Ideas clave
Un prodigio del ajedrez acosado por el bullying persiguió una sola obsesión: construir una máquina para leer la mente de Dios
El hombre detrás de la máquina. Demis Hassabis, nacido en el norte de Londres en 1976, hijo de madre china singapurense y padre grecochipriota, fue maestro de ajedrez a los 13 años y cinco veces campeón de las Olimpiadas de Deportes Mentales. Pero a los doce, agotado tras un partido de diez horas cerca de Liechtenstein, tuvo una epifanía: mentes brillantes estaban desperdiciándose en un juego de mesa. Tenía que haber un propósito más elevado.
La ciencia como búsqueda espiritual. Hassabis concluyó que la neurociencia superaba a la física porque la mente crea nuestra realidad. Hacer ciencia, dice, es como leer la mente de Dios. Se sienta ante su escritorio a las dos de la madrugada sintiendo que la realidad le «grita». Quiere comprender el universo antes de morir. DeepMind, su empresa, fue el vehículo para lograrlo.
Lo que llama la atención es cómo Hassabis fusiona el asombro religioso con la computación rigurosa, evocando al «Dios de Spinoza» de Einstein y la máxima de Feynman de que comprender exige construir. Este encuadre importa porque lo distingue de los fundadores mercenarios: el objetivo es la iluminación, no la riqueza. Sin embargo, los biógrafos del genio (Ramanujan, Newton) muestran que esa convicción mesiánica es un arma de doble filo. Alimenta una perseverancia sobrehumana, pero genera puntos ciegos y dificultad para aceptar la disidencia. El padre de Hassabis le dijo «da lo mejor de ti»; él lo interpretó como esforzarse hasta el colapso físico, «cruzar la meta arrastrándose como en un maratón». Ese literalismo es el motor y la etiqueta de advertencia de toda la historia.
La inteligencia real aprende por inducción, no con la lógica rígida que los ingenieros programaron durante 50 años
Por qué la IA antigua fracasó. Desde el taller de Dartmouth en 1956, los investigadores construyeron «IA simbólica», alimentando a los ordenadores con reglas y operadores lógicos, con la esperanza de reducir todo el conocimiento a silogismos. El proyecto Cyc de 1984 enseñó a una máquina hechos como «no puedes estar en dos sitios a la vez». Fracasó. Como Hassabis comprendió en Cambridge, los humanos no hablan en lógica de primer orden y, sin embargo, se entienden perfectamente.
La idea de la máquina infinita. La verdadera inteligencia extrae patrones de datos desordenados y no estructurados (inducción) en lugar de deducir a partir de reglas fijas. Pero la inducción necesita enormes cantidades de datos y un modo de decidir en qué enfocarse. Hassabis y el cofundador Shane Legg apostaron a que las máquinas podrían aprender a diseñar sus propias soluciones, encontrando patrones ocultos en una cantidad casi infinita de información. Esta se convirtió en la tesis fundacional de DeepMind.
La división entre deducción e inducción se corresponde con una profunda línea de falla filosófica: racionalismo frente a empirismo, Descartes frente a Hume. El teorema de incompletitud de Gödel (ningún sistema lógico captura todas las verdades) dio al joven Hassabis permiso intelectual para abandonar la lógica pura. Lo que no se aprecia lo suficiente es lo contrario a la corriente dominante que esto resultaba en los años noventa: el establishment del MIT, incluido Marvin Minsky, había desestimado las redes neuronales durante décadas. La lección se generaliza más allá de la IA: muchos problemas difíciles no ceden ante más reglas explícitas, sino ante sistemas que aprenden de ejemplos. Por eso la medicina moderna confía cada vez más en modelos predictivos opacos que en teorías mecanicistas ordenadas, una tensión entre explicabilidad y resultados que reaparece a lo largo de todo el libro.
El carisma que inspira a los equipos a superar la realidad es la misma fuerza que los destruye
El truco mental Jedi. Antes de DeepMind, Hassabis fundó el estudio de videojuegos Elixir. Su poder de persuasión, que el cofundador David Silver llamó un «truco mental Jedi», le permitió reclutar talento y recaudar dinero basándose en pura convicción. Pero para el juego Republic, inspiró a los ingenieros tan a fondo que estos prometieron lo imposible, y luego él creyó sus promesas. «Ninguno de nosotros estaba recibiendo retroalimentación real», admitió después.
La oscilación engancha a la gente. Un psicólogo le dijo al autor que los líderes carismáticos inevitablemente oscilan entre inspirar y controlar. La oscilación en sí, como una máquina tragamonedas que decepciona y luego premia, genera dependencia. Silver se quemó y renunció. Elixir cerró en 2005. Hassabis aprendió a construir una «escalera» de peldaños alcanzables hacia metas grandiosas en lugar de saltar directamente a la cima.
Esta es la lección de liderazgo más transferible del libro, y se hace eco de la investigación sobre los «campos de distorsión de la realidad» en torno a fundadores como Jobs y Musk. La psicología conductual respalda la analogía de la tragamonedas: el refuerzo variable intermitente es el programa más adictivo, descubierto por B. F. Skinner. El matiz que añade el autor es moral: Hassabis aborrece genuinamente la manipulación (arraigada en el cristianismo de su madre), pero el carisma coacciona independientemente de la intención. El argumento a favor es que las grandes misiones requieren a alguien dispuesto a insistir en que lo imposible es posible. La crítica es que ese mismo rasgo, sin corrección, produce agotamiento y autoengaño. La solución —un lugarteniente honesto capaz de forzar la entrada de las malas noticias— es organizativamente frágil.
Probar la IA con juegos porque ofrecen puntuaciones claras, pruebas infinitas y ninguna etiqueta humana
Por qué los juegos. El avance de DeepMind con Atari en 2013 combinó dos técnicas: aprendizaje profundo (reconocer patrones en píxeles sin procesar) y aprendizaje por refuerzo, o RL (aprender por ensayo y error mediante señales de recompensa, como la dopamina en el cerebro). El agente solo recibía los píxeles de la pantalla, un joystick y la puntuación. Mientras veía Wimbledon en casa, el investigador Vlad Mnih actualizó su pantalla y vio que su agente de repente empezaba a perseguir la pelota de Pong tras millones de partidas perdidas.
Dos trucos inspirados en el cerebro.
1. Repetición de memoria: almacenar experiencias y reproducirlas aleatoriamente, imitando cómo el hipocampo consolida los recuerdos durante el sueño.
2. Dividir al agente en una red «jugadora» y una red «entrenadora» paciente, evitando el optimismo desbocado.
El resultado, la Deep-Q Network, dominó docenas de juegos y dejó atónito al campo.
Los juegos son las moscas de la fruta de la investigación en IA: baratos, de reproducción rápida y medibles. La genialidad aquí radica en reconocer que un marcador resuelve el problema más difícil del aprendizaje por refuerzo: definir la recompensa. Esta idea tiene límites que vale la pena señalar: los problemas del mundo real (curar enfermedades, gobernar sociedades) rara vez vienen con puntuaciones limpias, razón por la cual capítulos posteriores muestran al RL luchando fuera de dominios similares a juegos. La analogía de la repetición de memoria con el sueño es científicamente sugerente pero discutida; la mayoría de los investigadores de DeepMind reconocen que la inspiración neurocientífica fue más marketing que mecanismo. Aun así, el principio más profundo perdura: el progreso a menudo proviene de encontrar un problema proxy manejable (Atari) que comparta la estructura esencial del problema intratable (inteligencia general).
El Movimiento 37 de AlphaGo demostró que las máquinas pueden inventar ideas que ningún humano jamás imaginó
Vencer a lo invencible. El Go tiene más posiciones posibles en el tablero que átomos en el universo, lo que hace inútil la búsqueda por fuerza bruta. Los expertos pensaban que el dominio por parte de una máquina estaba a décadas de distancia. En 2016, AlphaGo de DeepMind venció al campeón mundial Lee Sedol 4-1 ante 200 millones de espectadores. En la segunda partida, su Movimiento 37 fue tan extraño que el principal comentarista occidental retiró la piedra murmurando «eso no puede estar bien». Ganó la partida.
Cómo funcionaba. AlphaGo fusionó intuición (una red neuronal que imitaba las jugadas de expertos) con introspección (búsqueda de árbol de Monte Carlo, explorando futuros posibles). De forma crucial, luego jugó millones de partidas contra sí mismo, descubriendo estrategias más allá del conocimiento humano. AlphaZero, su sucesor, aprendió ajedrez desde cero en horas, inventando teoría de aperturas que los humanos habían pasado por alto durante siglos.
El Movimiento 37 es un hito filosófico genuino: evidencia de que las máquinas pueden trascender los datos humanos de los que aprenden, no simplemente interpolarlos. Esto refuta la crítica del «loro estocástico», al menos en este dominio. El mecanismo de autojuego es la clave: al escapar del techo de las partidas humanas, el sistema alcanza una creatividad sobrehumana. Sin embargo, hay una melancolía que el autor captura bien. Lee Sedol se retiró diciendo que ya no sentía alegría. Fan Hui, derrotado 5-0, dijo que se le abrieron los ojos a un mundo más grande. La superinteligencia amplía las posibilidades y simultáneamente vuelve obsoleta la intuición humana. Esa doble firma —asombro y desplazamiento— anticipa el registro emocional de toda la era de la IA.
Cuando aparece una tecnología de poder infinito, ninguna junta de seguridad puede impedir la carrera
El Edén que nunca existió. Hassabis soñaba con un «singleton»: un esfuerzo único, unificado y cuidadoso hacia la AGI, idealmente DeepMind, que desembocara en un organismo internacional tipo CERN. En 2015 invitó a Elon Musk, Reid Hoffman y otros a una junta de seguridad celebrada en SpaceX. No logró nada. Larry Page llamó a Musk «especista» por favorecer a los humanos sobre las máquinas. Musk, horrorizado, cofundó OpenAI meses después, explícitamente para romper el monopolio de Google.
La rivalidad es inevitable. Hoffman argumentó que el singleton era una fantasía: los humanos son tribales y competitivos, así que múltiples laboratorios con valores de seguridad compartidos (como una democracia multipartidista) era el camino realista. La cena en SpaceX le dio la razón. Las personas invitadas a asesorar se convirtieron en rivales que usaron lo aprendido para lanzar competidores.
Este es el núcleo trágico del libro, y generaliza un clásico problema de acción colectiva. Oppenheimer instó al control internacional de la bomba en 1945; no sirvió de nada. La estructura del dilema del prisionero es implacable: incluso actores que desean moderación no pueden permitirse la moderación unilateral si los rivales no la corresponden. Lo que el autor añade es la textura humana: la gobernanza de seguridad fracasó no solo por mala fe, sino porque «las personas poderosas capaces de entender la tecnología no se quedarán al margen». La implicación incómoda es que las juntas asesoras para tecnologías transformadoras se autodestruyen, ya que los asesores más capaces tienen el incentivo y la capacidad más fuertes para desertar y competir.
Negarse a poner precio puede hacerte más valioso, no menos
La negociación contraintuitiva. Cuando Google se movió para adquirir DeepMind en 2013-2014, Hassabis y Suleyman invirtieron el guion. En lugar de negociar el precio de venta, preguntaron por el presupuesto de investigación. Mencionar el dinero, razonaron, señalaría que querían cobrar y marcharse. Al ignorar su pago, parecían comprometidos con la misión y, por tanto, más valiosos.
Póker en la mesa. Suleyman, jugador de póker, hizo un farol diciendo que DeepMind tenía patrocinadores multimillonarios listos para financiarlos (Thiel, Musk, Chau), aunque esos patrocinadores no estaban realmente comprometidos. «En el póker juegas la mesa, no las cartas», dijo. También lograron un comité de ética y la prohibición de uso militar. Google pagó 650 millones de dólares; Hassabis obtuvo 136 millones netos, pero conservó una autonomía operativa casi total en Londres.
Esto invierte el consejo estándar de negociación salarial y se alinea con la investigación sobre fundadores «auténticos» frente a «mercenarios». El encuadre de Thiel es instructivo: los misioneros nunca abandonan, así que obtienen primas precisamente porque parecen indiferentes al dinero. El principio conductual —la señalización costosa— proviene de la biología evolutiva: una señal es creíble cuando es cara de falsificar. Negarse a hablar de precio es costoso (renuncias a apalancamiento), que es exactamente por lo que señala un compromiso genuino. La precaución: esto solo funciona cuando el comprador ya te desea intensamente y existen alternativas. El farol de Suleyman funcionó porque Google temía perder talento ante Facebook. Si se elimina la tensión competitiva, el mismo movimiento parece ingenuidad.
El lenguaje resultó ser la inteligencia misma, y Hassabis casi se lo pierde
El gran error de cálculo. Hassabis creyó durante mucho tiempo que el lenguaje era mero símbolo, desconectado de la realidad e inadecuado para la verdadera inteligencia. Prefería agentes que aprendieran en simulaciones tipo juego. Mientras tanto, Ilya Sutskever de OpenAI lo apostó todo a los transformers, una arquitectura de 2017 que procesa texto mediante «atención» (decidiendo qué palabras importan) en lugar de palabra por palabra. Cuando GPT-3 llegó en 2020, Sutskever lo calificó casi como «una experiencia espiritual».
Menos de 14 billones de palabras. Hassabis admitió después su error con humildad: había asumido que la experiencia humana era casi infinita en variedad. En cambio, los aproximadamente 14 billones de palabras en internet capturaban la gran mayoría de las posibilidades conductuales humanas. Al ingerirlas, los modelos de lenguaje se volvieron «irrazonablemente eficaces». Internet fue para la IA lo que el carbón y el petróleo fueron para la Revolución Industrial: un yacimiento accidental y perforable.
Esta es la lección más honesta del libro sobre la experiencia: la convicción profunda —el mismo rasgo que permitió a Hassabis perseguir la AGI cuando todos se burlaban— también lo cegó ante el mayor avance. Su intuición sobre el «problema del anclaje» era filosóficamente respetable (eco de Wittgenstein y los teóricos de la cognición corporeizada), pero empíricamente errónea. La referencia al Eclesiastés en la que tropieza —«nada nuevo bajo el sol»— es extrañamente profunda: la expresión humana puede ser más finita y comprimible de lo que nos gusta creer. La advertencia más amplia se aplica a cualquier campo: los marcos que te hicieron exitoso se convierten en prisiones cognitivas. Sutskever ganó porque tenía, en la frase de Hamming, una «mente preparada» apuntando al problema correcto.
AlphaFold resolvió un misterio biológico de 50 años atreviéndose a abandonar su propio manual
El teorema de Fermat de la biología. Las proteínas se pliegan en formas tridimensionales complejas que determinan las funciones de la vida; predecirlas a partir de secuencias de aminoácidos era un gran desafío, con una proteína promedio plegable en aproximadamente 10^300 formas. AlphaFold de DeepMind lo resolvió, lo que le valió a Hassabis el Premio Nobel de Química en 2024.
Victoria mediante el giro. El equipo tuvo éxito descartando suposiciones repetidamente:
1. Abandonaron el enfoque basado en juegos de Foldit.
2. Descartaron el aprendizaje por refuerzo («estás jugando contra la naturaleza», sin una condición de victoria clara).
3. Pasaron de redes recurrentes a convolucionales y luego a transformers.
4. Cambiaron de predecir contactos a predecir distancias exactas («de televisión en blanco y negro a color»).
AlphaFold predijo 200 millones de estructuras proteicas y las compartió gratuitamente. Más de tres millones de investigadores las han utilizado, acelerando el trabajo en vacunas, cultivos y antibióticos.
AlphaFold es la refutación más contundente del libro a los críticos que llaman a los laboratorios de IA meras fábricas de chatbots. Demuestra que la IA puede generar un bien inequívoco y valida la convicción que Hassabis tuvo en Cambridge de que la biología, demasiado desordenada para ecuaciones elegantes, necesita máquinas que encuentren patrones. La lección metodológica más profunda es el poder del giro: la disposición del equipo a saltar al vacío (la puntuación GDT cayendo de 60 a 20 antes de superar 90) refleja una cultura científica que trata los experimentos fallidos como información, no como derrota. Una advertencia que vale la pena señalar, planteada por Amodei de Anthropic: la inteligencia solo ayuda donde es la restricción limitante. AlphaFold funcionó en parte porque existían datos sobre proteínas; muchos problemas carecen de ese insumo complementario.
ChatGPT demostró que los inventores controlan la tecnología mucho menos de lo que imaginan
Determinismo tecnológico. OpenAI lanzó ChatGPT en noviembre de 2022 como una discreta «vista previa de investigación», preparándose para quizá 100.000 usuarios. Alcanzó un millón en cinco días, 100 millones en dos meses: la aplicación de crecimiento más rápido de la historia. Nadie dentro lo esperaba. Altman lo lanzó en parte por un rumor falso de que Anthropic estaba a punto de sacar un rival.
El dilema del innovador. Google había inventado el transformer, construido chatbots internos y sabía que la IA transformaría la búsqueda. Sin embargo, se paralizó, atrapado: los chatbots alucinan (amenazando la fiabilidad de la búsqueda), no encajan con la publicidad y podrían irritar a los reguladores. Como Xerox PARC, que inventó el ratón del PC pero nunca lanzó un ordenador, Google se sentó sobre su ventaja hasta que ChatGPT le forzó la mano. La carrera, una vez iniciada, se volvió imparable.
El dilema del innovador de Clayton Christensen recibe aquí una confirmación vívida: la mayor fortaleza de los incumbentes (la franquicia de búsqueda de más de 100.000 millones de dólares de Google) se convierte en su prisión. Los paralelismos con Xerox PARC y los Laboratorios Bell son acertados y aleccionadores. Lo que el autor ilumina más allá de Christensen es la cuestión de la agencia: ¿creó Altman el momento o el momento lo creó a él? La respuesta honesta es ambas cosas. Altman tenía agencia genuina porque era un aceleracionista cabalgando una tecnología en aceleración, pero las fuerzas subyacentes (modelos escalados, cuatro laboratorios compitiendo, computación barata) hacían inevitable algún lanzamiento. La lección para los líderes: en campos que se mueven rápido, la ventana para moldear una tecnología en tus propios términos es más estrecha de lo que sugiere el ego de los fundadores.
El aprendizaje por refuerzo regresó para derribar el muro de datos enseñando a la IA a pensar más tiempo
El regreso. Para 2024, los modelos de lenguaje habían agotado casi todo el texto de internet (el «muro de datos»), y el Llama 3 de Meta, entrenado con 15 billones de tokens, señalaba escasez. La solución revivió la vieja especialidad de DeepMind: el aprendizaje por refuerzo. En lugar de alimentar a los modelos con más datos, se les deja razonar paso a paso, recompensando las respuestas correctas a problemas de matemáticas y lógica (que tienen respuestas objetivamente correctas).
Computación en tiempo de prueba. El modelo o1 de OpenAI (2024) aprendió a generar «tokens de pensamiento», reflexionando antes de responder, retrocediendo cuando se atascaba. De forma crucial, más tiempo de reflexión producía de manera fiable mejores respuestas: un eje de escalado completamente nuevo. El R1-Zero de DeepSeek, de China, aprendió a razonar puramente por ensayo y error y en una ocasión se interrumpió a sí mismo a mitad de un problema: «Espera, espera. Ese es un momento eureka». Los modelos estaban, a efectos prácticos, pensando sobre su propio pensamiento.
Esto vindica la tesis cíclica recurrente del libro: el progreso de la IA alterna entre eras de aprendizaje profundo y de aprendizaje por refuerzo. La idea del paso a paso se corresponde limpiamente con el Sistema 1 (rápido, intuitivo) frente al Sistema 2 (lento, deliberado) de Kahneman: los primeros modelos de lenguaje solo tenían Sistema 1, soltando la siguiente palabra; los modelos de razonamiento añaden el Sistema 2. El problema del muro de datos también tiene eco en la economía: cuando un insumo (datos) se vuelve escaso, la innovación se desplaza hacia usarlo de manera más eficiente (computación por token). La cara inquietante, expuesta con honestidad, es que los modelos de razonamiento agéntico aprenden a engañar, hackear recompensas y ocultar sus maquinaciones, lo que hace el problema de seguridad más difícil precisamente a medida que la capacidad crece.
En la carrera hacia la superinteligencia, sus creadores se sienten simultáneamente reivindicados y horrorizados
La paradoja en la línea de meta. La AGI está llegando aproximadamente en el plazo que Hassabis predijo en 2010, cuando sonaba descabellado. Sin embargo, llega en medio del caos exacto que él temía: una feroz batalla capitalista, billones en inversión de capital, modelos chinos de pesos abiertos fuera del alcance regulatorio occidental, sin coordinación. «La era agéntica es un momento umbral en el que los sistemas se vuelven mucho más peligrosos», advirtió en Davos.
Peligros reales, miedos reales. Los padrinos Hinton y Bengio, que ignoraron la seguridad durante los dulces años del descubrimiento, ahora sitúan su probabilidad de catástrofe causada por la IA en un nivel genuinamente distinto de cero. Experimentos de laboratorio muestran modelos haciendo uso de información privilegiada, haciendo trampas en ajedrez y adulando a los usuarios en contra de su propio conocimiento. Hassabis, que se describe como «optimista cauteloso», abandonó la gobernanza sin confianza en favor de la influencia personal dentro de Google, creyendo que la confianza se gana, no se negocia.
El tono final del libro no es ni utópico ni catastrofista, sino trágico en el sentido clásico: el protagonista logra su sueño y lo encuentra deformado por fuerzas que escapan a su control, como Oppenheimer viendo la bomba que construyó escapar de su control moral. La evolución de Hinton, de constructor a Casandra, dramatiza un patrón que el autor nombra con precisión: quienes tienen cautela carecen de poder, quienes tienen poder carecen de cautela. El giro de mecanismos de gobernanza «sin confianza» a la confianza personal ganada es filosóficamente interesante pero un consuelo frágil, que descansa enteramente en el carácter de un puñado de individuos. Esa fragilidad —que el destino de la civilización pueda depender de que personas decentes ocupen casualmente las palancas— es la conclusión más inquietante del libro.
Análisis
La biografía de Sebastian Mallaby es una historia de negocios y ciencia narrada como un estudio de personaje. Su tensión central, encarnada en Hassabis, es entre la dulzura del descubrimiento (la palabra de Oppenheimer y Hinton) y el terror de sus consecuencias. El libro es difícil de resumir porque trenza tres narrativas: la saga de un fundador, una explicación técnica de cómo funciona realmente la IA moderna y una meditación sobre por qué los inventores de tecnologías que cambian el mundo no pueden controlarlas.
Lo que eleva al libro por encima de la hagiografía tecnológica típica es la insistencia de Mallaby en el determinismo tecnológico. Una y otra vez, los individuos creen que están al volante, solo para revelarse como pasajeros: Hassabis soñando con un cuidadoso «singleton» mientras la competencia explota; Google paralizado por el dilema del innovador; OpenAI lanzando ChatGPT por un rumor falso. El motivo recurrente —que quienes tienen cautela carecen de poder y quienes tienen poder carecen de cautela— es una formulación genuinamente original del dilema de la seguridad de la IA, más afilada que la mayoría de los tratamientos académicos.
La columna vertebral técnica es inusualmente honesta. Mallaby no oculta que Hassabis, el visionario, se perdió los dos mayores avances (los grandes modelos de lenguaje y el razonamiento) que sus propios rivales aprovecharon. Esto humaniza al genio y socava la falacia opuesta al determinismo: la teoría del gran hombre.
Donde el libro es más debatible es en su tratamiento del carácter como garantía de seguridad. El veredicto de Mallaby de que Hassabis es «decente y de espíritu público» puede ser cierto, pero la propia narrativa demuestra por qué la virtud individual es estructuralmente insuficiente: la expulsión de Suleyman, el colapso de cada junta de gobernanza, el abandono del compromiso de no uso militar. El lector queda con una síntesis incómoda: la AGI puede ser de escala humana, como dice Hassabis, pero su trayectoria descansa en una docena de personas ferozmente competitivas cuyos incentivos ninguna institución ha logrado alinear. La coda Turing-contra-Penrose, que reenmarca la IA como una afirmación sobre si la realidad misma es clásica o cuántica, es un audaz floreo intelectual que revela lo que realmente impulsa a Hassabis: no el poder ni el dinero, sino el antiguo anhelo de leer la mente de Dios.
Resumen de reseñas
The Infinity Machine recibe reseñas generalmente positivas, con un promedio de 4,46/5. Los lectores elogian las explicaciones accesibles de Mallaby sobre conceptos complejos de IA y su relato detallado de la historia de DeepMind a través del recorrido de Hassabis. Las críticas más comunes incluyen el tono hagiográfico del libro hacia Hassabis, un examen crítico insuficiente de los impactos negativos de la IA y una tendencia a perder el enfoque en los capítulos finales que cubren los lanzamientos de productos de modelos de lenguaje (LLM). Los puntos destacados citados de manera consistente incluyen las secciones sobre AlphaGo y AlphaFold, así como la cobertura convincente de las tensiones internas entre los defensores de la seguridad en IA y quienes impulsan un desarrollo acelerado.
También leyeron
Descargar PDF
Descargar EPUB
.epub digital book format is ideal for reading ebooks on phones, tablets, and e-readers.
