"Ahora mismo, para controlar la inflación o mejorar el crecimiento económico, necesitamos ayuda." @satyanadella sobre qué ocurre cuando el coste de la inteligencia se acerca a cero. "Cuando miro el mundo, ¿necesitamos más abundancia de algo como inteligencia que pueda impulsar la productividad y el crecimiento económico? Por supuesto." Con la inflación alta y el crecimiento lento, Nadella sostiene que la IA llega en el momento justo: Y señala Stanford Medicine como ejemplo de lo que se vuelve posible cuando la inteligencia se vuelve barata: "Utilizaron un marco multiagente en Foundry para orquestar patología, ensayos clínicos y datos de pacientes — logrando finalmente una mejor reunión de la junta de tumores."

Nada, nada, nada... Luego todo. @ctnzr, vicepresidente de Investigación en Aprendizaje Profundo Aplicado en @NVIDIA, sobre cómo AlexNet transformó el aprendizaje profundo de una idea descartada en el futuro de la IA. "En 2011, las redes neuronales se consideraban ideas antiguas y fracasadas. La gente había pasado toda su carrera intentando que funcionaran. La mayoría creía que el aprendizaje profundo era un desastre, y que la 'IA real' necesitaba matemáticas más complicadas." Entonces todo se dio la vuelta: "AlexNet ocurrió. De repente, la clasificación de imágenes avanzó una década en un año, simplemente entrenando modelos más grandes en conjuntos de datos más grandes con GPUs. Eso cambió todo el campo de la noche a la mañana." Y dentro de NVIDIA, se activó una nueva dirección: "Había estado prototipando convoluciones de GPU. Después de AlexNet, la empresa lo convirtió en cuDNN, nuestra primera biblioteca de software de IA. Era lento... Y luego rápido. Así es como empieza todo palo de hockey."

Bryan Catanzaro (@ctnzr), vicepresidente de Investigación en Aprendizaje Profundo Aplicado en @NVIDIA, en el momento en que se dio cuenta de que las GPUs lo cambiarían todo. "Fui estudiante de posgrado en UC Berkeley en 2005 intentando acelerar los cálculos más importantes del mundo. NVIDIA lanzó CUDA en 2006 y visitó mi laboratorio diciendo: 'Deberías probar esto.'" El avance llegó al instante: "Conecté su GPU a mi ordenador, reescribí el código de entrenamiento de mi vector de soporte en unos 30 minutos, y funcionó un 200× más rápido que mi versión de CPU. Pensé, eso es todo. Esto es mucho más fácil que lo que hacía antes." Ese momento cambió el rumbo de su carrera: "Me di cuenta de que iba a ser posible acelerar drásticamente el aprendizaje automático con GPUs." Bryan se unió a NVIDIA como becario en 2008, cuando todo el grupo de investigación era de solo ~15 personas y la empresa seguía centrada en gráficos. Pero incluso entonces, la visión se estaba formando: "Existía la esperanza de que la computación acelerada, averiguar los cálculos más importantes y construir hardware y software para ganancias del 10× o 100×, transformaría algo más allá de los gráficos." "Creía que eso sería aprendizaje automático e IA. El cálculo necesario para la inteligencia es esencialmente ilimitado, porque la cantidad de inteligencia que necesitamos es esencialmente ilimitada."