El caudal de datos sin explotar que impulsó la última ola de avances en IA se está agotando, lo que deja a los modelos de IA en un limbo.
Disponemos de la capacidad para crear nuevos datos y conjuntos de datos con los que entrenar modelos, pero persisten obstáculos.
Las empresas y economías que eliminen las barreras para la creación de datos novedosos obtendrán una ventaja competitiva.
Hace una generación, el auge de la World Wide Web dio paso a la era del Big Data y contribuyó a impulsar la revolución de la IA que vemos hoy. Al principio, más datos se traducían en conocimientos más profundos, lo que propició avances en la modelización de riesgos, la publicidad dirigida, la inteligencia empresarial y otras innovaciones basadas en datos. Sin embargo, pese a que los datos del mundo se duplican cada tres o cuatro años, los expertos afirman ahora que los modelos de IA se están quedando sin datos, lo que obstaculizará significativamente su crecimiento y eficacia.
La realidad es que la IA es capaz de ingerir y sintetizar datos más rápido de lo que podemos generar datos «nuevos» que aún no ha visto. Por ejemplo, una vez que la IA ha absorbido todo el conocimiento de un libro de texto científico, no se pueden obtener nuevos conocimientos hasta que se publica una nueva edición. Incluso entonces, la materia es en gran medida la misma, por lo que la expansión del conocimiento de la IA es incremental. Aunque la cantidad de datos aumenta, la falta de variedad y de novedad es lo que frena a la IA.
Al margen de los avances tecnológicos, los grandes modelos de lenguaje (LLM, por sus siglas en inglés), entrenados todos con los mismos datos existentes, acabarán generando los mismos resultados comoditizados. Sin nuevos datos, la IA no puede ayudarnos a resolver desafíos empresariales, científicos y sociales más avanzados.
Esto es especialmente evidente en sectores cuantitativos como el farmacéutico, los servicios financieros o la química, donde las interminables permutaciones posibles —combinaciones de fármacos, condiciones de mercado, estructuras atómicas— superan con creces nuestra capacidad para modelizarlas y extraer nuevos datos y conocimientos. En el pasado, la única forma de lograrlo era realizar experimentos físicos para cada permutación, un proceso imposiblemente lento, prohibitivamente caro o simplemente inviable.
El caudal de datos sin explotar que impulsó la última ola de avances en IA se está agotando, lo que deja a estos modelos de IA, cada vez más potentes, en un limbo. Para desbloquear el verdadero potencial de la IA, necesitamos nuevas fuentes de datos cuantitativos que nos permitan modelizar y explorar el futuro, y no solo analizar el pasado.
La buena noticia es que disponemos de formas de crear nuevos datos «sintéticos».
Cómo podemos generar datos novedosos
La generación rápida de conjuntos de datos novedosos para sistemas de IA complejos puede abordarse de dos formas: mediante la automatización o mediante la computación.
La automatización aprovecha la robótica y los sensores avanzados para realizar experimentos físicos las 24 horas del día. Aunque esto aumenta la producción, desplegar miles de robots de laboratorio no es rentable y priva a los científicos del aprendizaje práctico y de la obtención de conocimientos mediante la experimentación, fundamentales.
La computación combina diversos conjuntos de datos, leyes físicas y modelos computacionales profundos para simular digitalmente sistemas complejos, desde reacciones bioquímicas hasta ecuaciones de tensión mecánica, de forma más precisa, rápida, segura y rentable.
La computación constituye la columna vertebral de los grandes modelos cuantitativos (LQM, por sus siglas en inglés). A diferencia de los LLM, que extrapolan a partir de textos históricos plagados de sesgos, errores y desinformación, los LQM se entrenan con ecuaciones de primeros principios que rigen la física, la química, la biología y otros ámbitos cuantitativos. Estos modelos no solo simulan resultados, sino que también generan explicaciones causales auditables y nuevos datos que no existen en la literatura actual.
El impacto en todos los sectores es considerable. Por ejemplo, en lugar de que el desarrollo de nuevos fármacos requiera décadas de costosa experimentación en laboratorio, los LQM pueden modelizar con rapidez las interacciones farmacológicas, los probables mecanismos de acción o la toxicidad de miles de posibles candidatos de forma simultánea, antes de que comiencen los experimentos de laboratorio. Estos experimentos virtuales hacen que la investigación física sea mucho más precisa y eficiente, y reducen al mínimo las largas y costosas técnicas de descubrimiento de fármacos por ensayo y error. También ayudan a los investigadores a explorar espacios químicos que aún no han sido catalogados o a abordar afecciones complejas e «inabordables» (undruggable) en las que el progreso se ha estancado por la falta de nuevos datos.
Datos sintéticos para un nuevo ecosistema de innovación
Aunque esta capacidad para generar datos sintéticos es transformadora, su impacto depende de un ecosistema de innovación más amplio. Hoy en día, los conjuntos de datos esenciales necesarios para los avances médicos o industriales pueden ser difíciles de obtener. Esto crea una barrera para la innovación en IA. Sin embargo, ya se está produciendo un cambio.
Los datos para los modelos fundacionales pueden proporcionarse a través de plataformas o de programas específicos de acceso, lo que hace que las capacidades de IA revolucionarias sean más accesibles para un público amplio sin comprometer la propiedad intelectual ni las normas de privacidad, gobernanza y seguridad de los datos. El coste y la experiencia necesarios para desarrollar estos modelos siguen siendo considerables, pero el acceso basado en plataformas democratiza la participación y permite que la inteligencia colectiva prospere.
Por ejemplo, compartir recursos de datos como poblaciones de pacientes virtuales o combinaciones de proteína-ligando podría permitir a los investigadores explorar nuevas terapias en ensayos virtuales con antecedentes genéticos más amplios. Este enfoque podría hacer avanzar terapias para afecciones complejas como el cáncer, vacunas contra pandemias mundiales o la medicina personalizada. Modelos similares están surgiendo en los ámbitos de las finanzas, la ciencia de materiales y la energía, y cada uno aprovecha el acceso democratizado para acelerar la resolución de problemas a gran escala.
Generar datos para obtener una ventaja competitiva
La capacidad de generar datos no es solo una ventaja técnica, sino también estratégica. Las empresas o los gobiernos que sepan pasar de los lentos y costosos ciclos de «diseñar-construir-probar» a flujos de trabajo rápidos e iterativos de «simular-refinar-validar» liderarán la transformación de sus sectores o países. Esto es lo que podría suponer en algunas de las industrias más importantes del mundo:
Ciencias de la vida: Los datos de pacientes sintéticos y los modelos virtuales de células pueden reducir considerablemente los plazos y los costes del desarrollo de fármacos y ayudar a predecir los resultados de los ensayos clínicos antes de la inscripción de pacientes.
Finanzas: La simulación de escenarios de mercado complejos permite realizar pruebas de estrés robustas de carteras, yendo más allá de las crisis históricas para prepararse ante riesgos verdaderamente novedosos.
Manufactura: La modelización digital de estructuras atómicas y propiedades físicas puede identificar con mayor rapidez nuevos compuestos, productos químicos, catalizadores o aleaciones, y producir productos superiores que cumplan criterios de rendimiento precisos.
Energía: Convertir el carbono capturado, los materiales de desecho o los subproductos de bajo valor en productos de alto valor mejora la sostenibilidad y crea nuevas fuentes de ingresos. Acelerar la I+D de baterías avanzadas respalda los esfuerzos mundiales de electrificación.
La próxima ola de liderazgo económico y científico impulsado por la IA estará determinada por quienes dominen las metodologías de generación de datos, y no por quienes acumulen conjuntos de datos históricos. Generar datos causales y fiables será la clave para acelerar la innovación en todos los sectores.
Diseñar el futuro centrado en los datos
Nos encontramos ahora en un punto de inflexión: elegir la dependencia de datos históricos finitos o aprovechar las oportunidades que brindan los datos generados. Los líderes empresariales y gubernamentales deben priorizar la inversión en nuevos métodos de generación de datos para crear ecosistemas de IA e industriales más innovadores, competitivos y resilientes. Implementar una arquitectura centrada en los datos es esencial para desbloquear el poder de la inteligencia colectiva de la IA e impulsar los avances futuros.
Los líderes deben liderar esta transición, cultivando el talento, las alianzas y los marcos de trabajo que impulsen a sus organizaciones hacia una nueva era en la que la innovación se alimente no de la escasez de lo observado en el pasado, sino de la abundancia de lo posible en el futuro.
