Al añadir números aleatorios, o “ruido”, a un modelo climático, podemos en realidad hacerlo más preciso a la hora de predecir el tiempo, explica un profesor de investigación de la Universidad de Oxford.
El ruido se introdujo en los modelos meteorológicos y climáticos integrales hace unos 20 años porque puede ayudar a reducir algunos de sus sesgos inherentes.
Los ordenadores consumen enormes cantidades de energía y capacidad de procesamiento para la modelización climática; sin embargo, con la introducción del ruido, su precisión podría aumentar y el coste computacional reducirse, afirma.
Todos tenemos que tomar decisiones difíciles de vez en cuando. La más difícil de mi vida fue si cambiar o no de campo de investigación después de mi doctorado, pasando de la física fundamental a la física climática. Tenía ofertas de trabajo que podían llevarme en cualquiera de las dos direcciones: una para unirme al Grupo de Relatividad y Gravitación de la Universidad de Cambridge, otra para unirme a la Met Office como funcionario científico.
Escribí los pros y los contras de ambas opciones, como se supone que hay que hacer, pero luego no pude decidirme en absoluto. Como el asno de Buridán, no podía moverme ni hacia el fardo de heno ni hacia el cubo de agua. Fue un caso clásico de parálisis por análisis.
Como me estaba volviendo loco, decidí intentar olvidarme del problema durante un par de semanas y seguir con mi vida. En ese intervalo, mi cerebro inconsciente decidió por mí. Un día entré en mi despacho y la respuesta se había vuelto, de algún modo, obvia: cambiaría al estudio del tiempo y el clima.
Más de cuatro décadas después, tomaría de nuevo la misma decisión. Mi carrera gratificante ha incluido el desarrollo de una nueva forma probabilística de predecir el tiempo y el clima que ayuda a las agencias humanitarias y de socorro en desastres a tomar mejores decisiones ante fenómenos meteorológicos extremos. (Este y otros muchos aspectos se describen en mi nuevo libro, The Primacy of Doubt.)
Pero sigo fascinado por lo que ocurría en mi cabeza en aquel entonces, lo que llevó a mi subconsciente a tomar una decisión que cambió mi vida y que mi consciente no podía tomar. ¿Hay algo que comprender aquí no solo sobre cómo tomar decisiones difíciles, sino también sobre cómo los seres humanos dan los saltos de imaginación que nos caracterizan como una especie tan creativa? Creo que la respuesta a ambas preguntas reside en una mejor comprensión del extraordinario poder del ruido.
Superordenadores imprecisos
Pasé de las matemáticas de lápiz y papel de la teoría de la relatividad general de Einstein a ejecutar modelos climáticos complejos en algunos de los superordenadores más grandes del mundo. Sin embargo, por grandes que fueran, nunca eran lo bastante grandes: el sistema climático real es, después de todo, muy complejo.
En los primeros días de mi investigación, bastaba con esperar un par de años para que los superordenadores de gama alta duplicaran su potencia. Era la época en la que los transistores se hacían cada vez más pequeños, lo que permitía meter más en cada microchip. El consiguiente duplicado del rendimiento de los ordenadores con la misma potencia cada par de años se conocía como la ley de Moore.
Sin embargo, solo se puede miniaturizar hasta cierto punto antes de que el transistor empiece a volverse poco fiable en su función clave como interruptor de encendido y apagado. Hoy, con los transistores acercándose al tamaño atómico, prácticamente hemos alcanzado el límite de la ley de Moore. Para lograr más capacidad de cálculo, los fabricantes de ordenadores deben unir cada vez más armarios de computación, cada uno repleto de chips.
Pero hay un problema. Aumentar la capacidad de cálculo de este modo requiere mucha más energía eléctrica: los superordenadores modernos, del tamaño de pistas de tenis, consumen decenas de megavatios. Me parece algo vergonzoso que necesitemos tanta energía para intentar predecir con precisión los efectos del cambio climático.
Por eso me interesé en cómo construir un modelo climático más preciso sin consumir más energía. Y en el centro de todo ello hay una idea que suena contraintuitiva: al añadir números aleatorios, o “ruido”, a un modelo climático, podemos en realidad hacerlo más preciso a la hora de predecir el tiempo.
Un papel constructivo para el ruido
El ruido suele verse como una molestia, algo que hay que minimizar siempre que sea posible. En telecomunicaciones, hablamos de intentar maximizar la “relación señal-ruido” aumentando la señal o reduciendo al máximo el ruido de fondo. Sin embargo, en los sistemas no lineales, el ruido puede ser tu aliado y contribuir realmente a amplificar una señal. (Un sistema no lineal es aquel cuya salida no varía en proporción directa a la entrada. Seguramente te alegrarías mucho de ganar 100 millones de libras en la lotería, pero probablemente no el doble de contento si ganaras 200 millones.)
El ruido puede, por ejemplo, ayudarnos a encontrar el valor máximo de una curva complicada como la de la Figura 1, más abajo. Hay muchas situaciones en las ciencias físicas, biológicas y sociales, así como en la ingeniería, en las que podríamos necesitar encontrar un máximo de este tipo. En mi campo, la meteorología, el proceso de encontrar las mejores condiciones iniciales para una previsión meteorológica global implica identificar el punto máximo de una función meteorológica muy complicada.
Figura 1
Sin embargo, emplear un “algoritmo determinista” para localizar el máximo global normalmente no funciona. Este tipo de algoritmo suele quedarse atascado en un pico local (por ejemplo, en el punto a), porque la curva desciende en ambas direcciones desde allí.
Una solución es utilizar una técnica llamada “recocido simulado” – llamada así por sus similitudes con el (recocido), el tratamiento térmico que modifica las propiedades de los metales. El recocido simulado, que emplea ruido para superar el problema de quedarse atascado en picos locales, se ha utilizado para resolver muchos problemas, incluido el clásico problema del viajante de comercio de encontrar la ruta más corta entre un gran número de ciudades en un mapa.
La Figura 1 muestra una posible ruta para localizar el máximo global de la curva (punto 9) aplicando los siguientes criterios:
Si un punto elegido al azar está más alto que la posición actual en la curva, el nuevo punto siempre se acepta.
Si está más bajo que la posición actual, el punto sugerido no se rechaza necesariamente. Depende de si el nuevo punto está mucho más bajo o solo un poco más bajo.
Sin embargo, la decisión de desplazarse a un nuevo punto también depende de cuánto tiempo lleve en marcha el análisis. Mientras que en las primeras etapas pueden aceptarse puntos aleatorios bastante más bajos que la posición actual, en etapas posteriores solo se aceptan los que están más altos o solo un poco más bajos.
La técnica se llama recocido simulado porque, al principio, como el metal caliente en la fase inicial de enfriamiento, el sistema es maleable y cambiante. Más adelante en el proceso, como el metal frío en la fase final de enfriamiento, es casi rígido e inmutable.
Cómo puede ayudar el ruido a los modelos climáticos
El ruido se introdujo en los modelos meteorológicos y climáticos integrales hace unos 20 años. Una razón clave fue representar la incertidumbre del modelo en nuestras previsiones meteorológicas por conjuntos, pero resultó que añadir ruido también reducía algunos de los sesgos que tenían los modelos, haciéndolos simuladores más precisos del tiempo y el clima.
Por desgracia, estos modelos requieren superordenadores enormes y mucha energía para funcionar. Dividen el mundo en pequeñas celdas de malla, en las que la atmósfera y el océano se consideran constantes, lo cual, por supuesto, no es así. La escala horizontal de una celda típica es de unos 100 km, por lo que una forma de hacer un modelo más preciso es reducir esa distancia a 50 km, 10 km o 1 km. Sin embargo, reducir a la mitad el volumen de una celda aumenta el coste computacional de ejecutar el modelo hasta en un factor de 16, lo que implica que consume mucha más energía.
Aquí, de nuevo, el ruido ofrecía una alternativa atractiva. La propuesta consistía en usarlo para representar las variaciones impredecibles (e inmodelizables) de los procesos climáticos a pequeña escala, como la turbulencia, los sistemas nubosos, los remolinos oceánicos, etc. Yo defendía que añadir ruido podía ser una forma de aumentar la precisión sin tener que asumir el enorme coste computacional de reducir el tamaño de las celdas. Por ejemplo, como ya se ha comprobado, añadir ruido a un modelo climático aumenta la probabilidad de generar huracanes extremos, lo que refleja la posible realidad de un mundo cuyo tiempo se vuelve cada vez más extremo debido al cambio climático.
El hardware informático que usamos para este modelado es intrínsecamente ruidoso: los electrones que viajan por los cables de un ordenador se mueven de forma parcialmente aleatoria debido a su entorno cálido. Esa aleatoriedad se denomina “ruido térmico”. ¿Podríamos ahorrar aún más energía aprovechándola, en lugar de tener que usar software para generar números pseudoaleatorios? Para mí, los superordenadores “imprecisos” de bajo consumo que son intrínsecamente ruidosos parecían una propuesta en la que todos ganan.
Pero no todos mis colegas estaban convencidos. Les incomodaba que los ordenadores pudieran no dar las mismas respuestas de un día para otro. Para intentar convencerlos, empecé a pensar en otros sistemas del mundo real que, debido a la limitada disponibilidad de energía, también utilizan ruido generado dentro de su hardware. Y di con el cerebro humano.
El ruido en el cerebro
Cada segundo del día, solo nuestros ojos envían gigabytes de datos al cerebro. No es muy diferente de la cantidad de datos que produce un modelo climático cada vez que vuelca datos en la memoria.
El cerebro tiene que procesar estos datos y, de algún modo, darles sentido. Si lo hiciera con la potencia de un superordenador, ya sería bastante impresionante. Pero lo hace utilizando una millonésima parte de esa potencia, unos 20 W en lugar de 20 MW, lo que se necesita para encender una bombilla. Esa eficiencia energética es asombrosa. ¿Cómo diablos lo consigue el cerebro?
Un cerebro adulto contiene unos 80 000 millones de neuronas. Cada neurona tiene un largo y delgado cable biológico, el axón, a lo largo del cual se transmiten impulsos eléctricos de un grupo de neuronas al siguiente. Pero estos impulsos, que en conjunto describen la información del cerebro, deben ser amplificados por “transistores” de proteínas situados a intervalos regulares a lo largo de los axones. Sin ellos, la señal se disiparía y se perdería.
La energía para estas amplificaciones procede, en última instancia, de un compuesto orgánico de la sangre llamado ATP (trifosfato de adenosina). Este permite que átomos cargados eléctricamente de sodio y potasio (iones) sean empujados a través de pequeños canales en las paredes de las neuronas, creando voltajes eléctricos que, de forma similar a los de los transistores de silicio, amplifican las señales eléctricas neuronales a medida que recorren los axones.
Con 20 W de potencia repartidos entre decenas de miles de millones de neuronas, los voltajes implicados son diminutos, al igual que los cables axónicos. Y hay indicios de que los axones con un diámetro inferior a aproximadamente 1 micra (que son la mayoría en el cerebro) son susceptibles al ruido. En otras palabras, el cerebro es un sistema ruidoso.
Si este ruido simplemente creara una “niebla mental” poco útil, cabría preguntarse por qué evolucionamos hasta tener tantos axones delgados en la cabeza. De hecho, tener axones más gruesos tiene ventajas: las señales se propagan por ellos más rápido. Si todavía necesitáramos tiempos de reacción rápidos para escapar de los depredadores, los axones delgados serían desventajosos. Sin embargo, desarrollar formas comunitarias de defendernos de los enemigos puede haber reducido la necesidad de reacciones rápidas, lo que llevó a una tendencia evolutiva hacia axones más finos.
Quizá, por casualidad, las mutaciones evolutivas que aumentaron aún más el número de neuronas y redujeron el tamaño de los axones, manteniendo el mismo consumo energético total, hicieron que las neuronas del cerebro fueran más susceptibles al ruido. Y hay pruebas crecientes de que esto tuvo otro efecto notable: favoreció en los seres humanos la capacidad de resolver problemas que requerían saltos de imaginación y creatividad.
¿Quizá solo llegamos a ser verdaderamente Homo sapiens cuando empezó a aparecer un ruido significativo en nuestro cerebro?
Aprovechar el ruido del cerebro
Muchos animales han desarrollado enfoques creativos para resolver problemas, pero en el mundo animal no hay nada comparable a un Shakespeare, un Bach o un Einstein.
¿Cómo llegan los genios creativos a sus ideas? Esta es una cita de Andrew Wiles, quizá el matemático más famoso vivo hoy, sobre la época previa a su célebre demostración del problema matemático (erróneamente) conocido como el Último Teorema de Fermat:
Cuando llegas a un verdadero callejón sin salida, el pensamiento matemático rutinario no te sirve de nada. Antes de llegar a ese tipo de idea nueva, tiene que haber un largo período de enorme concentración en el problema, sin ninguna distracción. Tienes que pensar realmente en nada más que ese problema, concentrarte solo en él. Y entonces paras. [En este punto] parece haber un período de relajación en el que el subconsciente parece tomar el control, y es durante este tiempo cuando surge alguna nueva idea.
El programa Horizon de la BBC desentraña el enfoque novedoso de Andrew Wiles para resolver el teorema de Fermat.
Esta noción parece universal. El premio Nobel de Física Roger Penrose ha hablado de su “momento eureka” al cruzar una calle concurrida con un colega (quizá reflexionando sobre su conversación mientras también vigilaba el tráfico que venía de frente). Para el padre de la teoría del caos Henri Poincaré, fue al subirse a un autobús.
Y no se trata solo de la creatividad en matemáticas y física. El comediante John Cleese, de la famosa Monty Python, plantea más o menos lo mismo sobre la creatividad artística: surge no cuando te concentras intensamente en tu oficio, sino cuando te relajas y dejas que tu mente inconsciente divague.
Por supuesto, no todas las ideas que brotan de tu subconsciente serán momentos eureka. El físico Michael Berry habla de estas ideas subconscientes como si fueran partículas elementales llamadas “claritones”:
En realidad, sí tengo una contribución a la física de partículas… la partícula elemental de la comprensión súbita: el “clariton”. Cualquier científico reconocerá el momento “¡ajá!” cuando se crea esta partícula. Pero hay un problema: con demasiada frecuencia, el clariton de hoy es aniquilado por el “anticlariton” de mañana. Así, muchas de nuestras anotaciones desaparecen bajo un escombro de anticlaritones.
Esto es algo con lo que todos podemos identificarnos: que a la fría luz del día, la mayoría de nuestras ideas “brillantes” del subconsciente quedan aniquiladas por el pensamiento lógico. Solo un número muy, muy, muy pequeño de claritones sobrevive a este proceso. Pero los que sobreviven probablemente sean joyas.
En su célebre libro Pensar rápido, pensar despacio, el psicólogo y premio Nobel Daniel Kahneman describe el cerebro de forma binaria. La mayor parte del tiempo, cuando caminamos, charlamos y miramos alrededor (es decir, cuando hacemos varias cosas a la vez), funciona en un modo que Kahneman llama “sistema 1”, un modo bastante rápido, automático y sin esfuerzo.
En cambio, cuando pensamos intensamente en un problema concreto (haciendo una sola cosa), el cerebro está en el “sistema 2”, más lento, deliberado y lógico. Para realizar un cálculo como 37x13, tenemos que dejar de caminar, dejar de hablar, cerrar los ojos e incluso taparnos los oídos con las manos. No hay posibilidad de hacer multitarea significativa en el sistema 2.
Mi artículo de 2015 con el neurocientífico computacional Michael O’Shea interpretó el sistema 1 como un modo en el que la energía disponible se reparte entre un gran número de neuronas activas, y el sistema 2 como un modo en el que la energía se concentra en un número menor de neuronas activas. Por tanto, la energía por neurona activa es mucho menor en el modo sistema 1, y parece plausible que el cerebro sea más susceptible al ruido en ese estado. Es decir, en situaciones de multitarea, el funcionamiento de cualquiera de las neuronas será el más susceptible a los efectos del ruido en el cerebro.
La imagen de la interacción clariton-anticlariton de Berry parece sugerir un modelo del cerebro en el que el sistema 1, ruidoso, y el sistema 2, determinista, actúan en sinergia. El anticlariton es el análisis lógico que realizamos en el sistema 2, que la mayoría de las veces nos lleva a rechazar nuestras ideas locas del sistema 1.
Pero a veces una de estas ideas resulta no ser tan descabellada.
Esto recuerda a cómo funciona nuestro análisis de recocido simulado (Figura 1). Al principio, podemos encontrar atractivas muchas ideas “locas”. Pero a medida que nos acercamos a localizar la solución óptima, los criterios para aceptar una nueva sugerencia se vuelven más estrictos y exigentes. Ahora, los anticlaritones del sistema 2 aniquilan casi todo lo que los claritones del sistema 1 pueden lanzarles, aunque no del todo, como descubrió Wiles para su gran alivio.
La clave de la creatividad
Si la clave de la creatividad es la sinergia entre el pensamiento ruidoso y el determinista, ¿cuáles son algunas de sus consecuencias?
Por un lado, si no tienes la información de base necesaria, tus capacidades analíticas se agotarán. Por eso Wiles dice que, antes del momento de la intuición, hay que sumergirse en el tema. No vas a tener ideas brillantes que revolucionen la física cuántica si antes no tienes un dominio bastante bueno de la física cuántica.
Pero también necesitas dedicar cada día suficiente tiempo a no hacer prácticamente nada, a relajarte y dejar que tu mente divague. Les digo a mis estudiantes de investigación que, si quieren tener éxito en sus carreras, no deberían pasar cada hora de vigilia frente al portátil o al ordenador de sobremesa. Y cambiarlo por las redes sociales probablemente tampoco ayude, ya que sigues sin hacer realmente multitarea: en cada momento en que estás en las redes sociales, tu atención sigue fija en un asunto concreto.
Pero dar un paseo, salir en bicicleta o pintar un cobertizo probablemente sí ayuda. Personalmente, considero que conducir un coche es una actividad útil para generar nuevas ideas y pensamientos, siempre que no enciendas la radio.
Al tomar decisiones difíciles, esto sugiere que, una vez enumerados todos los pros y los contras, puede ser útil no pensar activamente en el problema durante un tiempo. Creo que esto explica cómo, hace años, finalmente tomé la decisión de cambiar mi línea de investigación, aunque entonces no lo supiera.
Como el sistema 1 del cerebro es tan eficiente energéticamente, lo usamos para tomar la gran mayoría de las numerosas decisiones de nuestra vida diaria (algunos dicen que hasta 35 000), la mayoría de las cuales no son especialmente importantes, como decidir si seguir poniendo un pie delante del otro mientras caminamos hacia la tienda. (Podría, en cambio, detenerme tras cada paso, inspeccionar mi entorno para asegurarme de que ningún depredador va a saltar sobre mí y atacarme, y, a partir de ahí, decidir si doy el siguiente paso.)
Sin embargo, este pensamiento del sistema 1 puede llevarnos a veces a tomar malas decisiones, porque simplemente hemos optado por este modo de bajo consumo y no hemos activado el sistema 2 cuando deberíamos. ¿Cuántas veces nos decimos a posteriori: “¿Por qué no le di más vueltas a tal o cual decisión?”
Por supuesto, si en cambio activáramos el sistema 2 para cada decisión que tuviéramos que tomar, no dispondríamos de tiempo ni energía para hacer todas las demás cosas importantes de nuestra vida diaria (así que es posible que las tiendas hayan cerrado cuando lleguemos).
Desde este punto de vista, no deberíamos considerar que dar respuestas equivocadas a preguntas poco importantes sea una prueba de irracionalidad. Kahneman cita el hecho de que más del 50% de los estudiantes del MIT, Harvard y Princeton dieron la respuesta incorrecta a esta sencilla pregunta —un bate y una pelota cuestan $1.10; el bate cuesta un dólar más que la pelota; ¿cuánto cuesta la pelota?— como prueba de nuestra irracionalidad. La respuesta correcta, si lo piensas bien, es de 5 centavos. Pero el sistema 1 grita diez centavos.
Si nos hicieran esta pregunta bajo pena de muerte, cabría esperar que dedicáramos suficiente reflexión para llegar a la respuesta correcta. Pero si nos la plantearan como parte de un examen anónimo al final de una clase, cuando tenemos cosas mucho más importantes en que invertir tiempo y energía, entonces me inclinaría a considerar irracional dar la respuesta correcta.
Si dispusiéramos de 20 MW para hacer funcionar el cerebro, podríamos dedicar parte de esa energía a resolver problemas sin importancia. Pero solo disponemos de 20 W y debemos utilizarlos con cuidado. Quizá el 50 % de los estudiantes de MIT, Harvard y Princeton que dieron la respuesta equivocada sean, en realidad, los más inteligentes.
Así como un modelo climático con ruido puede producir tipos de tiempo que un modelo sin ruido no puede generar, un cerebro con ruido puede producir ideas que un cerebro sin ruido no puede. Y del mismo modo que estos tipos de tiempo pueden ser huracanes excepcionales, la idea podría llegar a hacerle ganar un Premio Nobel.
Por tanto, si quiere aumentar sus posibilidades de lograr algo extraordinario, le recomiendo dar un paseo por el campo, mirar las nubes, escuchar el canto de los pájaros y pensar en lo que podría cenar.
¿Podrían, entonces, ser creativos los ordenadores?
¿Llegarán algún día los ordenadores a ser tan creativos como Shakespeare, Bach o Einstein? ¿Comprenderán el mundo que nos rodea como lo hacemos nosotros? Stephen Hawking advirtió célebremente de que la IA acabará por dominar y reemplazar a la humanidad.
Sin embargo, el defensor más conocido de la idea de que los ordenadores nunca comprenderán como nosotros es Roger Penrose, antiguo colega de Hawking. Para justificar su postura, Penrose invoca un importante teorema «meta» de las matemáticas conocido como teorema de Gödel, según el cual existen verdades matemáticas que no pueden demostrarse mediante algoritmos deterministas.
Hay una forma sencilla de ilustrar el teorema de Gödel. Supongamos que elaboramos una lista de los teoremas matemáticos más importantes demostrados desde la época de los antiguos griegos. En primer lugar de la lista estaría la demostración de Euclides de que existe un número infinito de números primos, que requiere un paso verdaderamente creativo (multiplicar entre sí los supuestamente finitos números primos y sumar uno). Los matemáticos lo llamarían un «truco», abreviatura de una construcción matemática ingeniosa y concisa.
Pero ¿es útil este truco para demostrar teoremas importantes más abajo en la lista, como la demostración de Pitágoras de que la raíz cuadrada de dos no puede expresarse como el cociente de dos números enteros? Está claro que no; para ese teorema necesitamos otro truco. De hecho, a medida que avanzamos en la lista, se observa que suele hacer falta un truco nuevo para demostrar cada teorema. Parece que no hay fin para la cantidad de trucos que los matemáticos necesitarán para demostrar sus teoremas. Cargar un conjunto determinado de trucos en un ordenador no hará necesariamente que el ordenador sea creativo.
¿Significa esto que los matemáticos pueden respirar tranquilos, sabiendo que los ordenadores no les van a quitar el trabajo? Pues quizá no.
He defendido que necesitamos que los ordenadores sean ruidosos en lugar de totalmente deterministas, “reproducibles bit a bit” . Y el ruido, sobre todo si procede de procesos de mecánica cuántica, rompería los supuestos del teorema de Gödel: un ordenador con ruido no es una máquina algorítmica en el sentido habitual del término.
¿Implica esto que un ordenador con ruido puede ser creativo? Alan Turing, pionero de la máquina de computación de uso general, creía que era posible, sugiriendo que «si se espera que una máquina sea infalible, no puede ser también inteligente». Es decir, si queremos que la máquina sea inteligente, más le vale ser capaz de cometer errores.
Otros podrían argumentar que no hay pruebas de que simplemente añadir ruido convierta en inteligente a una máquina que de otro modo sería torpe, y, tal como están las cosas, estoy de acuerdo. Añadir ruido a un modelo climático no lo convierte automáticamente en un modelo climático inteligente.
Sin embargo, el tipo de interacción sinérgica entre el ruido y el determinismo —la que separa el grano de la paja entre las ideas aleatorias— apenas se ha desarrollado todavía en los códigos informáticos. Quizá podríamos desarrollar un nuevo tipo de modelo de IA que se entrene haciendo que resuelva teoremas matemáticos sencillos mediante el modelo de clariton-anticlariton, planteando conjeturas y comprobando si alguna tiene valor.
Para que esto sea mínimamente viable, el sistema de IA tendría que entrenarse para centrarse en las «conjeturas aleatorias fundamentadas». (Si todas las conjeturas de la máquina fueran no fundamentadas, tardaría una eternidad en avanzar, como esperar a que un grupo de monos escriba las primeras líneas de Hamlet).
Por ejemplo, en el contexto de la demostración de Euclides de que existe un número ilimitado de números primos, ¿podríamos entrenar un sistema de IA de tal forma que una idea aleatoria como «multiplicar entre sí el supuesto número finito de primos y sumar uno» se volviera mucho más probable que la idea aleatoria completamente inútil de «sumar el supuesto número finito de primos y restar seis»? Y si una conjetura concreta resulta especialmente útil, ¿podemos entrenar el sistema de IA para que la siguiente conjetura sea un perfeccionamiento de la anterior?
Si logramos encontrar la manera de hacerlo, podría abrir la modelización a un nivel completamente nuevo, pertinente para todos los campos de estudio. Y al hacerlo, podríamos llegar incluso a alcanzar la llamada «singularidad», momento en que las máquinas tomen el relevo de los humanos. Pero solo cuando los desarrolladores de IA abracen plenamente el papel constructivo del ruido, como parece que hizo el cerebro hace muchos miles de años.
Por ahora, siento la necesidad de dar otro paseo por el campo. Para sacudirme algunas telarañas polvorientas, y quizá sembrar las semillas de otras nuevas y emocionantes.
