Resumen del contenido central
El punto de vista principal de este artículo es que la IA actual es buena para hacer predicciones precisas dentro del marco científico existente (como un mapa detallado pero que no proporciona orientación), pero no es capaz de impulsar cambios paradigmáticos, es decir, descubrimientos revolucionarios que puedan reescribir las reglas de la ciencia (como la teoría de la relatividad o la evolución). El artículo advierte que una dependencia excesiva de esta clase de IA conlleva el riesgo de una "ciencia extraordinaria": avanzamos más rápido dentro de los modelos existentes, pero perdemos la capacidad de plantear nuevas preguntas. Para cambiar esto, necesitamos crear una IA "con visión de futuro" que pueda pensar fuera de los marcos establecidos; al mismo tiempo, debemos usar la IA para estudiar cómo funciona la ciencia en sí (meta-ciencia) y crear condiciones que favorezcan el cambio paradigmático.
1. La metáfora del mapa: ¿Por qué la IA no puede generar grandes innovaciones?
El artículo utiliza dos ejemplos de mapas para ilustrar las limitaciones de la IA:
- El mapa perfecto de Borges: un mapa del tamaño de un imperio con detalles al 100% precisos, pero completamente inútil; no puedes usarlo para orientarte. La IA actual es similar a este mapa: se entrena con enormes cantidades de datos (como billones de textos o estructuras proteicas) y puede hacer predicciones precisas dentro del marco existente (por ejemplo, AlphaFold predice el plegamiento de las proteínas), pero no puede "redibujar el mapa".
- La revolución del mapa del metro de Londres: antes de 1933, los mapas del metro estaban dibujados con precisión geográfica; las estaciones del centro de la ciudad estaban aglomeradas mientras que las zonas suburbanas ocupaban mucho espacio, lo que los hacía difíciles de usar. Harry Beck abandonó la precisión geográfica y dibujó el mapa con líneas de colores y estaciones espaciadas uniformemente (como un diagrama eléctrico), lo que lo hizo mucho más claro y útil. Este es un ejemplo de cambio paradigmático, pero la IA no puede hacer lo mismo: no abandona voluntariamente los modelos antiguos para crear estructuras nuevas y más prácticas.
2. "Ciencia extraordinaria": La trampa oculta de la IA
Por "ciencia extraordinaria" se entiende que nuestra capacidad para hacer predicciones dentro de los modelos existentes es cada vez mayor, pero nuestra capacidad para plantear nuevas preguntas disminuye. El artículo da varios ejemplos:
- El caso del cólera: en 1849, durante el brote de cólera en Londres, el médico Farr dibujó un mapa y descubrió que las tasas de mortalidad eran más altas en áreas bajas, lo que atribuyó a la "miasma" (aire nocivo). Si utilizáramos la IA con los datos de Farr, podríamos predecir con precisión dónde ocurriría el próximo brote, pero nunca encontraríamos la causa real: el agua contaminada (el descubrimiento de la teoría bacteriológica de Pasteur lo resolvió más tarde).
- GNoME de DeepMind: encontró 2.2 millones de nuevos materiales, pero la mayoría eran simplemente sustituciones de elementos ya conocidos (por ejemplo, utilizando elementos adyacentes en el períodoico), sin salir del marco antiguo.
- Las limitaciones de la investigación asistida por IA: los estudios muestran que los científicos que utilizan la IA publican más artículos y reciben más citaciones, pero el alcance de sus investigaciones se ha reducido en un 5%; la IA los guía hacia áreas con datos abundantes en lugar de explorar nuevas direcciones.
El riesgo es confundir "más detalles" con una "comprensión más profunda", lo que nos impide ver ideas que podrían cambiar el mundo.
3. Los secretos del cambio paradigmático: ¿Cómo lo logran los humanos?
El artículo utiliza ejemplos de Einstein y Darwin para resumir tres clave para el cambio paradigmático:
- Prioridad a la simplicidad: Einstein reemplazó la compleja teoría del "éter" con dos principios (las leyes físicas son las mismas en todos los sistemas de referencia y la velocidad de la luz es constante); Maxwell unificó el electricismo y el magnetismo con cuatro ecuaciones. Los buenos paradigmas suelen ser simples y pueden explicar muchos fenómenos.
- Analogías interdisciplinarias: Darwin se inspiró en la economía de Malthus (la competencia por los recursos) para desarrollar la teoría de la evolución; Feynman descubrió que el flujo térmico, el movimiento de los fluidos y la electrostática compartían un mismo conjunto de ecuaciones. Las analogías entre campos diferentes pueden aportar perspectivas nuevas.
- El coraje para salir de los marcos: Einstein era un empleado de la oficina de patentes (fuera del círculo académico) y no estaba limitado por las concepciones tradicionales del "éter"; el genio matemático Poincaré, por otro lado, no pudo desarrollar la teoría de la relatividad porque no podía dejar de lado estas ideas.
- Tolerancia a la imperfección: la teoría de la selección natural de Darwin inicialmente carecía de un mecanismo de herencia (propuso la errónea "teoría de la pangénesis"), pero su idea central era lo suficientemente sólida como para que se completara con el descubrimiento de la genética.
4. Cómo crear una IA "con visión de futuro"
Para que la IA pueda impulsar cambios paradigmáticos, el artículo propone varias estrategias:
- Buscar la simplicidad: el sistema AI Feynman utiliza "regresión simbólica" para encontrar las ecuaciones más simples que expliquen los datos y ha descubierto con éxito 100 nuevas ecuaciones de los apuntes de física de Feynman (29 más que otros programas).
- Buscar analogías interdisciplinarias: la IA puede identificar similitudes entre diferentes campos a partir de grandes cantidades de datos (como conectar economía y biología como lo hizo Darwin).
- Combinar experiencias físicas: la IA multimodal (que maneja visión, tacto y movimiento) o los laboratorios autónomos (IA + robots) pueden combinar ideas abstractas con la realidad (como los experimentos mentales que imaginó Einstein de viajar a través de la luz).
- Colaboración humana + IA: los humanos tienen un alcance intermodal (ver, escuchar, tocar, pensar), mientras que la IA puede procesar grandes cantidades de datos; juntos pueden encontrar analogías que la IA por sí sola no podría encontrar.
5. Meta-ciencia: Usar la IA para estudiar "la ciencia en sí"
Para que la IA impulse cambios paradigmáticos, primero debemos entender cómo funciona la ciencia. Esto es lo que se entiende por meta-ciencia:
- Simulación de entornos científicos: no podemos realizar experimentos controlados en laboratorios reales (por ejemplo, comparar si equipos pequeños o grandes son más innovadores), pero la IA puede simular diferentes entornos de investigación (tamaño del equipo, estructura jerárquica, patrones de comunicación) para ver qué condiciones fomentan el cambio paradigmático.
- Lecciones de la experiencia histórica: instituciones como Bell Labs y Xerox PARC lograron descubrimientos revolucionarios porque eran equipos pequeños con sistemas que los incentivaban a realizar investigaciones que parecían inútiles. La IA puede simular estas condiciones para verificar su efectividad.
- Conclusión clave: la IA no llevará automáticamente al cambio paradigmático; debemos diseñar intencionalmente condiciones que favorezcan la innovación (por ejemplo, incentivos institucionales, estructuras de equipos), y la IA puede ayudarnos a encontrar estas condiciones.
Final
El artículo no se opone a la IA, sino que espera que pase de ser una herramienta de predicción a un socio en el proceso de innovación. Para lograr esto, no solo debemos mejorar la tecnología de la IA, sino también usarla para estudiar las leyes fundamentales de la ciencia; después de todo, si queremos que la IA nos ayude a dibujar nuevos mapas, primero necesitamos saber qué tipo de mapas son útiles.