“¿Pueden pensar las máquinas?”, se preguntó el famoso matemático, descifrador de códigos e informático Alan Turing hace casi 70 años. Hoy, algunos expertos no tienen dudas de que la inteligencia artificial (IA) pronto podrá llegar a desarrollar el tipo de inteligencia general que tienen los seres humanos. Pero otros sostienen que las máquinas nunca estarán a la altura. Aunque la IA ya puede superar a los humanos en ciertas tareas, al igual que las calculadoras, no se les puede enseñar la creatividad humana.
Al fin y al cabo, nuestro ingenio, que a veces se ve impulsado por la pasión y la intuición más que por la lógica y la evidencia, nos ha permitido realizar descubrimientos espectaculares, desde vacunas hasta partículas fundamentales. ¿Acaso una IA nunca podrá competir? Pues resulta que sí podría. Un artículo publicado recientemente en Nature informa de que una IA ha logrado predecir futuros descubrimientos científicos simplemente extrayendo datos significativos de publicaciones de investigación.
El lenguaje tiene una estrecha relación con el pensamiento y ha moldeado las sociedades humanas, las relaciones y, en última instancia, la inteligencia. Por ello, no es sorprendente que el santo grial de la investigación en IA sea la comprensión plena del lenguaje humano en todos sus matices. El procesamiento del lenguaje natural (PLN), que forma parte de un campo mucho más amplio denominado aprendizaje automático, tiene como objetivo evaluar, extraer y analizar información a partir de datos textuales.
Los niños aprenden interactuando con el mundo que los rodea mediante ensayo y error. Aprender a andar en bicicleta suele implicar algunos golpes y caídas. En otras palabras, cometemos errores y aprendemos de ellos. Así es exactamente como funciona el aprendizaje automático, a veces con algún aporte “educativo” adicional (aprendizaje automático supervisado).
Por ejemplo, una IA puede aprender a reconocer objetos en imágenes construyendo una representación de un objeto a partir de muchos ejemplos individuales. En este caso, una persona debe mostrarle imágenes que contengan o no el objeto. A continuación, el ordenador hace una suposición sobre si el objeto está presente y ajusta su modelo estadístico según la precisión de la suposición, tal como la valora la persona. Sin embargo, también podemos dejar que el programa informático realice por sí solo todo el aprendizaje relevante (aprendizaje automático no supervisado). En este caso, la IA empieza a detectar patrones en los datos de forma automática. En ambos casos, un programa informático necesita encontrar una solución evaluando cuánto se equivoca y, después, intentar ajustarla para minimizar dicho error.
Supongamos que queremos comprender algunas propiedades relacionadas con un material específico. El paso evidente es buscar información en libros, páginas web y cualquier otro recurso adecuado. Sin embargo, esto consume mucho tiempo, ya que puede implicar horas de búsquedas en internet, lectura de artículos y bibliografía especializada. No obstante, el PLN puede ayudarnos. Mediante métodos y técnicas sofisticados, los programas informáticos pueden identificar conceptos, relaciones mutuas, temas generales y propiedades específicas a partir de grandes conjuntos de datos textuales.
En el nuevo estudio, una IA aprendió a recuperar información de la literatura científica mediante aprendizaje no supervisado. Esto tiene implicaciones notables. Hasta ahora, la mayoría de los métodos automatizados existentes basados en PLN son supervisados y requieren la intervención de personas. Aunque supone una mejora frente a un enfoque puramente manual, sigue siendo un trabajo que exige mucha mano de obra.
Sin embargo, en el nuevo estudio, los investigadores crearon un sistema capaz de identificar y extraer información de forma independiente y con precisión. Utilizó técnicas sofisticadas basadas en propiedades estadísticas y geométricas de los datos para identificar nombres químicos, conceptos y estructuras. Se basó en unos 1,5 millones de resúmenes de artículos científicos sobre ciencia de materiales.
Un programa de aprendizaje automático clasificó después las palabras de los datos según características específicas, como “elementos”, “energética” y “aglutinantes”. Por ejemplo, “calor” se clasificó como parte de “energética” y “gas” como “elementos”. Esto ayudó a relacionar ciertos compuestos con tipos de magnetismo y con la similitud con otros materiales, entre otras cosas, ofreciendo una visión de cómo se relacionaban las palabras, sin que fuera necesaria ninguna intervención humana.
Descubrimientos científicos
Este método podría captar relaciones complejas e identificar distintas capas de información, algo prácticamente imposible de realizar para los humanos. Ofreció perspectivas con mucha antelación en comparación con lo que los científicos pueden predecir en la actualidad. De hecho, la IA podría recomendar materiales para aplicaciones funcionales varios años antes de su descubrimiento real. Hubo cinco predicciones de este tipo, todas basadas en artículos publicados antes de 2009. Por ejemplo, la IA logró identificar una sustancia conocida como CsAgGa2Se4as como un material termoeléctrico, que los científicos solo descubrieron en 2012. Así pues, si la IA hubiera existido en 2009, podría haber acelerado el descubrimiento.
Realizó la predicción conectando el compuesto con palabras como “calcogenuro” (material que contiene “elementos calcógenos” como azufre o selenio), “optoelectrónico” (dispositivos electrónicos que generan, detectan y controlan la luz) y “aplicaciones fotovoltaicas”. Muchos materiales termoeléctricos comparten estas propiedades, y la IA lo demostró con rapidez.
Esto sugiere que el conocimiento latente sobre descubrimientos futuros está, en gran medida, incorporado en publicaciones anteriores. Los sistemas de IA son cada vez más independientes. Y no hay nada que temer. Pueden ayudarnos enormemente a navegar por la enorme cantidad de datos e información que generan continuamente las actividades humanas. Pese a las preocupaciones relacionadas con la privacidad y la seguridad, la IA está transformando nuestras sociedades. Creo que nos llevará a tomar mejores decisiones, mejorar nuestra vida diaria y, en última instancia, hacernos más inteligentes.
