IA en Ciencia: por qué las redes neuronales aún no merecen bata blanca

Mira, seamos honestos: mientras entusiastamente discutimos cómo el siguiente modelo de lenguaje escribió código o compuso poesía, las cosas están lejos de ser color de rosa en laboratorios reales. Existe una dirección de moda — IA para Ciencia, o AI4S. Se suponía que debería haber revolucionado nuestra comprensión de la química, la física y la biología. Pero si miras de cerca, los modelos "inteligentes" actuales aún están infinitamente lejos de ser llamados científicos de verdad. Son más como estudiantes muy cultos que memorizaron una biblioteca completa, pero entran en pánico cuando se les pone un tubo de ensayo en la mano.

Todo comenzó con la primera ola, ahora llamada AI4S 1.0. AlphaFold de Google DeepMind se convirtió en la estrella aquí. Brillantemente resolvió la predicción de la estructura de proteínas, y eso realmente fue un avance. Pero aquí está lo complicado: fue una victoria de la fuerza bruta y el reconocimiento de patrones. El modelo encontró patrones en un conjunto de datos masivo que los humanos habían recopilado durante décadas. Eso es genial, pero no es exactamente ciencia en el sentido clásico. La ciencia no es solo encontrar coincidencias — es entender por qué el mundo funciona así y no de otra manera.

El principal problema con los modelos actuales de élite es que viven en un mundo de palabras y píxeles, no de átomos y fuerzas. Los científicos llaman a esto la ausencia de comprensión de "primeros principios". Cuando le pides a la IA que diseñe un nuevo material, comienza a combinar datos que conoce. Pero no siente las leyes de la termodinámica o la mecánica cuántica como lo hace un físico. Como resultado, obtenemos alucinaciones que se ven como artículos científicos pero se desmoronan en el primer intento de verificarlas en la realidad. Los modelos simplemente no pueden razonar dentro de restricciones físicas estrictas.

Ahora mismo la industria está buscando desesperadamente el camino hacia AI4S 2.0. Ya no se trata simplemente de "más datos" o "más GPU". Se trata de cambiar la arquitectura fundamental del pensamiento de las máquinas. Necesitamos lo que China llama "inteligencia científica" — sistemas con leyes físicas integradas desde el principio. Imagina una red neuronal que no puede producir una respuesta que viole la ley de conservación de la energía simplemente porque su estructura matemática no lo permite. Este es un cambio fundamental de adivinanza probabilística a razonamiento deductivo.

Además, la verdadera ciencia requiere autonomía. Nos estamos moviendo hacia el concepto de "laboratorios cerrados", donde la IA no solo aconseja sino que planifica el experimento en sí, controla manipuladores robóticos y, lo que es más importante, corrige su teoría basándose en los fracasos obtenidos. Los LLM actuales odian equivocarse — intentan complacer al usuario. Un verdadero científico sabe que un resultado negativo también es un resultado. Hasta que no enseñemos a la IA a valorar los errores y sacar conclusiones lógicas de ellos, seguirá siendo solo un juguete caro en manos de los investigadores.

También está el problema de los datos. Para entrenar GPT-4, utilizaron casi toda Internet. Pero en la ciencia, los datos son escasos, fragmentarios y a menudo están encerrados en archivos corporativos. Para que AI4S 2.0 se haga realidad, necesitamos enseñar a los modelos a aprender de muestras pequeñas y sintetizar datos a través de simulaciones. Este es un desafío enorme para los ingenieros, y todavía no está claro quién será el primero en encontrar esta clave. Pero una cosa está clara: el próximo Premio Nobel que involucre IA no será otorgado por "texto hermoso", sino por entender la verdadera esencia de la materia.

Punto clave: La IA actual es una bibliotecaria brillante pero una experimentadora mediocre. ¿Podrá el concepto AI4S 2.0 transformar redes neurales en investigadores independientes, o nos enfrentaremos a un techo donde las máquinas son fundamentalmente incapaces de avances intuitivos?