IA para la ciencia: por qué las redes neuronales aún no se han ganado la bata blanca

Seamos honestos: mientras comentamos con entusiasmo cómo el último modelo de lenguaje escribió código o compuso poemas, en los laboratorios reales las cosas no son tan brillantes. Existe una línea de moda llamada IA para la ciencia o AI4S (AI for Science). Debía cambiar nuestra visión de la química, la física y la biología. Pero si se mira de cerca, los modelos "inteligentes" actuales siguen infinitamente lejos de poder llamarse científicos. Se parecen más a estudiantes muy leídos que se han memorizado la biblioteca, pero se bloquean cuando les ponen un tubo de ensayo en la mano.

Todo empezó con la primera ola, que hoy se llama AI4S 1.0. Su protagonista fue AlphaFold, de Google DeepMind. Resolvió con brillantez la predicción de la estructura de proteínas, y fue un avance real. Pero ahí está la trampa: fue una victoria de la fuerza bruta y el reconocimiento de patrones. El modelo halló regularidades en un enorme conjunto de datos que los humanos llevaban décadas recopilando. Es impresionante, pero no es del todo ciencia en el sentido clásico. La ciencia no consiste solo en encontrar coincidencias, sino en entender por qué el mundo funciona de una forma y no de otra.

El principal problema de los modelos punteros actuales es que viven en un mundo de palabras y píxeles, no de átomos y fuerzas. Los científicos lo llaman falta de comprensión de los "primeros principios". Cuando se le pide a una IA que diseñe un material nuevo, empieza a combinar los datos que ya conoce. Pero no siente las leyes de la termodinámica ni de la mecánica cuántica como las siente un físico. El resultado son alucinaciones que parecen artículos científicos, pero que se desmoronan al primer intento de comprobarlas en la realidad. Los modelos simplemente no saben razonar dentro de restricciones físicas estrictas.

La industria busca ahora a la desesperada el camino hacia AI4S 2.0. Ya no se trata solo de "más datos" o "más tarjetas gráficas", sino de cambiar la propia arquitectura del pensamiento de las máquinas. Hace falta lo que en China llaman "inteligencia científica": sistemas con las leyes físicas integradas desde el origen. Imagine una red neuronal que no puede dar una respuesta que viole la ley de conservación de la energía, simplemente porque su estructura matemática no lo permite. Es un cambio fundamental de la conjetura probabilística a la deducción.

Además, la ciencia de verdad exige autonomía. Avanzamos hacia el concepto de "laboratorios cerrados", donde la IA no se limita a aconsejar, sino que planifica el experimento, controla brazos robóticos y, lo más importante, corrige su teoría a partir de los fracasos. Los LLM actuales odian equivocarse: intentan complacer al usuario. Un científico real sabe que un resultado negativo también es un resultado. Hasta que no enseñemos a la IA a valorar los errores y extraer conclusiones lógicas de ellos, seguirá siendo un juguete caro en manos de los investigadores.

También hay un problema de datos. Para entrenar GPT-4 se usó casi todo internet. Pero en la ciencia los datos son escasos, fragmentarios y a menudo están encerrados en archivos corporativos. Para que AI4S 2.0 sea realidad, hay que enseñar a los modelos a aprender con muestras pequeñas y a sintetizar datos mediante simulaciones. Es un reto enorme para los ingenieros, y aún no está claro quién dará primero con la clave. Pero hay algo seguro: el próximo Nobel en el que intervenga la IA no se concederá por un "texto bonito", sino por entender la esencia misma de la materia.

Lo principal: La IA actual es un bibliotecario genial, pero un experimentador mediocre. ¿Logrará el concepto AI4S 2.0 convertir las redes neuronales en investigadores independientes, o chocaremos con un techo en el que la máquina es incapaz, por principio, de un avance intuitivo?