MIT: Rakhlin explica cómo deben prepararse las universidades para una IA más inteligente que los propios científicos

La aceleración del progreso de la IA en la ciencia

El director del Centro de Estadística y Análisis de Datos del MIT, Sasha Rakhlin, publicó un ensayo en el que analiza cómo deben prepararse las universidades para un futuro cercano en el que la inteligencia artificial será más inteligente que el ser humano en muchos aspectos del trabajo intelectual. Esta amplia reflexión sintetiza los debates actuales sobre cómo la IA está transformando las matemáticas, la estadística, el aprendizaje automático y la ingeniería, especialmente a nivel de posgrado e investigación.

El ritmo de desarrollo de la IA es asombroso. El año pasado, en matemáticas, un modelo de red neuronal alcanzó el nivel de medalla de oro en la Olimpiada Internacional de Matemáticas. Apenas un año después, los modelos ya producen resultados de investigación originales, incluida una solución propuesta recientemente para uno de los siete Problemas del Milenio. Tareas que antes requerían capacidades matemáticas avanzadas ahora pueden realizarse de forma automática.

Rakhlin señala un factor clave: la velocidad y fiabilidad de la verificación de resultados. Las demostraciones formalizadas pueden verificarse automáticamente, y los programas pueden ejecutarse y probarse. Donde la evaluación es rápida y confiable, los sistemas pueden generar candidatos, aprender de los resultados y mejorar. Esto crea un efecto compuesto: los modelos mejorados participan en la siguiente ronda de desarrollo, acelerando el progreso de forma exponencial. Lo mismo se aplica a la propia investigación en IA: la mejora de los modelos, los procedimientos de entrenamiento y las herramientas auxiliares.

La revalorización de los criterios en el sistema universitario

Para los investigadores experimentados, esto abre la posibilidad de abordar preguntas que antes requerían recursos técnicos inalcanzables. Pero la diferencia entre obtener una solución y entender por qué funciona y qué se puede generalizar a partir de ella se volverá aún más aguda.

El sistema actual de recompensas universitarias necesita repensarse. En un número creciente de campos, un artículo publicado se ha convertido en una señal débil de experiencia individual. Rakhlin advierte: no se puede definir simplemente el valor como «todo aquello que la IA todavía no puede hacer». En su lugar, los departamentos deben valorar más:

• Formular buenas preguntas • La replicación y reproducción de resultados • La síntesis de ideas de diferentes fuentes • Los resultados negativos informativos • Los conjuntos de datos abiertos

La evaluación debe establecer explícitamente qué aportó exactamente el investigador y de qué se responsabiliza intelectualmente, incluidos los casos en que partes significativas del trabajo fueron realizadas por IA. Estas expectativas deben determinar la lógica de la contratación, la promoción y la financiación, y deben formularse con claridad para los estudiantes de posgrado actuales y futuros.

La reconversión es especialmente difícil. Las capacidades intelectuales se desarrollan mediante la práctica. Los cálculos rutinarios, el código, los intentos fallidos y los pequeños descubrimientos ayudaban a los estudiantes a desarrollar intuición y criterio. Si se delega este trabajo en la IA, los estudiantes perderán estas experiencias formativas, aunque la IA les permita emprender proyectos más ambiciosos. Las universidades deben distinguir entre la fricción innecesaria y el trabajo que desarrolla una experiencia real. Los estudiantes deben aprender a formular problemas, verificar los resultados de los modelos, reproducir resultados y defender sus decisiones. El conocimiento fundamental puede volverse aún más valioso como base para el uso competente de estas herramientas.

La infraestructura de la independencia científica

Rakhlin ve una oportunidad real para las universidades: conservar la capacidad de perseguir preguntas en horizontes a largo plazo, compartir resultados abiertamente y verificar afirmaciones de forma independiente. Las asociaciones con la industria son necesarias, pero las prioridades comerciales no abarcarán toda la amplitud de la ciencia y pueden distanciarse de ella con el tiempo. Las universidades necesitan independencia tecnológica.

El activo estratégico más importante del mundo académico es el conocimiento y la experiencia acumulados en los laboratorios. Los artículos publicados son solo una parte del panorama. Los experimentos fallidos, las líneas de investigación abandonadas y las razones por las que un enfoque no funcionó siguen sin publicarse. Los científicos poseen un conocimiento tácito sobre qué intervenciones probablemente no funcionarán y por qué. Este contexto explica por qué la IA actualmente tiene dificultades en algunos campos, especialmente en las ciencias empíricas, para anticipar consecuencias que resultan obvias para un experto. Estas limitaciones pueden ser temporales; si se recopilan resultados negativos e interpretaciones de los científicos, los modelos mejorarán mucho en la exploración científica.

Rakhlin propone una visión: los laboratorios del MIT funcionando como un único organismo científico vivo, conectado mediante una infraestructura de IA compartida para la investigación. Imaginemos a un neurocientífico buscando métodos de segmentación de neuronas en imágenes de microscopía. Un agente de IA reconoce avances relevantes en un grupo de visión artificial, conecta a los investigadores, sugiere puntos de referencia y ayuda a iterar. Podría identificar preguntas sin resolver para estudiantes y profesores, y hacer accesibles a otros laboratorios los resultados de uno de ellos.

Para ello es necesario construir flujos de trabajo que registren hipótesis, intervenciones, resultados, fracasos e interpretaciones. Los sistemas compartidos deben conectar estos flujos de trabajo, permitiendo que los agentes utilicen herramientas e información entre laboratorios con los permisos adecuados. Esto exige importantes inversiones públicas e institucionales en computación, sistemas de datos seguros y experiencia en la adaptación y el ajuste fino de modelos de IA.

Este seguimiento preservaría el linaje de las ideas y facilitaría el reconocimiento de las contribuciones, incluidas las de los estudiantes de posgrado. Con reglas de atribución acordadas, los investigadores podrían colaborar de forma más abierta. Esto también ayudaría a responder a la pregunta sobre cómo reconocer y recompensar las contribuciones intelectuales.

Los sistemas de IA ya sintetizan información procedente de fuentes que superan la capacidad de absorción de cualquier investigador individual, y su capacidad para establecer conexiones útiles seguirá creciendo. Las universidades deben aprovechar este poder para aunar fuerzas frente a problemas científicos y de ingeniería complejos, ayudando a aprovechar las fortalezas e ideas de unos y otros. Rakhlin ve en esto un camino prometedor, pero las universidades deben invertir ahora para hacerlo posible.