Resumen del contenido central
Esta conversación se centra en AI for Science (AI4S), que utiliza la inteligencia artificial para acelerar la investigación científica. Comienza con las novedades del sector (la partida de Jeff Dean, figura clave de Google, para fundar la empresa AI4S) y analiza en profundidad las bases técnicas que han llevado al auge de AI4S, el papel de la IA en la ciencia, los principales obstáculos, las vías hacia la comercialización y las reflexiones filosóficas subyacentes. El punto central es que AI4S ha entrado en una fase de explosivo crecimiento, pero por ahora aún se basa principalmente en la colaboración con científicos humanos, y falta entre veinte y treinta años para que logre descubrimientos dignos del Premio Nobel de manera autónoma. Los mayores desafíos son la verificación física, el razonamiento causal y la capacidad de abstracción conceptual. La comercialización puede implementarse de manera gradual (por ejemplo, en etapas intermedias del desarrollo de fármacos), lo que a largo plazo impulsará la evolución tanto de la ciencia como de la propia IA.
I. El auge de AI4S: Los principales actores entran en escena; la tecnología ha alcanzado un punto crítico
1. ¿Qué significa la partida de Jeff Dean?
Jeff Dean fue el "alma técnica" de Google (dirigió tecnologías clave como MapReduce, TensorFlow y Gemini). Su fundación de Discovery Loop para AI4S marca el paso de AI4S desde el laboratorio hacia la industrialización. Hay dos razones principales detrás de esto:
- Ajuste de prioridades internas en Google: El progreso del modelo Gemini es más lento que el de OpenAI/Anthropic, y los recursos de la empresa se están orientando hacia aplicaciones comerciales (como agentes inteligentes), lo que ha pospuesto temporalmente la investigación a largo plazo en AI4S.
- Extensión natural de la IA: Después de que la IA maduró en áreas como el código y las matemáticas, el siguiente paso lógico es utilizar estas capacidades para resolver problemas científicos (como el desarrollo de fármacos y el diseño de materiales).
2. ¿Por qué ahora ocurre este auge?
Las capacidades esenciales necesarias para AI4S finalmente están disponibles:
- Capacidad de programación y razonamiento: La IA puede escribir código para analizar datos experimentales y formular hipótesis.
- Ciclos inteligentes: La IA puede crear un ciclo cerrado de "formulación de hipótesis → verificación experimental → optimización basada en la retroalimentación" (por ejemplo, la colaboración entre OpenAI y Ginkgo Bioworks, donde la IA diseña proteínas y robots realizan experimentos automáticamente).
- Adaptabilidad a campos específicos: Áreas como la farmacéutica y los materiales tienen procesos estandarizados y datos abundantes, lo que hace que la IA sea útil (por ejemplo, el largo ciclo y alto costo del desarrollo de fármacos pueden acelerarse con su ayuda).
II. El papel de la IA en la ciencia: ¿asistente o científico independiente?
Actualmente, la IA tiene dos roles en la investigación científica:
1. **Científico colaborador**: Actúa como una herramienta para acelerar el proceso:
La IA ayuda a los científicos humanos a mejorar su eficiencia (por ejemplo, analizando datos experimentales y diseñando planes de experimentos). Esta es la tendencia dominante y puede acortar significativamente los ciclos de investigación, aunque no puede proponer nuevos conceptos científicos por sí misma.
2. **Descubridor autónomo**: La IA puede formular hipótesis nuevas y generar conocimiento (como AlphaFold al predecir estructuras proteicas). Sin embargo, los casos son escasos y generalmente se limitan a combinar información existente (por ejemplo, el movimiento "divino" de AlphaGo fue una combinación de jugadas previamente conocidas, no la creación de nuevas reglas).
III. Los tres principales obstáculos de AI4S: verificación difícil, razonamiento causal débil y falta de capacidad de abstracción
1. **Verificación física**: El mayor reto es la verificación en el mundo real. Aunque los experimentos diseñados por la IA pueden ser útiles (por ejemplo, en el desarrollo de fármacos), su implementación es costosa y lenta (puede llevar años y miles de millones de dólares).
2. **Razonamiento causal**: La IA tiende a confundir correlaciones con causas verdaderas. Por ejemplo, al observar un aumento en las ventas de helado junto con el número de ahogamientos, la IA podría atribuirlo al helado, cuando en realidad es el calor del verano.
3. **Capacidad de abstracción**: Los avances científicos a menudo requieren la creación de conceptos nuevos (como la "fuerza" descubierta por Newton o la teoría de la relatividad de Einstein). La IA puede clasificar elementos similares (por ejemplo, sillas), pero no puede abstraer principios fundamentales (como la gravedad a partir del movimiento de objetos).
IV. La comercialización de AI4S: ¿Se pueden ganar dinero ahora? ¿Se podrán obtener premios Nobel en el futuro?
La comercialización de AI4S se está llevando a cabo de manera gradual, comenzando con etapas intermedias:
1. **Beneficios inmediatos**: Ya se están comercializando servicios que involucran pasos específicos en la investigación científica (por ejemplo, diseñar estructuras moleculares y predecir dianas terapéuticas; empresas como Isomorphic Labs han comercializado tecnologías basadas en AlphaFold).
Estos servicios pueden reducir costos y acortar ciclos, por lo que las compañías farmacéuticas están dispuestas a pagar por ellos.
2. **Logros a largo plazo**: Para que la IA pueda realizar descubrimientos dignos del Nobel de manera autónoma, se deben superar tres obstáculos:
- Verificación física: La automatización de laboratorios (con robots realizando experimentos).
- Razonamiento causal: La IA debe desarrollar modelos del mundo real.
- Capacidad de abstracción: La IA debe adquirir la capacidad de razonar de manera deductiva (desde lo conocido hacia lo desconocido) y inductiva (descubriendo patrones a partir de datos).
3. **Impacto en la sociedad**: Si la IA logra descubrimientos de nivel Nobel, significará que se está acercando al AGI (inteligencia artificial general), lo que cambiaría radicalmente la ciencia y la sociedad:
- El progreso científico se aceleraría exponencialmente.
- El papel humano pasaría de ser investigador a definir problemas, verificar resultados y evaluar su importancia.
V. Preguntas filosóficas: ¿Es la matemática una invención o un descubrimiento? ¿Cuál es la diferencia fundamental entre humanos y IA?
La conversación también aborda cuestiones filosóficas relacionadas con AI4S:
1. **¿Es la matemática una invención humana o una ley del universo?**
Cao Yuan tiende a considerarla una invención, ya que es un sistema lógico creado por los humanos con limitaciones (como el teorema de incompletitud de Gödel), mientras que el universo en sí es coherente y no puede contener verdades imposibles de probar.
2. **Diferencia fundamental entre humanos y IA**:
Los humanos pueden dedicarse a actividades que no tienen aplicaciones inmediatas (matemáticas puras, arte, filosofía), lo que impulsa el avance científico. La IA, por otro lado, solo puede realizar tareas prácticas y no puede comprender conceptos como la belleza o la curiosidad.
3. **¿Necesitan los desarrolladores de IA estudiar filosofía?**
Sí, es necesario. Los problemas fundamentales de la IA (como "¿qué es la inteligencia?" o "cómo entienden los humanos el mundo?) ya han sido objeto de debate en la historia de la filosofía. Por ejemplo, las ideas de Kant sobre la estructura a priori del conocimiento humano son relevantes para la comprensión de modelos del mundo por parte de la IA, al igual que el concepto de "unidad dialéctica" de Hegel para el aprendizaje continuo de la IA.
Conclusión
AI4S representa una nueva dirección importante en el desarrollo de la IA, capaz de acelerar el progreso científico y promover su propia evolución. Sin embargo, todavía hay un largo camino por recorrer antes de que la IA pueda lograr descubrimientos dignos del Nobel de manera autónoma. En este proceso, los humanos deben reflexionar sobre cuál es su verdadero valor: no en lo que la IA puede hacer, sino en lo que solo ellos pueden hacer (definir problemas, juzgar el valor y crear belleza). En un futuro próximo, la IA será una herramienta poderosa, pero la singularidad humana nunca desaparecerá.