0:00:02.366,0:00:06.104
Les mostraré algo.

0:00:06.104,0:00:10.260
(Video) Niña: Eso es un gato [br]sentado en una cama.

0:00:10.260,0:00:14.300
El niño está acariciando al elefante.

0:00:14.300,0:00:18.654
Esas son personas que van en un avión.

0:00:18.654,0:00:21.464
Ese es un avión grande.

0:00:21.464,0:00:23.670
Fei-Fei Li: Así describe una niña

0:00:23.670,0:00:27.349
de 3 años lo que ve[br]en una serie de fotos.

0:00:27.349,0:00:30.194
Tal vez le falta mucho [br]por aprender sobre este mundo,

0:00:30.194,0:00:34.743
pero ya es experta[br]en algo importante:

0:00:34.743,0:00:37.589
entender lo que ve.

0:00:38.229,0:00:42.455
Tecnológicamente, nuestra sociedad[br]está más avanzada que nunca.

0:00:42.455,0:00:46.084
Enviamos personas a la luna,[br]nuestros teléfonos nos hablan

0:00:46.084,0:00:51.030
o personalizan radios para reproducir[br]solo la música que nos gusta.

0:00:51.030,0:00:55.085
Sin embargo, nuestras máquinas[br]y computadoras más avanzadas

0:00:55.085,0:00:57.988
aún tienen problemas en ese aspecto.

0:00:57.988,0:01:01.447
Hoy estoy aquí[br]para darles un reporte

0:01:01.447,0:01:05.494
de nuestros últimos avances[br]en visión artificial,

0:01:05.494,0:01:09.655
una de las tecnologías potencialmente[br]más revolucionarias

0:01:09.655,0:01:12.861
en la ciencia de la computación.

0:01:12.861,0:01:17.412
Es cierto, hemos inventado autos[br]que conducen solos,

0:01:17.412,0:01:21.265
pero sin una visión inteligente,[br]realmente no pueden distinguir

0:01:21.265,0:01:25.235
entre una bolsa arrugada de papel[br]en el camino, que puede uno pisar,

0:01:25.235,0:01:28.575
y una roca del mismo tamaño,[br]que debemos evitar.

0:01:29.415,0:01:32.805
Hemos creado fabulosas cámaras[br]de muchos megapíxeles,

0:01:32.805,0:01:35.940
pero aún no podemos devolverle[br]la vista a un ciego.

0:01:36.420,0:01:39.665
Los drones pueden volar sobre [br]grandes superficies de tierra,

0:01:39.665,0:01:41.100
pero no tienen tecnología

0:01:41.100,0:01:42.155
de visión suficiente

0:01:42.155,0:01:45.320
para ayudarnos a monitorear los [br]cambios en los bosques tropicales.

0:01:45.320,0:01:48.270
Hay cámaras de seguridad en todas partes,

0:01:48.270,0:01:53.337
pero no nos alertan cuando un niño[br]se está ahogando en una piscina.

0:01:54.167,0:01:59.762
Las fotos y los videos se están volviendo[br]parte integral de la vida global.

0:01:59.762,0:02:03.849
Se generan a un ritmo mucho mayor[br]de lo que cualquier humano,

0:02:03.849,0:02:06.632
o equipo de humanos, podría ver,

0:02:06.632,0:02:10.553
y Uds. y yo contribuimos [br]a eso en este TED.

0:02:10.553,0:02:15.785
Aun así, nuestro software más avanzado[br]tiene problemas para entender

0:02:15.785,0:02:19.661
y gestionar este enorme contenido.

0:02:19.661,0:02:24.933
En otras palabras, colectivamente[br]como una sociedad,

0:02:24.933,0:02:26.679
somos muy ciegos,

0:02:26.679,0:02:30.066
porque nuestras máquinas[br]más inteligentes aún son ciegas.

0:02:31.526,0:02:34.452
Se preguntarán:[br]"¿Por qué es tan difícil?"

0:02:34.452,0:02:37.145
Las cámaras pueden tomar fotos como esta

0:02:37.145,0:02:41.139
convirtiendo luz en matrices [br]numéricas bidimensionales

0:02:41.139,0:02:42.789
conocidas como pixeles,

0:02:42.789,0:02:45.040
pero estos son solo números vacíos.

0:02:45.040,0:02:48.151
En sí mismos no tienen significado.

0:02:48.151,0:02:52.494
Al igual que oír no es[br]lo mismo que escuchar,

0:02:52.494,0:02:56.534
tomar fotografías [br]no es lo mismo que ver;

0:02:56.534,0:03:00.363
y solo viendo podemos realmente entender.

0:03:01.293,0:03:07.470
De hecho, le tomó a la Madre Naturaleza[br]540 millones de años de arduo trabajo

0:03:07.470,0:03:09.443
lograr esta tarea,

0:03:09.443,0:03:11.324
y mucho de ese esfuerzo

0:03:11.324,0:03:16.595
consistió en desarrollar el sistema[br]de procesamiento visual en el cerebro,

0:03:16.595,0:03:19.242
no los ojos en sí.

0:03:19.242,0:03:21.989
La visión empieza en los ojos,

0:03:21.989,0:03:25.507
pero, en realidad, [br]ocurre en nuestro cerebro.

0:03:26.287,0:03:31.347
Durante 15 años, empezando[br]desde mi doctorado en Caltech

0:03:31.347,0:03:34.273
y luego al frente del laboratorio[br]Stanford Vision Lab,

0:03:34.273,0:03:38.669
he trabajado con mis mentores,[br]colaboradores y estudiantes

0:03:38.669,0:03:41.558
para enseñar a las computadoras a ver.

0:03:42.438,0:03:44.388
Nuestro campo de investigación se llama

0:03:44.388,0:03:46.878
"visión artificial [br]y aprendizaje automático".

0:03:46.878,0:03:49.830
Es parte del campo de [br]la inteligencia artificial.

0:03:51.000,0:03:56.493
Queremos enseñar a las máquinas[br]a ver tal como nosotros lo hacemos:

0:03:56.493,0:04:01.880
nombrar objetos, identificar personas,[br]inferir la geometría 3D de las cosas,

0:04:01.880,0:04:07.568
entender relaciones, emociones,[br]acciones e intenciones.

0:04:07.568,0:04:13.721
Nosotros tejemos historias completas[br]de la gente, los lugares y las cosas

0:04:13.721,0:04:15.885
simplemente con mirarlas.

0:04:16.954,0:04:22.538
El primer paso hacia esta meta es[br]enseñar a una computadora a ver objetos,

0:04:22.538,0:04:25.906
la unidad básica del mundo visual.

0:04:25.906,0:04:30.340
En términos más simples,[br]imaginen este proceso

0:04:30.340,0:04:33.335
mostrando a las computadoras[br]algunas imágenes de entrenamiento

0:04:33.335,0:04:36.656
de un objeto en particular,[br]digamos gatos,

0:04:36.656,0:04:41.393
y diseñar un modelo que [br]aprenda de estas imágenes.

0:04:41.393,0:04:43.437
¿Qué tan difícil puede ser esto?

0:04:43.437,0:04:47.489
A fin de cuentas, un gato es solo [br]un conjunto de formas y colores,

0:04:47.489,0:04:51.575
y eso fue lo que hacíamos en los inicios[br]de la modelización de objetos.

0:04:51.575,0:04:53.606
Decíamos al algoritmo[br]de la computadora

0:04:53.606,0:04:55.617
en un lenguaje matemático

0:04:55.617,0:04:58.540
que un gato tiene cara redonda,[br]cuerpo regordete,

0:04:58.540,0:05:00.839
dos orejas puntiagudas[br]y cola larga,

0:05:00.839,0:05:02.249
y así quedaba bien.

0:05:02.859,0:05:04.972
Pero ¿qué me dicen de este gato?

0:05:04.972,0:05:06.063
(Risas)

0:05:06.063,0:05:07.689
Está todo retorcido.

0:05:07.689,0:05:12.408
Se debe agregar otra figura y otra [br]perspectiva al modelo del objeto.

0:05:12.408,0:05:14.123
¿Y si los gatos están escondidos?

0:05:15.143,0:05:17.362
¿Qué tal estos gatos tontos?

0:05:19.112,0:05:21.529
Ahora entienden mi idea.

0:05:21.529,0:05:24.896
Incluso algo tan simple[br]como una mascota

0:05:24.896,0:05:29.400
puede tener un número infinito de [br]variaciones en el modelo del objeto,

0:05:29.400,0:05:31.633
y eso es solo un objeto.

0:05:32.573,0:05:35.065
Así que hace unos 8 años,

0:05:35.065,0:05:40.095
una observación simple y profunda[br]cambió mi perspectiva.

0:05:41.425,0:05:44.110
Nadie le dice al niño cómo ver,

0:05:44.110,0:05:46.371
menos aún en los primeros años.

0:05:46.371,0:05:51.371
Ellos aprenden a través de ejemplos[br]y experiencias del mundo real.

0:05:51.371,0:05:54.111
Si consideramos los ojos de un niño

0:05:54.111,0:05:56.665
como un par de cámaras biológicas,

0:05:56.665,0:06:00.845
toman una foto cada 200 milisegundos,

0:06:00.845,0:06:03.979
el tiempo promedio en que el ojo[br]hace un movimiento.

0:06:03.979,0:06:09.529
Entonces, a los 3 años un niño ha visto[br]cientos de millones de fotografías

0:06:09.529,0:06:11.363
del mundo real.

0:06:11.363,0:06:13.643
Esos son muchos ejemplares[br]de entrenamiento.

0:06:14.383,0:06:20.372
Así que en lugar de enfocarnos[br]solo en mejorar los algoritmos,

0:06:20.372,0:06:25.644
mi intención fue dotar a los algoritmos[br]con los datos de entrenamiento

0:06:25.644,0:06:28.963
que un niño adquiere con la experiencia

0:06:28.963,0:06:32.841
tanto en cantidad como en calidad.

0:06:32.841,0:06:34.699
Al conocer esto

0:06:34.699,0:06:37.670
supimos que necesitábamos recolectar

0:06:37.670,0:06:42.129
muchas más imágenes que nunca,

0:06:42.129,0:06:44.706
tal vez miles de veces más;

0:06:44.706,0:06:48.817
y junto con el profesor Kai Li[br]en la Universidad de Princeton,

0:06:48.817,0:06:53.569
lanzamos el proyecto ImageNet en 2007.

0:06:53.569,0:06:57.407
Por suerte, no tuvimos que ponernos[br]una cámara en la cabeza

0:06:57.407,0:06:59.171
y esperar muchos años.

0:06:59.171,0:07:00.634
Entramos a Internet,

0:07:00.634,0:07:05.070
el banco de imágenes más grande[br]creado por la humanidad.

0:07:05.070,0:07:08.111
Descargamos casi [br]1000 millones de imágenes

0:07:08.111,0:07:13.991
y usamos tecnología de crowdsourcing[br]como la plataforma Amazon Mechanical Turk

0:07:13.991,0:07:16.330
para etiquetar estas imágenes.

0:07:16.330,0:07:21.230
En su mejor momento, ImageNet fue[br]uno de los empleadores más importantes

0:07:21.230,0:07:24.226
de trabajadores en [br]Amazon Mechanical Turk:

0:07:24.226,0:07:28.080
Casi 50 000 trabajadores

0:07:28.080,0:07:32.120
de 167 países del mundo

0:07:32.120,0:07:36.067
nos ayudaron a limpiar,[br]separar y etiquetar

0:07:36.067,0:07:39.642
casi 1000 millones [br]de imágenes candidatas.

0:07:40.612,0:07:43.265
Se necesitó todo ese esfuerzo

0:07:43.265,0:07:47.165
para capturar apenas una fracción[br]de todas las imágenes

0:07:47.165,0:07:51.336
que un niño asimila en sus [br]primeros años de desarrollo.

0:07:52.148,0:07:56.050
Viendo en retrospectiva, [br]esta idea de usar muchos datos

0:07:56.050,0:08:00.600
para entrenar algoritmos[br]puede parecer obvia ahora.

0:08:00.600,0:08:04.710
Sin embargo, en 2007[br]no era tan evidente.

0:08:04.710,0:08:08.588
Estuvimos solos en este viaje[br]por un buen rato.

0:08:08.588,0:08:13.591
Algunos colegas me sugerían[br]hacer algo más útil para mi cátedra,

0:08:13.591,0:08:17.933
y con frecuencia teníamos problemas[br]para conseguir financiamiento.

0:08:17.933,0:08:20.418
Incluso llegué a decir[br]a mis alumnos, como broma,

0:08:20.418,0:08:24.481
que tendría que reabrir mi tintorería [br]para financiar ImageNet.

0:08:24.481,0:08:29.242
Después de todo, así fue como[br]financié mis años de universidad.

0:08:29.242,0:08:31.098
Seguimos adelante.

0:08:31.098,0:08:34.813
En 2009, el proyecto ImageNet juntó

0:08:34.813,0:08:38.855
una base de datos con [br]15 millones de imágenes

0:08:38.855,0:08:43.659
de 22 000 tipos de objetos

0:08:43.659,0:08:46.980
organizados por palabra[br]en inglés de uso cotidiano.

0:08:46.980,0:08:49.906
En cantidad y calidad,

0:08:49.906,0:08:52.878
tuvieron una escala sin precedentes.

0:08:52.878,0:08:56.339
Por ejemplo, en el caso de los gatos,

0:08:56.339,0:08:59.148
tenemos más de 62 000 gatos

0:08:59.148,0:09:03.258
con todo tipo de apariencias y poses

0:09:03.258,0:09:08.481
y todo tipo de gatos[br]domésticos y salvajes.

0:09:08.481,0:09:11.825
Estábamos entusiasmados[br]por haber creado ImageNet

0:09:11.825,0:09:15.563
y queríamos que todo el mundo de [br]la investigación se beneficiara,

0:09:15.563,0:09:19.604
así que, al estilo TED,[br]abrimos toda la base de datos

0:09:19.604,0:09:23.196
a la comunidad mundial de [br]investigadores de forma gratuita.

0:09:24.636,0:09:28.636
(Aplausos)

0:09:29.416,0:09:33.954
Ahora que tenemos los datos para nutrir[br]el cerebro de nuestra computadora,

0:09:33.954,0:09:37.691
estamos listos para volver[br]a los algoritmos.

0:09:37.691,0:09:42.869
La abundancia de información[br]aportada por ImageNet

0:09:42.869,0:09:47.675
fue el complemento perfecto para [br]un tipo particular de algoritmos

0:09:47.675,0:09:50.090
de aprendizaje automático llamado [br]red neuronal convolucional,

0:09:50.090,0:09:55.338
ideado por Kunihiko Fukushima,[br]Geoff Hinton y Yann LeCun

0:09:55.338,0:09:58.983
en los años 70 y 80.

0:09:58.983,0:10:04.602
Como el cerebro que tiene miles de [br]millones de neuronas muy bien conectadas,

0:10:04.602,0:10:08.456
la unidad operativa fundamental[br]en una red neuronal

0:10:08.456,0:10:10.871
es un nodo con forma de neurona.

0:10:10.871,0:10:13.425
Toma datos de otros nodos

0:10:13.425,0:10:16.143
los procesa y los manda[br]a otros nodos.

0:10:16.143,0:10:20.856
Además, estos cientos de miles[br]o incluso millones de nodos

0:10:20.856,0:10:24.083
se organizan en capas jerárquicas,

0:10:24.083,0:10:26.637
algo parecido al cerebro.

0:10:26.637,0:10:29.291
En una red neuronal típica [br]que usamos para entrenar

0:10:29.291,0:10:31.945
nuestro modelo de [br]reconocimiento de objetos

0:10:31.945,0:10:34.601
hay 24 millones de nodos,

0:10:34.601,0:10:37.898
140 millones de parámetros

0:10:37.898,0:10:40.661
y 15 000 millones de conexiones.

0:10:40.661,0:10:43.076
Es un modelo enorme.

0:10:43.076,0:10:46.977
Alimentado por la información [br]masiva de ImageNet

0:10:46.977,0:10:52.410
y las CPUs y GPUs modernas que [br]entrenan este inmenso modelo,

0:10:52.410,0:10:54.779
la red neuronal convolucional

0:10:54.779,0:10:58.215
tuvo un éxito inesperado.

0:10:58.215,0:11:00.723
Se volvió la ingeniería ganadora

0:11:00.723,0:11:06.063
para generar nuevos y emocionantes[br]resultados en reconocimiento de objetos.

0:11:06.063,0:11:08.873
Esta es una computadora que nos dice

0:11:08.873,0:11:11.173
que la foto tiene un gato

0:11:11.173,0:11:13.076
y dónde está el gato.

0:11:13.076,0:11:15.188
Desde luego hay más cosas[br]aparte de los gatos

0:11:15.188,0:11:17.626
así que hay un algoritmo[br]informático que nos dice

0:11:17.626,0:11:20.900
que hay un niño y un oso[br]de peluche en la foto;

0:11:20.900,0:11:25.266
un perro, una persona[br]y un papalote al fondo;

0:11:25.266,0:11:28.401
o una foto de cosas muy ocupadas

0:11:28.401,0:11:33.045
como un hombre, una patineta,[br]un barandal, una lámpara etc.

0:11:33.045,0:11:38.338
A veces, cuando la computadora[br]no está segura de lo que ve,

0:11:39.498,0:11:41.774
le hemos enseñado

0:11:41.774,0:11:45.652
a darnos una respuesta segura[br]en lugar de comprometer su respuesta,

0:11:45.652,0:11:48.463
tal como lo haríamos nosotros.

0:11:48.463,0:11:53.129
Pero otras veces nuestro algoritmo [br]informático es muy acertado al decirnos

0:11:53.129,0:11:55.382
qué son los objetos exactamente,

0:11:55.382,0:11:58.818
como la marca, modelo [br]y año de los coches.

0:11:58.818,0:12:04.204
Aplicamos este algoritmo a millones[br]de imágenes de Google Street View

0:12:04.204,0:12:07.339
de cientos de ciudades[br]de Estados Unidos

0:12:07.339,0:12:10.265
y hemos aprendido algo muy interesante:

0:12:10.265,0:12:13.585
primero, confirmó nuestra idea

0:12:13.585,0:12:16.875
de que los precios de los autos[br]se relacionan bien

0:12:16.875,0:12:19.220
con los ingresos del hogar.

0:12:19.220,0:12:23.747
Pero sorprendentemente, los precios[br]de los autos se relacionan también

0:12:23.747,0:12:26.047
con las tasas de criminalidad[br]en la ciudades

0:12:27.007,0:12:30.970
o los patrones de votación[br]por código postal.

0:12:32.060,0:12:34.266
Un minuto. ¿Eso es todo?

0:12:34.266,0:12:39.419
¿Acaso la computadora ya sobrepasó[br]las capacidades humanas?

0:12:39.419,0:12:41.557
No tan rápido.

0:12:41.557,0:12:46.480
Hasta ahora solo hemos enseñado[br]a la computadora a ver objetos.

0:12:46.480,0:12:51.124
Es como un niño pequeño[br]que aprende a decir palabras.

0:12:51.124,0:12:53.794
Es un logro increíble,

0:12:53.794,0:12:56.254
pero es apenas el primer paso.

0:12:56.254,0:13:00.016
Pronto daremos otro paso

0:13:00.016,0:13:03.477
y los niños empiezan[br]a comunicarse con frases.

0:13:03.477,0:13:07.701
Así que en lugar de decir[br]que hay un gato en la foto,

0:13:07.701,0:13:12.903
la niña ya dice que el gato[br]está sobre la cama.

0:13:12.903,0:13:18.498
Así que para enseñar a una computadora[br]a ver una foto y generar frases

0:13:18.498,0:13:22.446
la conjunción de mucha información[br]y el algoritmo de aprendizaje automático

0:13:22.446,0:13:24.721
debe dar otro paso.

0:13:24.721,0:13:28.877
Ahora, la computadora tiene [br]que aprender de fotografías

0:13:28.877,0:13:31.733
así como de frases en lenguaje natural

0:13:31.733,0:13:35.055
generado por humanos.

0:13:35.055,0:13:38.908
De la forma en que el cerebro [br]integra visión y lenguaje,

0:13:38.908,0:13:44.109
desarrollamos un modelo que [br]conecta partes de cosas visuales

0:13:44.109,0:13:46.013
como fragmentos visuales

0:13:46.013,0:13:50.216
con palabras y frases en oraciones.

0:13:50.216,0:13:52.979
Hace unos 4 meses

0:13:52.979,0:13:55.626
finalmente juntamos todo esto

0:13:55.626,0:13:59.410
y produjimos uno de los primeros[br]modelos de visión artificial

0:13:59.410,0:14:03.404
que puede generar frases[br]como las de un humano

0:14:03.404,0:14:06.910
cuando ve una foto por primera vez.

0:14:06.910,0:14:11.554
Ahora estoy lista para mostrarles[br]lo que dice la computadora

0:14:11.554,0:14:13.529
cuando ve la fotografía

0:14:13.529,0:14:17.359
que la niña vio al inicio de esta charla.

0:14:19.519,0:14:22.863
(Video) Computadora:[br]Un hombre está junto a un elefante.

0:14:24.393,0:14:28.027
Un avión grande está encima[br]de una pista de aeropuerto.

0:14:29.057,0:14:33.269
FFL: Desde luego, seguimos[br]trabajando para mejorar los algoritmos

0:14:33.269,0:14:35.865
y aún tiene mucho que aprender.

0:14:35.865,0:14:38.156
(Aplausos)

0:14:39.556,0:14:42.877
Y la computadora aún comete errores.

0:14:42.877,0:14:46.268
(Video) Computadora: Un gato [br]recostado en la cama en una sábana.

0:14:46.268,0:14:48.821
FFL: Y cuando ha visto[br]demasiados gatos,

0:14:48.821,0:14:51.747
cree que todo lo que ve[br]parece un gato.

0:14:53.317,0:14:56.181
(Video) Computadora: Un niño [br]tiene un bate de béisbol.

0:14:56.181,0:14:57.946
(Risas)

0:14:57.946,0:15:00.578
FFL: O si nunca ha visto[br]un cepillo de dientes,

0:15:00.578,0:15:03.500
lo confunde con un bate de béisbol.

0:15:03.500,0:15:06.743
(Video) Computadora: Un hombre [br]montando un caballo junto a un edificio.

0:15:06.743,0:15:08.766
(Risas)

0:15:08.766,0:15:12.318
FFL: No le hemos enseñado[br]arte elemental a las computadoras.

0:15:13.768,0:15:16.652
(Video) Computadora: Una cebra[br]en un campo de hierba.

0:15:16.652,0:15:20.019
FFL: Y no ha aprendido a apreciar[br]la belleza deslumbrante

0:15:20.019,0:15:22.457
de la naturaleza,[br]como lo hacemos nosotros.

0:15:22.457,0:15:25.289
Así que ha sido un largo camino.

0:15:25.289,0:15:29.515
Pasar de los 0 a los 3 años fue difícil.

0:15:29.515,0:15:35.111
El verdadero reto es llegar [br]a los 13 y mucho más todavía.

0:15:35.111,0:15:39.476
Recordemos nuevamente esta foto[br]del niño y el pastel.

0:15:39.476,0:15:43.540
Hasta ahora, le hemos enseñado[br]a la computadora a ver objetos

0:15:43.540,0:15:47.998
o incluso darnos una pequeña [br]historia cuando ve la foto.

0:15:47.998,0:15:51.574
(Video) Computadora: Una persona sentada[br]a la mesa con un pastel.

0:15:51.574,0:15:54.204
FFL: Pero hay mucho más[br]en esta fotografía

0:15:54.204,0:15:56.474
que simplemente una persona y un pastel.

0:15:56.474,0:16:00.941
Lo que la computadora no ve es que [br]este es un pastel especial italiano

0:16:00.941,0:16:04.158
exclusivo de Pascua.

0:16:04.158,0:16:07.363
El niño viste su camiseta favorita,

0:16:07.363,0:16:11.333
que le regaló su papá[br]tras un viaje a Sídney,

0:16:11.333,0:16:15.141
y nosotros podemos decir[br]qué tan feliz está

0:16:15.141,0:16:18.344
y qué pasa por su mente[br]en ese momento.

0:16:19.214,0:16:22.339
Ese es mi hijo Leo.

0:16:22.339,0:16:24.963
En mi búsqueda de inteligencia visual,

0:16:24.963,0:16:27.354
pienso constantemente en él

0:16:27.354,0:16:30.257
y en el futuro en que va a vivir.

0:16:30.257,0:16:32.278
Cuando las máquinas puedan ver,

0:16:32.278,0:16:36.990
los médicos y enfermeras tendrán[br]un par extra de ojos incansables

0:16:36.990,0:16:41.082
para ayudarlos a diagnosticar[br]y cuidar de los pacientes.

0:16:41.082,0:16:45.465
Los autos andarán de forma[br]inteligente y segura en los caminos.

0:16:45.465,0:16:48.159
Robots, y no solo humanos,

0:16:48.159,0:16:53.008
nos ayudarán a desafiar zonas de desastre[br]para salvar heridos y atrapados.

0:16:53.798,0:16:57.594
Descubriremos nuevas especies,[br]mejores materiales,

0:16:57.594,0:17:02.103
y exploraremos fronteras nunca vistas[br]con ayuda de las máquinas.

0:17:03.113,0:17:07.280
Poco a poco, damos a las máquinas[br]el don de la vista.

0:17:07.280,0:17:10.078
Primero les enseñamos a ver.

0:17:10.078,0:17:12.840
Luego ellas nos ayudarán a ver mejor.

0:17:12.840,0:17:17.006
Por primera vez, los ojos humanos[br]no serán los únicos

0:17:17.006,0:17:19.940
que exploren nuestro mundo.

0:17:19.940,0:17:23.400
No solo usaremos máquinas[br]por su inteligencia,

0:17:23.400,0:17:29.579
también colaboraremos con ellas de [br]formas que ni siquiera imaginamos.

0:17:29.579,0:17:31.740
Esta es mi misión:

0:17:31.740,0:17:34.452
dar a las computadoras [br]inteligencia visual

0:17:34.452,0:17:39.583
y crear un mejor futuro[br]para Leo y para el mundo.

0:17:39.583,0:17:41.394
Gracias.

0:17:41.394,0:17:45.192
(Aplausos)