Investigación científica de IA: el verdadero propósito del aprendizaje automático

• Escrito por:
• Nombre del autor

  Previsión Quantumrun
• 11 de mayo de 2023

El desarrollo de hipótesis se ha considerado tradicionalmente una actividad exclusivamente humana, ya que requiere creatividad, intuición y pensamiento crítico. Sin embargo, con los avances tecnológicos, los científicos recurren cada vez más al aprendizaje automático (ML) para generar nuevos descubrimientos. Los algoritmos pueden analizar grandes cantidades de datos rápidamente e identificar patrones que los humanos tal vez no puedan ver.

Contexto

En lugar de depender de las ideas preconcebidas humanas, los investigadores han construido algoritmos de aprendizaje automático de redes neuronales con un diseño inspirado en el cerebro humano, lo que sugiere nuevas hipótesis basadas en patrones de datos. Como resultado, es posible que muchas áreas recurran pronto al aprendizaje automático para acelerar el descubrimiento científico y disminuir los sesgos humanos. En el caso de materiales de batería inexplorados, los científicos se han basado tradicionalmente en técnicas de búsqueda en bases de datos, modelado y su sentido químico para identificar moléculas viables. Un equipo de la Universidad de Liverpool, con sede en el Reino Unido, empleó ML para simplificar el proceso creativo. 

Primero, los investigadores crearon una red neuronal que priorizó las combinaciones químicas en función de su probabilidad de producir un nuevo material valioso. Luego, los científicos utilizaron estas clasificaciones para guiar sus estudios de laboratorio. Como resultado, encontraron cuatro opciones de materiales de batería viables sin probar todo en su lista, lo que les ahorró meses de prueba y error. Los nuevos materiales no son el único campo donde ML puede ayudar a la investigación. Los investigadores también utilizan redes neuronales para resolver problemas tecnológicos y teóricos más importantes. Por ejemplo, un físico del Instituto de Física Teórica de Zúrich, Renato Renner, espera desarrollar una explicación cohesiva de cómo funciona el mundo usando ML. 

Además, los modelos de IA generativa más sofisticados, como ChatGPT de OpenAI, permiten a los investigadores generar automáticamente nuevos datos, modelos e hipótesis. Esta hazaña se logra a través de técnicas como redes adversarias generativas (GAN), codificadores automáticos variacionales (VAEs) y modelos de lenguaje basados ​​en transformadores (como Transformador preentrenado generativo-3 o GPT-3). Estos modelos de IA se pueden usar para generar conjuntos de datos sintéticos, diseñar y optimizar nuevas arquitecturas de ML y desarrollar nuevas hipótesis científicas mediante la identificación de patrones y relaciones en datos que antes se desconocían.

Impacto disruptivo

Los científicos pueden utilizar cada vez más la IA generativa para ayudar en la investigación. Con la capacidad de analizar patrones y predecir resultados basados ​​en ese conocimiento, estos modelos podrían resolver teorías científicas complejas que la humanidad aún no ha resuelto. Esto no solo ahorrará tiempo y dinero, sino que también ayudará a que la comprensión humana de la ciencia se extienda mucho más allá de sus límites actuales. 

Es probable que a una empresa de investigación y desarrollo (I+D) le resulte más fácil reunir los fondos adecuados porque ML puede procesar datos más rápido. Como resultado, los científicos buscarán más ayuda contratando nuevos empleados o colaborando con empresas y empresas conocidas para producir mejores resultados. El impacto general de este interés será positivo, no solo para los avances científicos sino también para los profesionales dentro de los campos científicos. 

Sin embargo, un obstáculo potencial es que las soluciones de estos modelos adaptativos con frecuencia son difíciles de comprender para los humanos, especialmente el razonamiento involucrado. Debido a que las máquinas solo dan respuestas y no explican la razón detrás de la solución, los científicos pueden permanecer inseguros sobre el proceso y la conclusión. Esta oscuridad debilita la confianza en los resultados y reduce la cantidad de redes neuronales que pueden ayudar con el análisis. Por lo tanto, será necesario que los investigadores desarrollen un modelo que pueda explicarse a sí mismo.

Implicaciones de la investigación científica de la IA

Las implicaciones más amplias de la investigación científica de la IA pueden incluir:

• Cambios en los estándares de autoría para trabajos de investigación, incluida la concesión de crédito de propiedad intelectual a AI. Del mismo modo, los sistemas de IA algún día serán premiados como posibles ganadores del Premio Nobel, lo que puede provocar intensos debates sobre si estos algoritmos deberían ser reconocidos como inventores.
• La investigación generada por la IA puede generar nuevas formas de responsabilidad y más cuestiones legales y éticas relacionadas con el uso de la IA y los sistemas autónomos en los descubrimientos científicos.
• Científicos que trabajan con diversas herramientas de IA generativa para acelerar los desarrollos y las pruebas médicas.
• El aumento del uso de energía causado por la alta potencia informática necesaria para ejecutar estos elaborados algoritmos.
• Futuros científicos capacitados para usar IA y otras herramientas de ML en sus flujos de trabajo.
• Gobiernos que crean estándares globales sobre las limitaciones y requisitos para realizar experimentos científicos generados por IA.

Preguntas a considerar

• Si es científico, ¿cómo planea su institución o laboratorio incorporar la investigación asistida por IA?
• ¿Cómo cree que la investigación generada por IA afectará el mercado laboral de científicos e investigadores?