Episodio 13 : Algoritmos del Futuro (Leo)

Esto es Framework, un podcast psicoanalítico. ¿Quién sos?

Arrancamos fácil con la primera. Creo, y bueno, como estoy respondiendo sobre mí mismo, espero creer mejor que el resto, pero bueno, por ahí alguien me analiza y cree mejor que yo, pero bueno, en este caso respecto a mí mismo creo que soy alguien que fue mutando a través del tiempo. Entonces creo que sería justo decir quién soy hoy, que hoy me identifico más con una persona que trata de, a nivel de lo que hago cotidianamente, construir en particular productos con tecnología. Hoy soy bastante eso, pero al mismo tiempo soy alguien que está buscando siempre redefinirse. En el pasado he sido otras cosas, he tenido un periodo de músico y me identificaba mucho con la música, con la creatividad, con el arte, más que nada la música, y diría literatura y la filosofía, que podemos pensar qué es, pero bueno, en esos ejes. Después, cuando vine a estudiar a Buenos Aires, me convertí, si querés, más en un estudiante responsable que trataba de aprovechar el privilegio de poder venir a estudiar y no tener que trabajar. Entonces estaba muy enfocado en eso, y ahí tuve variantes. Una variante más vinculada a la ciencia, otra variante más vinculada a la docencia, en ambos casos siempre conociendo mucha gente y tratando de ampliar, si querés, el espectro de para qué estudiar economía, porque yo estudié economía. Después también milité y después, si querés, entré en una faceta más relacionado a identificarme yo mediante el hacer, mediante el hacer en particular en el trabajo, y en paralelo una familia. Entonces diría que la última faceta mía es una mezcla de esas dos cosas, es construir durante mi trabajo cosas que se usen para algo, que sirvan para alguien. Si querés una visión medio productivista. Y después, fuera de eso, básicamente construir una relación con mi pareja y con mi hijo. Así que, y todo eso también abre todo un montón de otras cosas, como por ejemplo vincularse con los padres de los amigos de mi hijo. Así que bueno, pero eso es lo que soy hasta acá. También hay cosas que casi fui, que no llegué a hacer, pero por ejemplo casi fui arquitecto, me encantaba la arquitectura, siempre me gustó mucho la historia, casi fui historiador o algo más vinculado a tal vez incluso la sociología, incluso, pero hay casi aspectos de mí también. El mandato familiar venía más por el lado del derecho, Creo que nunca estuve muy cerca de ser igual abogado, pero tengo varios ahí en la familia. Así que, pero bueno, eso es lo que no llegué a hacer, pero estuvo ahí en la mesa también.

Una especie de work in progress al final del día. O sea, la pregunta tiene mucha, tu respuesta tiene mucha más transitoriedad que la que está implicada en la pregunta al final del día.

Sí, sí, porque Creo que siempre busqué encontrar nuevas cosas que me apasionen. También tiene que ver también con eso. Si querés, desde un punto de vista un poco más amplio, es un repreguntarse constante de qué es la vida, qué quiere uno de la vida, la vida con los demás.

Tomo esto y te pregunto, ¿cuál es el sentido de la vida para vos?

Bueno, yo muy a grandes rasgos soy un creyente, digamos, de que nadie— siempre está esta cuestión de si uno, digamos, perdura en el tiempo con un nombre, con la obra. No, es como que suelen ser esas dos las principales corrientes de como perdurar en la historia de la humanidad, ¿no? Yo creo un poco lo contrario, que es, yo creo que somos todos parte de una cosa extremadamente amplia y que uno con su acción genera implicancias que desconoce. Cuando yo me pienso a mí mismo, lo que soy hoy, pienso en un montón de gente que me marcó en la vida. Obviamente que uno siempre dice los padres, amigos o parejas o lo que sea, o relaciones en particular, pero más allá de eso yo siento que un montón de personas me marcaron en momentos especiales y yo espero también hacer eso hacia otras personas. Entonces Para mí, la vida es una búsqueda.

La vida es una tómbola de noche y de día. La vida es una tómbola y arriba y arriba. La vida es una tómbola de noche y de día. La vida es una tómbola y arriba y arriba.

Y una, si querés, ejecución. De vincularme con los otros de modo, básicamente con la esperanza de vivir todos más, que cada uno encuentre su, si querés, individualidad en lo colectivo que somos. Porque yo creo que perdurar en realidad no perdura nadie. Lo que uno puede pretender es que otros y y uno puedan vivir una mejor vida, cada uno buscando su propia, si querés, individualidad en todo esto que es una sociedad. Pero en definitiva es eso.

¿Cuál es la idea o hecho más sorprendente que leíste o escuchaste en los últimos tiempos?

Bueno, tengo un par. Que ambos son, si querés, tecnológicos. Voy a arrancar con esa faceta, por lo menos. Uno, todo lo que es, por ejemplo, en inteligencia artificial, lo que es la generación de imágenes, que hoy es básicamente escribir lo que vos quieras y se genera una imagen con eso. Arrancó con simplemente un problema donde lo que se trataba era de construir una imagen, pero una imagen de algo real, hasta que alguien, no me acuerdo el ejemplo exacto, pero alguien probó como que te dijera un carpincho con forma de acordeón, algo que no tiene sentido, y se generó, y fue algo completamente inesperado. Entonces no era eso lo que se estaba buscando, pero un poco por la creatividad de la persona que lo estaba probando se encontró que sí funcionaba. Y hoy, bueno, las posibilidades son inimaginables. El ejemplo más famoso, creo, de los primeros que hubo fue el sillón con forma de, de avocado, de palta. Este, ese fue el más famoso de los que arrancaron. Y bueno, desde ahí había una explosión que se ha acelerado a una velocidad que es sorprendente, que para los que trabajamos en esto era inimaginable, o por lo menos más cercano a la imaginación propia de la ciencia ficción, más cerca de un Isaac Asimov que de un científico de este rubro hace 2 años o 3 años, digamos. Eso por un lado. Por otro lado, hay todo otra cosa que a mí me parece fascinante, que es la colaboración internacional que hay respecto a algunas de estas cuestiones y la mezcla entre los ámbitos, el ámbito privado, la academia, lo público, empresas, gente que lo hace desde un laboratorio más informal, etcétera. Una cosa que me encantó fue esta cuestión que hubo alrededor de la búsqueda de los materiales superconductores, que pasó hace unos 6 meses, que hubo un instituto, creo, no me acuerdo exactamente si era de Corea, que decía que había logrado un material superconductor a nivel de presión y temperatura ambiente, y publicó un video medio difuso. Entonces, y una especie de paper sin review. Pero lo interesante fue que en Twitter se empezó a armar un montón de comunidad alrededor de eso para tratar de replicar. Finalmente no, no, no era tan así, no era así. Pero lo interesante fue cómo en este caso la ciencia se difundió extremadamente rápido por Twitter, lo cual es algo No sé, por lo menos inesperado. Y mucho de esto que está pasando en inteligencia artificial hoy se está difundiendo, por ejemplo, por Reddit, por Twitter o por Reddit también. Entonces bueno, es interesante cómo el avance científico en este momento, si querés, excede los ámbitos que por ahí eran tradicionales hace unos años.

En esta sintonía hablaste bastante de tu trabajo, lo que haces, tu trabajo, etcétera. ¿De qué trabajas?

Trabajo en inteligencia artificial. En términos de título sería un manager de ingeniería de inteligencia artificial. En la práctica lo que estoy haciendo es un asistente de voz para restaurantes que trata, intenta tomar el pedido para un restaurante de comida rápida por voz. Y mi trabajo en particular es implementar lo que tiene que ver con el entendimiento del lenguaje natural, es decir, dada una frase cualquiera que diga una persona, interpretar eso como una acción o una serie de acciones que hay que hacer, que al final de todo el camino tienen que ser un carrito de compras o un ticket, digamos, donde vos pediste un combo de alitas de pollo con, no sé, una Coca, por ejemplo.

Gran cantidad de la gente que va a escuchar este podcast, yo no sé quién lo va a escuchar, por ejemplo, estás escuchando vos ahora, no sé qué haces o de qué trabajás o quién sos, pero en general creo que la gran mayoría que escucha este podcast son psicoanalistas, y los psicoanalistas sí tienen algo, que son básicamente analfabetos tecnológicos. En su gran mayoría. Entonces vos hablás de inteligencia artificial y yo pienso en Terminator. Vos hablás de un operador por voz y yo creo que opera por mí. Entonces, ¿qué es esto? O sea, ¿de qué se trata la inteligencia artificial? Trabajar con estas cosas, o sea, ¿qué estás haciendo? O sea, ¿qué se hace? ¿Cómo es un día en tu trabajo? ¿Te despertás a la mañana, te lavás los dientes, hacés caca, cogés, no cogés, no sé, te tomás un coso y vas a trabajar o no vas a trabajar?

O sea, ¿qué se hace?

¿Qué es esto?

Está buena la pregunta. Lo voy a responder primero más, si querés, abstracto, y después más concreto, porque me pareció muy concreto al final de la pregunta. Entonces voy a arrancar más abstracto para hacerte la contra. Dicho mal y pronto, este rubro que ahora se puso de moda, el término inteligencia artificial, pero Yo siempre, mi trabajo fue machine learning. Son algoritmos donde lo que se busca es establecer de manera automática la correlación entre variables, que esto es un poco, a quien por ahí ha estudiado alguna ciencia donde tiene que usar elementos cuantitativos le va a parecer familiar, sobre todo si han trabajado en estadística. Donde uno básicamente trata de hacer algo similar, que es buscar, vamos a decirlo malo y pronto, correlaciones. No son exactamente correlaciones, pero digamos que son correlaciones entre variables cuantitativas. Dentro de las variables después hay distintos tipos de variables, etcétera. Pero bueno, son en principio cosas que se pueden medir. Hay cosas que se pueden medir y vemos cómo se correlacionan. Bueno, ¿qué es el machine learning? El machine learning es una forma, si querés, o un área del conocimiento que se encarga de establecer algoritmos para hacer esa tarea de manera automática. Lo que, por ejemplo, en el comienzo, si querés, de, no sé, vamos a irnos a la época de Galileo, tenían que mirar la posición de la luna, registrarlo día por día, y después mirar, si querés, la secuencia que se formaba e imaginarse alguna teoría que más o menos represente ese movimiento y después ver si la función más o menos calibra con lo que están en los datos. Bueno, hoy tenemos la posibilidad de hacer predicciones sin tener un marco teórico. Eso es lo que trae el machine learning. Entonces es una forma de automáticamente establecer correlación entre variables, o vamos a decirlo así, entre cosas que se pueden medir. Sí, entonces bueno, eso es a grandes rasgos el rubro. Después hay particularidades, hay muchas cosas para decir, pero dentro de esto hay problemas que son de predecir una variable cuantitativa. En ese caso, por ejemplo, no sé, predecir cuánto van a ser las ventas de medias el mes que viene. Eso es un número que, bueno, es un número. Entonces eso se le llama regresión. Después hay otro problema común que es, dado una unidad, si querés, dado un caso, clasificar ese caso entre distintos resultados posibles. Por ejemplo, en esta foto hay un gato o un perro, ¿sí? Entonces bueno, es un gato o un perro, o como hay un gato o un perro pueden ser un empleado, ¿sí? Veo suponete una cámara que registra a la gente que entra a una empresa, puede ser Esta persona puede ser un empleado entre los, no sé, 500 empleados que tenemos o ninguno de esos. Bueno, ahí hay otro problema que no es lo mismo, pero para que se den una idea. En el último tiempo, si querés, el gran, gran cambio es la potencia que tiene esto en lo que respecta al procesamiento del lenguaje natural. Y acá se pone divertida la cosa porque en realidad uno puede pensar cada palabra como un punto en un espacio n-dimensionalidad, de n-dimensionalidad muy grande, donde hay palabras que están más próximas a otras palabras, sí, y se empiezan a formar lo que se llama por ahí espacios semánticos.

Esta, esta n-dimensionalidad podría ser potencialmente infinito dimensionalidad, o n es un número real?

En principio acá todo es finito en alguna medida porque hay algunas restricciones que tienen que ver con, vamos a decirlo así, el tamaño del input, que es básicamente la fuente de información que entra, y también en la salida en general, pero La pregunta es, ¿ese es un tema operativo de que el input es limitado o es un tema formal?

O sea, si existiera la posibilidad de que el input fuera ilimitado, de que fuera infinito en el tiempo, ¿esto implicaría un límite para esta aparente n-dimensionalidad o no? ¿O está limitado? ¿N siempre es un número aunque sea inconmensurable, no infinito.

No me la hiciste fácil, A ver, no, en principio no hay una restricción formal porque también en parte de esto hay algoritmos que son autorregresivos. Entonces uno formalmente puede definir una ventana de análisis pero que autorregresivamente va contemplando todo lo que haya para adelante, digamos. Entonces en principio eso se puede resolver así. Ahora bien, es un problema concreto que hubo en la historia del procesamiento del lenguaje natural, que es: ¿qué haces con las palabras que no viste nunca? Suponete que vos tenés un conjunto de datos de 10,000 millones de palabras, pero eso está entrenado con información de, no sé, España, México y Colombia, y después vas a Chile o Argentina y hablan distinto y te dicen palabras que nunca escuchaste. ¿Qué haces con eso? Bueno, ahí digamos aparecen algunas cuestiones donde en definitiva lo que se trata de hacer es tratar de este nuevo punto, si querés, en el espacio que no lo habías visto nunca, lo tratas de meter en algún lugar porque en definitiva es un continuo, es un espacio continuo. Entonces encontrás la manera de ubicarlo. Y es interesante porque en la historia del procesamiento del lenguaje natural, por ahí algunas de las primeras aproximaciones tenían que ver con correlaciones calculadas muy simplemente. Imagínate una matriz, imagínate tenés un documento donde te fijás para cada palabra qué palabra tiene, no sé, un paso a la izquierda y un paso a la derecha, o un paso a la izquierda. No importa. Entonces lo que haces es contás cuántas veces se aparean cada par de palabras, valga la redundancia. Entonces vos decís el y psico o psicoanalista, el psicoanalista aparece tantas veces, el doctor aparece tanta otra cantidad de veces. Bueno, eso empieza a dar una idea de qué palabras están próximas entre sí. Ahora bien, si hay, por supuesto que si el documento tiene un tamaño distinto vos tenés que normalizar esto, entonces empiezan a aparecer técnicas para normalizar esto por la cantidad de palabras, etcétera. Ahora bien, cuando vos tenés proporciones que son parecidas probablemente tenés sinónimos porque significan algo parecido, ¿no? Porque si vos tenés que estos vectores que se empiezan a formar entre pares de palabras en la matriz son parecidos, Entonces probablemente las palabras significan algo parecido. Entonces ahí empieza a aparecer una idea de sinonimia. Sí, bueno, ahora bien, eso no es lo que se hace hoy. Eso fue el comienzo de todo esto. Hoy lo que tenés son arquitecturas mucho más complejas. Acá ya se empieza a hablar de arquitecturas porque en realidad, y acá me vengo un poco a lo que son las redes neuronales si querés, la red neuronal no es más que vamos a decirlo así, una función donde que puede tener distinta complejidad, pero en un sentido matemático vos tenés, imagínate, una matriz, perdón, un vector, y de salida tenés otro vector. En el medio pasa un montón de operaciones algebraicas de mayor o menor complejidad, lo que vos quieras, pero en definitiva no es más que eso. Y lo que hay son algoritmos y técnicas, un ultracomplejos para aprender los valores de las matrices que están en el medio.

Bueno, ahí me fui un poco por las ramas, pero vos trabajás, o sea, no sé si vos específicamente, pero la gente que trabaja en esto, en esa industria, trabaja en la creación de esos algoritmos.

Ok, ahí voy al trabajo concreto, más o menos, porque la industria misma fue cambiando. Entonces, por ejemplo, a grandes rasgos yo diría que hay como grandes verticales de la industria. Tenés lo que se llama procesamiento del lenguaje natural, lo que se llama speech recognition, que es procesar el audio. Tenés lo que es computer vision, que es procesar las imágenes. Y después tenés problemas más estructurados que Te puedes imaginar un problema bancario como predecir la probabilidad de riesgo, el riesgo que te da un cliente, etcétera. En estas verticales lo que ha tendido a pasar es que mucho del trabajo que anteriormente tenía, vamos a decirlo así, un componente muy fuerte de trabajo manual de diseñar alguna parte de esto, se fue, la verdad es que se fue estandarizando. Entonces hoy hacer algoritmos en esto prácticamente no lo tiene que hacer nadie, solo tiene que hacer quienes están muy, muy, muy en la frontera de esto, probablemente en Google, en OpenAI o algo por el estilo. E incluso en muchos casos el algoritmo en sí es muy parecido, ni siquiera hay grandes cambios en el algoritmo, hay cambios por ahí chicos, pero la arquitectura en sí de la función es la misma y hay optimizaciones en otros aspectos. Lo que por ahí tradicionalmente se tuvo que hacer, sí, en muchos de estos casos tiene que ver con lo que se llama construcción de features o construcción de atributos, que es lo siguiente: cuando vos tenés una unidad de observación, a veces componer algún otro atributo, con algún conocimiento experto que puede tener una persona sobre un dominio en particular, con la información que ya tiene, puede hacer que después el algoritmo ande mejor. Voy a poner un ejemplo: si uno tiene una persona que tiene, por ejemplo, altura y peso, y uno quiere analizar, no sé, la probabilidad de riesgo cardíaco, tal vez el índice de masa corporal sea útil. Entonces, no lo sé, igual estoy hablando sin saber, pero supongamos que tiene que ver. Uno puede calcular el índice de masa corporal y probablemente le ayude si eso tiene señal. Nosotros hablamos de señal. Si eso tiene señal, ayuda al algoritmo a predecir mejor. Ahora, que el algoritmo en sí encuentre el índice de masa corporal por su cuenta es extremadamente complejo. O es mucho más complejo, si querés. Esto depende mucho de qué algoritmo uses y algunas sutilezas, pero de eso se trata el feature engineering, se llama, que es básicamente construir atributos con algún conocimiento experto en el dominio. Eso es una tarea que en algunas industrias sigue siendo necesario, pero por ejemplo en procesamiento del lenguaje natural ya no, o prácticamente ya no, porque Básicamente por la potencia que hoy tienen los recientes, los avances más recientes. En algunos rubros sí todavía sigue haciendo falta. Entonces el trabajo concreto mío hoy tiene más que ver con implementar un algoritmo, con definir, si querés, un proceso para capturar los datos, con definir cómo se va a usar el algoritmo y los datos, y Hoy cada vez uno está más cerca de lo que es el producto final, porque como justamente el problema técnico de entender lo que quiere el usuario se simplificó, uno puede concentrarse más en lo que es definir el producto en sí, que es lo que al usuario le va a llegar. Entonces hoy por hoy mi trabajo está más cerca de la implementación de todo esto que del diseño.

Ahora, esta es una pregunta como usuario. Mis niveles de analfabetismo formal en la realización, o como decís vos, en la arquitectura, que es una forma de acercarte a la arquitectura también, son nulos. Pero utilizando inteligencias artificiales, por ejemplo, pueden captar la ironía, pueden captar cierto grado de cinismo y demás, pero en mi experiencia siguen siendo muy pobres para captar la metáfora, por ejemplo. ¿Por qué? ¿Por qué se puede dar esto? O por ahí yo lo uso mal. O no estoy usando las tecnologías adecuadas.

Bueno, ahí entramos en, si querés, lo que son las— hay un problema que se habló bastante que es el problema de la alineación, que es cómo alineas, cómo orientas a esto que se llaman los Large Language Models, LLMs, alguien lo habrá visto. Para, generalmente, generalmente se habla de esto para que el LLM responda algo que nosotros queremos. Y realmente se habla de esto, si es una amenaza para la humanidad o no, se habla en ese contexto. Pero este también es un contexto de eso, en el sentido de que uno puede orientar, si querés, al LLM a que entienda una cosa u otra. Ahora bien, hay que tener presente acá que Estos algoritmos no fueron entrenados con un conjunto de datos equidistribuido en, vamos a decir, lo que representa a la humanidad, lo que sea que representa a la humanidad. Pues en definitiva se trata un poco de eso, como qué información se usó para esto. Bueno, se sabe que en general la información más abundante de estos son de los países anglosajones. O de otros países de Europa, y mayormente eso. Entonces, de hecho, la información disponible en español, si querés, era bastante poca. Incluso en algún momento uno veía conjuntos de datos de Francia o de Alemania muchísimo más grandes que los de habla hispana, que por lo menos, por, vamos a decir, por representatividad en el conjunto de la población tendría que haber más. Entonces ahí tiene que ver un poco con cómo fue entrenado, diría yo. Y en el entrenamiento en sí tiene distintas etapas, pero dicho mal y pronto, hay ahora ya hay 3 o 4 etapas, pero antes había más bien 2. Pero lo que yo te podría decir es que Si hay algún aspecto del lenguaje que uno necesita que capte, se puede entrenar para eso. No hay en sí una, ¿cómo decirlo?, una limitación intrínseca a esto, sino que simplemente falta información para ese entrenamiento.

O sea, es más como si fuera un niño o un bebé, que no es que no pueda, sino que le falta exposición, digamos.

Sí, absolutamente. Y si vos le das un par de ejemplos de metáforas como contexto, seguramente, y le presentás una metáfora nueva, seguramente entienda que es una metáfora.

Vos hablabas antes del problema de contexto, por ejemplo, palabras que está entrenado en el español de 4 países y llega a un quinto país con ciertos localismos y que el algoritmo aprende por contexto de qué está hablando. Es virtualmente infinita la capacidad de metáfora. O sea, uno podría armar metáforas que incluso otro humano podría no entenderlas. Estamos muy familiarizados con querés venir hoy a la noche a ver Netflix a casa, que es una invitación metafórica a, bueno, hacer bebés, o al menos el trámite para hacer bebés. Pero hay metáforas que pueden ser infinitamente crípticas. Esto sería, digamos, si bien la limitación no existe, se podría potencialmente, aunque no se haga hoy, entrenar una inteligencia artificial para que pueda entender, decodificar, o incluso captar el color metafórico de del enunciado.

Y además te doy un paso más, también le podés pedir cosas que estoy seguro que la mayoría, incluyéndome a mí, no puede hacer. Por ejemplo, si vos le pedís que te haga una poesía sobre X tema donde cada palabra comience con una letra distinta y que tenga una rima determinada, es muy probable que esté bastante cerca de poder hacerlo. En la medida en que vos instruyas lo que querés de manera clara, o en el caso en que no entienda le des ejemplos, los ejemplos son una fuente muy importante para alinear, si querés, el LLM. La verdad es que tiene posibilidades, sí, muy, muy buenas.

¿Y es capaz de abstracción? Por ejemplo, yo le doy en ejemplos, ¿es capaz de poder abstraer la matriz sobre la que esos ejemplos están construidos para poder después generar vectores propios?

Bueno, ahí está la pregunta de en qué medida, ahora ya vamos a otra pregunta que es en qué medida es creativo esto, o en qué medida es original. Creo que es un problema difícil saber en qué medida es algo, algo de lo que hace es original o no, porque está entrenado con tanta pero tanta información que digo, un humano no leyó tanta información en toda su vida como lo que se entrena acá, ¿no? Entonces se usa para entrenar acá. Entonces es difícil incluso la tarea de ver si algo que dice no lo vio antes, ¿no? Esa es una cuestión. Uno puede inventar tareas lo suficientemente rebuscadas como para disminuir la probabilidad de que haya encontrado alguna página de internet que se usó para entrenar, que no sé, como este ejercicio que te decía, una poesía donde cada palabra tengo, comienza con una letra distinta, capaz que alguien en internet ya lo hizo y está ahí hace 10 años y por ahí se extrajo la información de esa página web y se usó para entrenar esto, entonces tal vez no es tan novedoso para el LLM y ahí ya se vuelve difícil saber en qué medida es una abstracción o es algo que vio en algún otro documento ya escrito por un humano, eso ya es un problema técnico de cómo testeas esto.

Eso por un lado.

Y por otro lado, yo creo que sí que aparecen, y acá es un poco el debate de la inteligencia artificial general, que es en qué medida no puede aparecer, de tanto entrenar con tanta, tanta información, algún resultado inesperado de un orden superior. Esto que te decía antes de la generación de imágenes. Generar imágenes de cosas reales es un aspecto. Ahora, generar imágenes de cosas completamente irreales es un aspecto novedoso en alguna medida. Por ejemplo, hasta hace 2 o 3 años en el procesamiento del lenguaje natural uno entrenaba para una tarea específica y generalmente habían dos tipos de tareas, vamos a decir. Una tarea que era simplemente predecir la siguiente palabra, ¿no? Entonces dada una frase uno predice la siguiente palabra y trata de predecir la palabra más probable, y eso te permite generar textos, textos divertidos. Y otra es tratar de resolver alguna tarea muy puntual, por ejemplo hacer un resumen de, no sé, 20 palabras de un texto de, qué sé yo, 300 palabras o 400 palabras. Eso era antes, ¿no? Entonces vos resolvías una tarea específica. Ahora, una de las cosas que se encontró con los LLMs es que básicamente mientras vos le expliques lo que querés, hoy puede resolver virtualmente cualquier tarea que vos puedas explicar. Después hay otros problemas, ¿no? Hay problemas si lo que dice es cierto. Casi siempre parece verdad, ¿no? Pero la pregunta después es si es verdad lo que dice, si resuelve la tarea. Uno de los primeros, por ahí yendo a alguna de las preguntas que hiciste, relacionado a alguna de las preguntas, una de las cosas que más limitaciones le encontró al comienzo tiene que ver con las operaciones aritméticas básicas, tipo sumar era re difícil. Entonces después empezaron a hacer cosas para tratar de mejorar eso, pero Esa fue, si querés, una de las cosas que relativamente más costó, y te digo que todavía más cuesta. Y ahí hay como un nivel de abstracción que no está tan implícito en el lenguaje, o por lo menos no está tan extraído del lenguaje que la humanidad ha publicado en internet, lo que tiene que ver con las operaciones matemáticas, dicho mal y pronto.

En la misma línea, para vos es casi imposible decirlo con cierta certidumbre, pero para vos, ¿cuál sería el futuro de tu profesión, de tu área de trabajo y de estos temas de los que estamos hablando? No te digo el futuro del año que viene, te hablo del futuro, del futuro futuro.

A mí siempre me gustó la jardinería, así que parece que me veo ahí. No, a ver, La verdad es que el trabajo hoy de la persona que trabaja en machine learning, como yo, tiene por un lado su tarea mucho más fácil en alguna medida, porque efectivamente es más fácil hacer cosas que antes eran más difíciles, en particular en el procesamiento del lenguaje natural. Eso por un lado. Por otro lado, eso volvió rentables proyectos que de otro modo no hubiesen sido rentables, con lo cual surgen muchos productos nuevos. Entonces hoy, hoy no sé, y por el próximo, los próximos 2 o 3 años tal vez, hay un montón de inversión que está yendo a este rubro y van a surgir un montón de pequeñas empresas que van a tratar de hacer productos novedosos con esto. Ahora, cuando eso se estabilice, a mí me cuesta ver en principio que haya un montón de futuro. Es como, como si yo te dijera, bueno, los procesadores de texto tipo el Word En algún momento se hicieron, pero una vez que se hicieron, bueno, ¿cuánto laburo nuevo hay para hacer? Y capaz que le ponen, no sé, que ahora la letra esté en negrita, que la letra esté en cursiva, que sea más grande, más chica. Pero una vez que eso más o menos está hecho, más o menos está hecho. O imagínate los buscadores como Google. En un momento hubo una proliferación de buscadores de texto donde finalmente ganó Google Y bueno, Bing ahora está resucitando, pero no es que hay un montón de trabajo relacionado a hacer nuevos buscadores como Google porque ha dominado el mercado. Entonces yo creo que se van a ir ocupando espacios porque hay un abanico muy grande de posibilidades hoy por hoy, pero en algún momento va a pasar el hype, va a pasar el hype y Y va a haber trabajo más chico, creo yo, en lo que respecta al procesamiento del lenguaje natural. Después, lo que ahora se está viniendo, pero hay que ver en qué medida se abarata, en qué medida llega a Latinoamérica, es todo lo que tiene que ver la implementación de esto en robótica. Hay unos avances en robótica que también son enormes, y mezclar robótica con procesamiento del lenguaje natural, con computer vision, con sensores, etcétera, etcétera, va a abrir un montón de posibilidades también. Pero creo que mi profesión en sí se va a tener que ir modificándose con estos vaivenes tecnológicos, que van a ser vaivenes de 2, 3 años, y está cambiando todo muy rápido. Así que, pero esa es la velocidad, digamos. Cada año hay un gran impacto tecnológico y cada 3 años se van a estabilizar nuevos productos, creo yo.

Tengo dos preguntas conjeturales. Una es, ¿te imaginas, si es que estás familiarizado con el tema, algún tipo de macropotencialidad en la aplicación de esto en, por ejemplo, ordenadores cuánticos cuando tengan otro tipo de disponibilidad, y el salto cualitativo que esto podría implicar? ¿O estaríamos más o menos con el mismo limitante aunque tengas una aceleración por hardware mucho mayor? Y número 2, ¿qué pensás si fuera tan siquiera posible? Cuando vos hablabas de las variables cuantitativas o lo que se pueda medir, si fuéramos capaces de utilizar tecnología matemática obsoleta pero vieja, los desarrollos en teoría de las catástrofes de René Thom, que en donde vos podrías, se puede medir cuantitativamente el cambio cualitativo. Cómo esto podría, si se podría alimentar potencialmente, que supongo que sí por lo que dijiste, y si sentís que esto ampliaría sensiblemente el horizonte o estaríamos en la misma dando vueltas con otros colores.

Bueno, voy a arrancar por la primera. Hoy por hoy una de las grandes restricciones, si querés, justamente es la capacidad computacional. De hecho, hay hoy en el mundo una carrera por comprar GPUs. Meta creo que anunció recientemente una inversión de 10,000 millones de dólares en GPUs, y los órdenes de magnitud son esos de inversión.

GPU, para la gente que nos está escuchando, ¿qué es un GPU?

Es una, vamos a decir, una pieza de hardware que es muy eficiente para hacer cómputos simples, que todo esto está basado en cómputos simples, pero muchísimos cómputos simples. Así que digámoslo así, es lo que tienen, son las placas de vídeo que tienen las computadoras para jugar juegos, digamos. Bueno, entonces hoy es un gran limitante y la verdad es que cuando uno ve los avances que hubo de OpenAI en particular, que es el que viene adelantado en esto, que pasó de GPT-2 a GPT-3 a GPT-4, y la verdad que cada uno tuvo, usó más datos y mucho más poder de cómputo que el anterior, además de otras cosas. Ahí hay un debate que es importante, que es todos estos avances se hicieron con la misma arquitectura, esto que hablábamos antes, o una arquitectura muy similar. Se ve que con más datos y más poder de cómputo esto mejora. Y hay un debate, si querés, en la comunidad científica y en la comunidad empresarial también, que es si este avance puede ser infinito o no. El avance infinito, vamos a decir, ahí entramos en el debate de qué es la inteligencia artificial general, que es un debate en sí mismo. Pero hay quienes dicen que se puede alcanzar eso como, si querés, un efecto de segundo orden que se produce por simplemente ir mejorando esta arquitectura con más poder de cómputo. Sí, como si a esta arquitectura le metes más datos, más datos, más datos y más poder de cómputo, más poder de cómputo, en algún momento te sale un bicho consciente, vamos a decirlo así, sí, que es consciente, que puede ser bueno o malo, puede pensar lo que quiera. Y hay otros que dicen que no, que para eso hace falta un cambio científico y radical. Esto tiene que ver, y acá lo describo brevemente, tiene un poco el origen en, como decía antes, en esta arquitectura que es lo siguiente: El algoritmo, dicho mal y pronto, en este caso es: uno pasa una secuencia de texto, ¿sí? Y dado, dada la última ventana de texto, que pueden ser, no sé, 2000 palabras, ¿sí? Las últimas 2000 palabras, uno trata de predecir la siguiente. Si uno aprende a hacer muy bien eso, y después, perdón, después te corres un lugar y volvés a hacer lo mismo. Cuando vos predecís, predecís la palabra más probable, te corres un lugar, predecís la palabra más probable y seguís. Por supuesto es más complejo que esto, pero dicho mal y pronto es eso. Cuando vos te equivocás, cuando estás entrenando este bicho, vos ajustás, digamos, algunos de los pesos que tienen las matrices, esas matrices que hablamos antes en el medio, de una forma muy eficiente y qué sé yo, y en definitiva esa es la tarea que hacés. Ahora, esto tiene algunas limitaciones, que cuando uno como humano, digamos, lo trata de— cuando uno como humano piensa, es común que uno empiece una línea de pensamiento, en el medio la corte, la interrumpa, vuelva para atrás, o salte para otro lugar completamente distinto que no esté relacionado a lo anterior. Después hay debates sobre que el texto en realidad es una fuente de información que tiene poca señal en principio, y que la imagen y el audio tiene una cantidad de— el ancho de banda de la imagen es mucho mayor que el del texto. Eso es lo que dice, por ejemplo, Yann LeCun, que es una de las personas que más está en este debate. Un poco lo que argumenta es necesitamos una arquitectura distinta porque en definitiva hoy las capacidades, vamos a decirlo mal y pronto, cognitivas de estos bichos que tenemos ahora no son mucho mayores que lo de un chico. Sí, de 3 o 4 años, en el mejor de los casos, exceptuando, bueno, algunas cuestiones del lenguaje. Pero en definitiva no hay. Y acá entramos otra vez a qué es la originalidad, qué es construir algo nuevo cuando ya viste tanta, tanta, tanta información. Es un poco, si querés, el problema de Funes el Memorioso, ¿no? ¿Está memorizando? ¿No está memorizando? ¿En qué medida está memorizando? Así que yendo a responderte, sí, los ordenadores cuánticos deberían resolver el problema de la capacidad computacional, no está claro hasta dónde nos lleva eso. Capaz nos lleva recontra lejos, capaz que no. Y después hay aplicaciones de esto que, a ver, todo lo que todos imaginan es tener un asistente personal que te conozca a vos, que aprenda de vos, que aprenda tus gustos, que te acompañe a todos lados, que esté en todos tus dispositivos, en tu celular, en tu televisor, en tu heladera, en tu inodoro, donde vos necesites. Y qué bueno, te acompaño por la vida. De hecho, Tesla ahora lo está metiendo en los autos. Bueno, es un poco el concepto de smart home, pero súper smart y por todos lados. Hasta qué punto eso es útil. Y después hay una serie de trabajos que sí están en serio riesgo, digamos, el trabajo de Todo trabajo que implique una comunicación que sea más o menos estructurada, donde lo más, te diría, lo más en riesgo tiene que ver con lo que es call center, donde hay una comunicación que está casi guionada, ese es el tipo de trabajo que hoy está un poco más en riesgo. Y hay todo un gradiente. Como hay un gradiente, si bien hay trabajos que sí medio que se sabe que es difícil que sobrevivan en la misma cuantía. Pero como hay un gradiente y hay sectores que se van a volver más rentables, o mejor dicho, proyectos nuevos o productos nuevos que se van a volver factibles técnicamente y económicamente, también van a surgir negocios nuevos. En qué medida el neto de eso va a ser positivo no lo sé, y en principio La veo difícil, pero bueno, lo voy a dejar ahí y paso a preguntarte sobre la segunda pregunta que me hiciste. Si me comentas un poco más de la teoría de las catástrofes, a ver si te puedo responder, que no estoy tan familiarizado.

Básicamente, René Thom, matemático francés, lo que inventa es una forma de cuantificar el cambio cualitativo. Por ejemplo, en qué momento un temblor se convierte en terremoto? ¿En qué momento un malestar se convierte en enfermedad o en náusea? Es la posibilidad de ver cuándo, por ejemplo, hay un incremento cuantitativo, ese incremento cuantitativo desencadena un cambio cualitativo. Lo hace fundamentalmente en un libro que se llama Estabilidad estructural y morfogénesis y fue en su momento revolucionario. No se pudo desarrollar mucho en términos técnicos, sí se desarrolló mucho en términos de a qué cosas se puede aplicar esto.

Bueno, respecto a esto, a la teoría de las catástrofes, ahí lo que pienso es que por un lado hay una, al haber un cambio cualitativo, hay algún tipo de, digamos, definición que cambia o algún concepto que es distinto. Pienso en una larva y una mariposa. Uno sabe que uno es distinto del otro y hay un cambio cuantitativo, al menos en la cantidad de días que vivió, vamos a decirlo así, o en otras cosas. Ahí, como humano, uno creo se vale de varias cuestiones, desde la imagen, desde la definición que uno puede hacer semánticamente de algo, ¿no? Es como, dicho de manera diferente, una mezcla de ambas cosas. Yo te puedo describir la diferencia entre, bueno, entre un alarbo y una mariposa. Hay otras diferencias que yo no te podría describir porque no sé, pero las que sí sé creo que puedo hacer una definición diferente, por lo menos creo. En la medida en que eso puede ser capturado semánticamente, me imagino que sí, que el desarrollo en LLMs efectivamente puede captar o puede, si querés, de algún modo ayudar a encontrar eso. Ahora, entiendo que acá estaríamos mezclando dos de estas verticales que dije que eran diferentes, ¿no? Porque desde un lado tenés Por ejemplo, variables cuantitativas. Supongamos que tenés la señal de un terremoto o de un sismo, una vibración, ¿sí? Tenés la señal de eso, pero al mismo tiempo tenés una definición de lo que es un sismo, de lo que es un terremoto. O vamos a decir, ¿cuál es la diferencia entre una brisa y un huracán? ¿Es solamente una cantidad de viento que se desplaza? ¿Por ahí sí o por ahí hay algo más? Si ese algo más lo podemos definir, entonces es algo que entra en el mundo de lo que se puede captar con los LLMs. Ahora, lo que todavía no está hecho es juntar las dos cosas, juntar variables cuantitativas, variables continuas digo, por ejemplo de este lado, con algún tipo de información si querés más definicional del otro, y ni que hablar con imágenes. Recién ahora se está empezando a hacer lo que se llama multimodal, que es mezclar, por ejemplo, imágenes y texto. Pero la tecnología va hacia la mezcla de todo esto, la mezcla de imagen, de texto, de sonido, y el paso siguiente va a ser de otra información, por ejemplo, sí, una variable continua que puede ser, no sé, algún sensor que te mide algo. Va hacia ahí, no está todavía, pero va hacia ahí.

¿Qué aporte sentís que este área, esta galaxia de cosas puede hacerle al psicoanálisis?

Algo que yo creo que para lo que sirve esto, pero que como herramienta está o un en pañales. Es algo, es que permite el diálogo a través de un medio externo y en alguna medida objetivo. Ahora podemos hablar de por qué eso, por qué no es objetivo, pero en definitiva es un tercero que no es nadie que puede ayudar a establecer un diálogo. ¿Por qué digo que es objetivo? Es objetivo porque es un objeto que usamos nosotros, ¿sí? No quiere decir esto que sea incesgado, ¿sí? Que es otra cuestión, y definitivamente no es incesgado. Entonces, algo que para lo que creo que puede ayudar en el análisis y en general en los debates científicos, en particular de cualquier ciencia social, es a estructurar el debate de una manera ordenada, e incluso tal vez a traducir, si querés, definiciones de un marco teórico a otro marco teórico. Eso por un lado. Por otro lado, algo para lo que veo que ha servido mucho y está sirviendo bastante es para llevar a gente que no sabe sobre un aspecto en particular, no sabe nada de un aspecto en particular, llevarla a conocer algo. ¿Sí? No te vas a volver experto en nada en particular, pero sí podés encontrar los fundamentos de un área, al menos de los términos que tenés que conocer de un área. Entonces, como herramienta para guiar un proceso de aprendizaje puede ser útil. Después hay un tercer aspecto que por ahí es más, mucho más herramienta si querés que esto otro, que es básicamente ayudarte a leer textos que son extremadamente extensos. Uno no solo va a leer sino consultar, es una, por supuesto no te lo va a leer, pero es una forma muy eficiente de consultar información porque básicamente si vos cargás información acá y le hacés preguntas sobre eso te puede referenciar a dónde está la respuesta para que vos lo busques. Es, si querés, en ese sentido más una herramienta para guiar la escritura si te estás basando en algo que ya leíste y no querés buscar la página, eso te puede ayudar. Pero yo creo que el aporte más interesante para ciencias sociales en el largo plazo, ¿no? Ya tiene que ver con ayudar a estructurar el debate de un modo más objetivo y menos ideológico. Lo cual es cuestionable lo que estoy diciendo, es muy cuestionable, pero es mi esperanza, vamos a decirlo así.

Esa es mi esperanza, que no es poco al final del día. ¿Cuál es el misterio más hondo que hoy acompaña tu vida?

Bueno, creo que el misterio más hondo en mi caso, o la duda así más profunda Yo pasé por un momento de disfrutar, disfrutar y tener tiempo para disfrutar mucho de aprender, sí, de estudiar, de aprender, de estudiar y hacerlo casi como una tarea casi lúdica, porque disfrutaba mucho. Ahora, como te comentaba, pasé una etapa, si querés, más de hacer. También encuentro mucho placer en hacer. La pregunta que me da es o la duda, el misterio que me queda es si algún día podré volver a eso otro, y si querré volver también. Porque en algún punto, por mucho tiempo, le di mucho valor al aprendizaje académico, porque en definitiva buena parte de la carrera la hice pensando en eso, en encontrar tratar de encontrar respuestas. Y disfrutaba mucho ese camino. Ahora disfruto mucho este otro camino. No sé si podré volver a disfrutar ese camino, aunque después decida no hacerlo. Pero porque también tiene que ver con el valor que uno le da al conocer por el conocer, es decir, al intelecto por por el intelecto en sí. Se juega una cuestión también de valores, ¿qué es lo que uno valora?

¿Qué libro estás leyendo ahora? Estoy leyendo... ¡Ah!

Se me fue el nombre, pero Historia de las Naciones creo que se llama. Es un libro de algo que también me fascina, que son un montón de escritores, cada uno desde un país distinto, donde cada uno habla de su país y de qué forma la identidad de la nación. Y generalmente hablan mucho de la aproximación a la historia de la nación. Son como 40 países en donde distintas personas hablan de su país, y es muy interesante porque uno ve, por ejemplo, la aproximación en China a la historia Hay registros antiquísimos de historiadores en China, y es casi lo contrario a EE.UU., que es un país que nace sin historia, es decir, y reivindicando que no hace falta la historia porque van a construir el futuro, porque están haciendo un método de gobierno nuevo, por ejemplo. Bueno, y así cada país tiene sus propias particularidades. Muy interesante.

¿Qué habría que inventar en el mundo? ¿Qué falta inventar? O sea, ¿qué invento sería necesario? ¿Qué cosa habría que inventar en el mundo?

Y falta inventar la máquina para discutir sin ideología, el mediador. No, a ver, vuelvo un poco al problema, que es un problema: ¿en qué medida el método científico se puede se ejerce, se puede ejecutar cuando uno mira, se mira a sí mismo o mira a otros humanos. Si uno ve, por ejemplo, el avance en la física, o bueno, las ciencias que están, si querés, más pegadas a algo que se puede medir, que no sea humano propiamente, al menos humano, el avance en la capacidad de medición tuvo un correlato en el avance de la ciencia. Y esto, si querés, la inteligencia artificial es un paso más de eso porque es básicamente automatizar el proceso de búsqueda de correlaciones, dicho mal y pronto. Ahora, en la economía por lo menos, y en otras, se mezcla, digamos, la búsqueda, si querés, de un conocimiento nuevo, o vamos a ponerlo más abstracto, la búsqueda de la verdad, con un montón de otras cuestiones que tienen que ver con la vida humana también. Entonces, ¿en qué medida eso es un límite a la ciencia? Bueno, yo creo que hay un límite ahí a la ciencia. No sé en qué medida se puede superar con una máquina. Ahora, si se pudiera superar con una máquina, estaría bueno, sería útil.

Ya casi terminando y dejando que estas ideas cobren la libertad que puedan en la mente de quien nos está escuchando. ¿Qué querías decir o callar y no te pregunté?

En un momento me quedé pensando en otros avances que está trayendo la inteligencia artificial, que no son tan visibles, pero que creo yo van a tener un impacto más grande en la humanidad, que tienen que ver con cómo esto se usa para justamente otras áreas de la ciencia, porque esto surge como algo muy propio de, si querés, de la computación, vamos a decir, la ciencia de la computación, vinculado a lo que es la lingüística, porque en definitiva fue uno de los problemas que se empezó a tratar con esto hace mucho, pero hoy se expandió a otras áreas. Entonces esto se expandió, por ejemplo, recientemente Mucho de esto impulsado por DeepMind, que es una empresa de Google, a la búsqueda de nuevos materiales por un lado. Por otro lado, hace un tiempo resolvieron un problema, o avanzaron mucho en la resolución de un problema que tiene que ver con la estructura tridimensional de las proteínas. Entonces, esto no es algo que, ni que es simplemente para la gente que está en computación, ni es algo que simplemente es para hacer productos que te permiten hacer una imagen de un perrito con sombrero, sino que esto va a llegar y está llegando a otros campos. Y yo creo que va a cambiar fuertemente cómo se hace ciencia y qué es hacer ciencia, por lo menos en otros rubros. Me queda todavía la duda de cómo va a ser en las ciencias sociales, Porque ahí todo esto tiene que ver justamente con la posibilidad de medir cosas, incluso reformular la idea que tenemos de ciencia, o sea, qué entendemos por ciencia.

O sea, no solamente una nueva forma de hacer ciencia, sino una nueva ciencia para hacer.

Y yo creo que esto nos pone delante al menos los límites, los límites de la ciencia como la tenemos, como la conocemos hoy. Veremos qué surge después, pero yo creo que sí, que esto nos va a requerir de un cambio más profundo.

¿Hay algo que me quieras preguntar o no? ¿O para alguna pregunta me quiere hacer para que responda o no responda?

¿Qué piensa un analista como vos de todo esto? ¿Hacia dónde lleva la ciencia del analista?

Bueno, justo uno de los episodios de esta temporada es sobre que el psicoanálisis no es científico. Tendría que escindir la respuesta en dos. Me interesa mucho más como humano que como analista. Como analista creo que las potencialidades de esto son enormes. No pienso que, bueno, es una discusión que hay bastante en el microclima del psicomundo respecto de si las inteligencias artificiales van a terminar reemplazando la tarea del analista. Yo entiendo que no, porque hay una radicalidad. Y en todo caso, si se llegara a hacer esto que el desarrollo de inteligencias artificiales, para usar el nombre que se usa hoy, o lo que, en lo que esto devenga, si se puede reemplazar a los analistas, sería para bien al final del día, dado que hay un, hay un límite en el instrumental que tenemos los analistas, que es que tenemos una personalidad, y que eso es un obstáculo epistemológico para la realización de la tarea. O sea, yo tengo una herramienta súper poderosa que es el psicoanálisis, pero la tiene que implementar un estúpido que tiene miedos, inseguridades, amores, deseos, ideología, etcétera, que se opone todo el tiempo a la realización de la tarea. Podría ser para bien. Ahora, no creo que sea posible porque también lo que se está queriendo investigar es caótico, azaroso y misterioso. Entonces no es medible, no es cuantificable y no es predecible. Cualquiera que esté en una relación de pareja sabe que es impredecible, y cualquiera tenga un hijo chico también sabe que cada día es una quimera. Entonces, al tener estos límites mismos en la implementación de la complejidad de la experiencia emocional, no sé cómo podría implementarse en el contexto que está hoy. Ahora, si esto da un salto hacia otras cosas, adelante. Yo lo, como humano, lo veo apasionante. Y digo, guau, qué cosas que se están inventando, qué cosas son capaces de hacer los humanos. Pero tenerle miedo a esto es como darle miedo a la calculadora hace 50 años. Ahí seguimos haciendo cuentas, seguimos multiplicando y haciendo regla de 3 simple mentalmente, y existen las calculadoras que solucionan un montón de cuestiones.

Te agrego otra pregunta: ¿y a las relaciones sociales?

No tengo tanto conocimiento de este área como para poder decirlo. Y la relación, creo, es un problema tanto de la sociología como de la economía, que no contemplan como una variable fundamental la envidia y la voracidad humana, que son aspectos que son absolutamente irracionales. O el fanatismo. Entonces vos podés mediatizar cualquier cosa, podés encontrar la optimización de cualquier conflicto para ser resuelto, pero se encuentra con el obstáculo del fanatismo humano, o de la voracidad, o de la envidia, o incluso de la empatía, del amor y demás, que son absolutamente ineficaces muchas veces para la resolución de cualquier conflicto. No, no sé, no veo yo desde mi ignorancia de las capacidades de esto. Bueno, aparte de lo que estuvimos hablando en todo el episodio de hoy, cuánto se puede esto mediatizar o instrumentalizar utilizando estos sistemas que son casi paralingüísticos. Por último, la persona que respondió antes de vos te dejó una pregunta. Para que respondas. Lo que te quiere preguntar es esto.

No sé, a mí a nivel personal siempre me resulta interesante como que las personas me cuenten sus procesos y como preguntarle cómo es su proceso para encontrarle el sentido a su vida. O sea, si ya lo encontró, qué, qué, cómo vive esa búsqueda de sentido a nivel personal? Muy bien, en general creo que yo tiendo o trato de mirar para adelante, no sé si por ansioso o qué, pero... y eso para mí cumple, si querés, un rol doble. Por un lado proyectar e imaginar posibles caminos. Y por otro, también sirve como alerta de hacia dónde voy. Entonces diría un poco eso, soy una persona que está muy en el presente, pero fantaseo mucho con el futuro, con proyectos, me lo tomo como un juego. Y bueno, y a veces cuando siento que alguno tiene sentido, bueno, encaro ese proyecto. Pero diría así, estando mucho en el presente pero jugando mucho al futuro.

Finalmente, déjame una pregunta para la persona que responda después de vos, algo que te gustaría que respondiera.

¿Qué limitación en vos mismo o vos misma sentís que tenés o que tuviste Pero que has logrado enfrentarlo, por lo menos reconocerla y avanzar sobre eso.

Perfecto. Bueno, hasta aquí hemos llegado. No tengo sino gratitud por destinar tanto tiempo, tanto conocimiento, tanta claridad para transmitir ideas que son a todas luces complejas. Y que están casi en el límite de nuestra capacidad de entendimiento. Para mí fue uno de los episodios más interesantes y más nutritivos, y que creo que tanto para mí como para quienes están escuchando en este momento es una especie de árbol de diana florecido con infinitos modelos que seguramente podamos usar de manera instrumental con nuestros pacientes y también para seguir pensando. Así que voy a decir tu nombre, que no lo dijimos nunca hasta ahora. Cuando te pregunté quién sos, tampoco lo dijiste, Leonardo. Te quería agradecerte, Leo, en serio muchísimo y todo el amor.

Gracias por invitarme, la verdad que la pasé muy bien. Y como siempre, son súper profundos y encontrás el punto justo a las cosas. Así que, salvo cuando no, cuando te pasás del punto justo de las cosas, pero a propósito, lo cual también te agradezco.

Ahí nos requeremos. Gracias, querido. Gracias.