Resumen del contenido principal
La partida de Jeff Dean, el alma tecnológica de Google, para fundar la empresa AI for Science con Discovery Loop, marca el inicio de una nueva etapa en la competencia entre los gigantes globales del AI. Hasta ahora, el AI se ha utilizado principalmente como una “máquina de responder preguntas”, pero ahora está evolucionando hacia un “asistente de investigación” capaz de formular hipótesis científicas y diseñar experimentos, e incluso hacia algo similar a un “casi científico”. Este acontecimiento no solo refleja las decisiones tecnológicas de Google, sino que también despierta debates profundos sobre la dirección del desarrollo del AI (la combinación de simbolismo y conectivismo), si el AI puede generar nuevo conocimiento, y si los descubrimientos científicos representan el último paso hacia la inteligencia artificial general (AGI).
I. La partida de Jeff Dean: los “intereses a corto plazo” de Google frente a la “tentación a largo plazo” de AI for Science
¿Quién es Jeff Dean? En pocas palabras, fue el responsable del desarrollo del algoritmo central de búsqueda de Google y más tarde creó TensorFlow, una herramienta utilizada por investigadores de todo el mundo en el campo del AI, equivalente al “energía básica” de esta industria. Su partida se debe a contradicciones en la asignación de recursos internos: Google da prioridad a negocios que generan ingresos rápidamente, como publicidad y servicios en la nube, mientras que AI for Science es un proyecto de inversión alta con ciclos de retorno largos (por ejemplo, el desarrollo de nuevos fármacos puede llevar hasta 10 años). Jeff Dean, deseoso de dedicarse a este objetivo, decidió emprender por su cuenta. Esto demuestra que AI for Science ha pasado de ser un concepto de laboratorio a una área que merece la inversión de grandes empresas.
II. AI for Science: el “nuevo campo de batalla” de los gigantes… ¿Quién podrá hacer que el AI actúe como un “científico”?
Los principales actores del AI mundial están compitiendo por este mercado:
- Google DeepMind: ya ha utilizado AlphaFold para predecir la estructura de proteínas (algo que antes requería años de trabajo humano); ahora está desarrollando tecnologías para diseñar nuevos fármacos con el AI.
- OpenAI: colabora con Microsoft para utilizar GPT-4 y otras herramientas para ayudar a los científicos en la investigación, como buscar información en la literatura y realizar simulaciones experimentales.
- Empresas chinas: como Baidu, que está probando modelos grandes para apoyar la investigación científica, y Alibaba DAMO Academy, que trabaja en predicciones meteorológicas con AI.
¿Por qué todos compiten? Porque AI for Science puede resolver problemas cruciales en la investigación: costos elevados de prueba y error en los experimentos, y volúmenes enormes de datos difíciles de analizar. El AI podría aumentar la eficiencia en diez o incluso cien veces, lo que en el futuro podría dar lugar al desarrollo de nuevos fármacos, materiales y energías con un valor económico inmenso.
III. La evolución del AI: de “responder preguntas” a “realizar investigaciones”
El AI anterior, como ChatGPT, solo podía responder preguntas o resolver problemas matemáticos. Sin embargo, el AI for Science puede hacer algo mucho más importante:
1. Formular hipótesis: analizando grandes cantidades de datos sobre el cáncer, podría sugerir que una mutación genética podría estar relacionada con el cáncer pulmonar.
2. Diseñar experimentos: indicar a los científicos qué pasos deben seguir para verificar una hipótesis y qué instrumentos utilizar.
Esto significa que el AI está evolucionando de ser un “estudiante” a un “asistente de investigación”, e incluso podría convertirse en un “investigador” en el futuro. Por ejemplo, AlphaFold2 de DeepMind no solo puede predecir la estructura de proteínas, sino también diseñar nuevas proteínas (como enzimas capaces de degradar plásticos), marcando el comienzo de la creación de cosas nuevas por parte del AI.
IV. La combinación de tecnologías: simbolismo y conectivismo, clave para que el AI desarrolle investigación científica
Aquí explicamos estos términos en lenguaje sencillo:
- Conectivismo: se refiere a los modelos grandes actuales (como GPT), que aprenden patrones a partir de datos, similarmente a cómo las personas extraen conocimientos de su experiencia.
- Simbolismo: es el enfoque inicial del AI, basado en la creación de reglas (como “si A, entonces B”) para llegar a conclusiones lógicas.
Anteriormente, estos enfoques eran separados, pero el AI for Science necesita combinar ambos: utiliza modelos grandes para procesar datos científicos y luego aplica lógica simbólica para explicar los resultados y determinar qué experimentos realizar a continuación. Por ejemplo, el AI puede encontrar pistas sobre la relación entre un fármaco y una enfermedad a partir de decenas de miles de artículos científicos (conectivismo) y luego usar lógica para deducir cómo ese fármaco podría actuar (simbolismo), lo que hace que sus conclusiones sean tanto basadas en datos como convincentes desde un punto de vista lógico.
V. La pregunta final: ¿Puede el AI convertirse en un “científico” como Newton? ¿Los descubrimientos científicos son el último paso hacia la AGI?
La cuestión más controvertida es si el AI puede generar conocimiento completamente nuevo, como lo hicieron Newton con la gravedad o Einstein con la teoría de la relatividad. Actualmente, el AI aún no puede hacerlo; solo puede combinar conocimientos existentes, pero carece de “intuición” y “creatividad”. Sin embargo, los descubrimientos científicos podrían ser el último paso hacia la AGI: si el AI pudiera formular teorías nuevas y crear conceptos originales como lo hacen los humanos, estaríamos cerca de la inteligencia artificial general. Jeff Dean y otros gigantes están trabajando en esta dirección, y podría haber avances significativos en los próximos 5-10 años.
Conclusión
La partida de Jeff Dean no es un evento aislado; representa una transición del AI de aplicaciones de consumo (como chatbots y recomendaciones de videos) hacia aplicaciones de investigación científica. AI for Science no solo cambiará la forma en que se realiza la investigación, sino que también podría redefinir el concepto de innovación. En el futuro, la colaboración entre científicos y AI será la norma, e incluso el AI podría convertirse en el protagonista de los descubrimientos científicos. Los cambios que experimentaremos como personas serán evidentes: lanzamiento más rápido de nuevos fármacos, avances tecnológicos en energías nuevas y tratamientos médicos más precisos, todos relacionados con el desarrollo de AI for Science.