Para disgusto de quienes organizan fiestas de verano, el clima es un sistema notoriamente caótico. Pequeños cambios en las precipitaciones, la temperatura, la humedad, la velocidad o la dirección del viento, etc., pueden convertirse en un conjunto de condiciones completamente nuevo en cuestión de unos días. Por eso los pronósticos del tiempo dejan de ser fiables cuando se refieren a más de unos siete días en el futuro, y por eso los picnics necesitan un plan alternativo.
Pero ¿y si pudiéramos comprender un sistema caótico lo bastante bien como para predecir cómo se comportaría dentro de mucho tiempo?
En enero de este año, los científicos hicieron precisamente eso. Usaron el aprendizaje automático para predecir con precisión el resultado de un sistema caóticodurante un período mucho más largo de lo que se creía posible. Y la máquina lo hizo simplemente observando la dinámica del sistema, sin conocer las ecuaciones subyacentes.
Asombro, temor y entusiasmo.
Últimamente nos hemos acostumbrado a las deslumbrantes demostraciones de capacidad de la inteligencia artificial (IA). El año pasado, un programa llamado AlphaZero aprendió por sí solo las reglas del ajedrez desde ceroen aproximadamente un día, y luego venció a los mejores programas de ajedrez del mundo. También aprendió por sí solo a jugar al go desde cero y superó al anterior campeón de silicio, el algoritmo AlphaGo Zero, que había dominado el juego mediante ensayo y error después de que le proporcionaran las reglas.
Muchos de estos algoritmos parten de una tabla rasa de feliz ignorancia y construyen rápidamente su «conocimiento» observando un proceso o jugando contra sí mismos; mejoran en cada paso, miles de veces por segundo. Sus capacidades han inspirado sentimientos diversosde asombro, temor y entusiasmo, y hoy en día oímos a menudo hablar del caos que podrían desataren la humanidad.
Mi preocupación aquí es más sencilla: quiero entender qué significa la IA para el futuro de la «comprensión» en la ciencia.
Si lo predices a la perfección, ¿lo comprendes?
La mayoría de los científicos probablemente estaría de acuerdo en que predecir y comprender no son lo mismo. La razón se encuentra en el mito fundacional de la física y, podría decirse, de toda la ciencia moderna.
Según cuenta la historia, durante más de un milenio la gente usó métodos transmitidos por el matemático grecorromano Ptolomeo para predecir cómo se desplazaban los planetas por el cielo.
Ptolomeo no sabía nada sobre la teoría de la gravedad, ni siquiera que el Sol estaba en el centro del sistema solar. Sus métodos implicaban cálculos arcanos con círculos dentro de círculos dentro de círculos. Aunque predecían bastante bien el movimiento de los planetas, no había comprensiónde por qué funcionaban esos métodos ni de por qué los planetas debían seguir reglas tan complicadas.
Luego llegaron Copérnico, Galileo, Kepler y Newton.
Newton descubrió las ecuaciones diferenciales fundamentales que rigen el movimiento de todos los planetas. Las mismas ecuaciones diferenciales podían usarse para describir cada planeta del sistema solar.
Esto fue claramente positivo, porque ahora comprendíamospor qué se mueven los planetas.
Resolver ecuaciones diferenciales resultó ser una manera más eficiente de predecir el movimiento de los planetas que el algoritmo de Ptolomeo. Aunque quizá más importante, nuestra confianza en este método nos permitió descubrir planetas nuevos que no se habían observado, basándonos en un principio unificador: la ley de la gravitación universalque rige el movimiento de los cohetes, las manzanas que caen, las lunas y las galaxias.
Este esquema básico —hallar un conjunto de ecuaciones que describa un principio unificador— se ha usado una y otra vez con éxito en la física. Así descubrimos el Modelo Estándar, culminación de medio siglo de física de partículas, que describe con precisión la estructura subyacente de cada átomo, núcleo o partícula. Así intentamos comprender la superconductividad de alta temperatura, la materia oscura y los ordenadores cuánticos. (La eficacia irrazonablede este método ha inspirado preguntas sobre por qué el universo parece prestarse de manera tan sorprendente a una descripción matemática.)
En toda la ciencia, podría decirse, la idea de comprender algo siempre remite a este esquema: si puedes reducir un fenómeno complejo a un conjunto sencillo de principios, entonces lo has comprendido.
Excepciones persistentes.
Sin embargo, hay excepciones molestas que empañan este hermoso relato. La turbulencia —una de las razones por las que es difícil predecir el tiempo— es un ejemplo notable en la física. La gran mayoría de los problemas de la biología, con sus intrincadas estructuras anidadas, también se resisten obstinadamente a revelar principios unificadores sencillos.
Aunque no cabe duda de que los átomos y la química —y, por tanto, principios sencillos— subyacen a estos sistemas, describirlos mediante ecuaciones universalmente válidas parece una forma bastante ineficiente de generar predicciones útiles.
Mientras tanto, cada vez resulta más evidente que estos problemas se resolverán fácilmente con métodos de aprendizaje automático.
La IA podría ayudar a identificar nuevos fármacos para tratar bacterias resistentes a los antibióticos, como la Klebsiella, que causa alrededor del 10 por ciento de todas las infecciones hospitalarias en Estados Unidos.
Así como los antiguos griegos buscaban respuestas en el místico oráculo de Delfos, pronto quizá tengamos que recurrir a oráculos de IA para responder muchas de las preguntas más difíciles de la ciencia.
Estos oráculos de IA ya guían a los coches autónomos y las inversiones en bolsa, y pronto predecirán qué fármacos serán eficaces contra una bacteria y qué tiempo hará dentro de dos semanas.
Harán estas predicciones mucho mejor de lo que jamás podríamos hacerlo nosotros, y lo harán sin recurrir a nuestros modelos y ecuaciones matemáticos.
No es inconcebible que, con datos de miles de millones de colisiones en el Gran Colisionador de Hadrones, puedan predecir el resultado de un experimento de física de partículas mejor incluso que el amado Modelo Estándar de los físicos.
Al igual que las declaraciones inescrutables de las sacerdotisas de Delfos, es poco probable que nuestros oráculos de IA puedan explicar por quépredicen lo que predicen. Sus resultados se basarán en muchos microsegundos de lo que podría llamarse «experiencia». Se parecen a esa caricatura del campesino sin formación que puede predecir a la perfección hacia dónde cambiará el tiempo, basándose en su experiencia y su intuición.
¿Ciencia sin comprensión?
Las implicaciones de la inteligencia artificial para el proceso de hacer ciencia y para la filosofía de la ciencia podrían ser inmensas.
Por ejemplo, ante predicciones cada vez más impecables, aunque se obtengan mediante métodos que ningún ser humano puede comprender, ¿podemos seguir negando que las máquinas tienen más conocimientos?
Si, de hecho, el objetivo principal de la ciencia es predecir, ¿cómo deberíamos modificar el método científico, el algoritmo que durante siglos nos ha permitido identificar errores y corregirlos?
Si renunciamos a comprender, ¿tiene sentido seguir buscando el conocimiento científico tal como lo conocemos?
No tengo las respuestas. Pero, a menos que podamos explicar por qué la ciencia es más que la capacidad de hacer buenas predicciones, pronto los científicos también podrían descubrir que una «IA entrenada podría hacer su trabajo».
