revolució que només acaba de començar

El deep learning no és simplement una nova tècnica informàtica. És el gran salt que ha permès que les màquines deixin de limitar-se a seguir instruccions i comencin a aprendre de l’experiència. Aquesta diferència, aparentment subtil, és la que està transformant sectors sencers i redefinint la relació entre persones i tecnologia.

Encara és aviat per saber fins on arribarà aquesta revolució, però una cosa sembla clara: entendre què és el deep learning ja no és només una curiositat per a enginyers. És una manera d’entendre una de les tecnologies que marcarà el futur de l’economia, la ciència i la societat.

Protegir els estalvis amb or físic ha estat una de les principals aportacions d’11Onze a la seva comunitat i, ara, s’amplia el ventall de productes. Per això, davant de la volatilitat, de l’encara alta inflació i de la crisi de confiança creixent en el sistema bancari, l’or torna a reforçar-se com a valor refugi. Descobreix l’Or Llavor a Preciosos 11Onze.