Cerimònia d'investidura de l'enginyer de telecomunicació i matemàtic Oriol Vinyals com a doctor honoris causa per la UPC

Ens plau convidar-vos a la cerimònia d’investidura del Sr. Oriol Vinyals com a doctor honoris causa per la UPC, que tindrà lloc el 26 de novembre a les 12.30 h a l’auditori de l’edifici Vèrtex, al Campus Nord de la UPC.

El Dr. Oriol Vinyals és una de les figures més influents en l’àmbit de la intel·ligència artificial. La seva trajectòria, marcada per l’excel·lència, s’inicia a la nostra universitat, on va cursar la doble titulació d’Enginyeria de Telecomunicació i Matemàtiques dins el Centre de Formació Interdisciplinària Superior (CFIS), en el marc de l’Escola Tècnica Superior d’Enginyeria de Telecomunicació de Barcelona (ETSETB) i de la Facultat de Matemàtiques i Estadística (FME).

Aquesta distinció de doctor honoris causa per la UPC reconeix el talent i la innovació constant, i l'impacte global de la seva recerca. Que un alumni hagi assolit un reconeixement professional i acadèmic d’aquesta magnitud és motiu d’orgull i satisfacció per a la nostra escola. La comunitat ETSETB està convida a assistir als dos actes que es celebraran:

Master Class "From AI to AGI: The Quest for True Intelligence"

The pursuit of Artificial General Intelligence (AGI) has captivated researchers for decades. While the field of AI has made remarkable strides, AGI remains an elusive frontier. This talk examines the evolution of Large Language Models (LLMs) and their potential as stepping stones towards AGI, focusing on Google's groundbreaking Gemini, whilst also zooming into technical details around core developments in the last decade such as transformers and AlphaFold. We'll explore Gemini's unique capabilities, particularly its multimodal understanding and extended context window, which propel it beyond conventional LLMs and bring us closer to bridging the gap between narrow AI and true general intelligence. However, the path to AGI is paved with challenges. This talk will critically analyze limitations hindering progress, including data biases, evaluation complexities, inherent model limitations, pretraining constraints, and the ongoing struggle to effectively fine-tune models post-training.

 Més informació: web del CFIS