Demis Hassabis, que lidera el desarrollo de sistemas de inteligencia artificial en Google, explica en el Financial Times que su objetivo ha sido siempre utilizar la IA como "la herramienta definitiva de la ciencia". La perspectiva de que este objetivo se llegue a convertir en realidad tiene un lado fascinante, pero a la vez otro potencialmente oscuro.
Empecemos por el primero. El potencial del uso de los sistemas de IA Generativa en aplicaciones científicas va mucho más allá de ayudar a los científicos a reunir, explorar o resumir bibliografía o para hacer más eficiente la redacción de borradores de publicaciones e informes. A partir de 2021, cuando se demostró la capacidad de AlphaFold para determinar la estructura tridimensional de proteínas, el uso de herramientas de IA avanzada se ha extendido con mucha rapidez. Para buscar patrones en los grandes volúmenes de datos que generan los instrumentos astronómicos y los aceleradores de partículas. Para ayudar a encontrar modos de estabilizar el plasma de hidrógeno a las altísimas temperaturas necesarias para la generación de energía por fusión nuclear. Para desarrollar modelos de predicción metereológica más rápidos y económicos que los convencionales. Para generar propuestas de materiales para baterías y células solares más eficaces, como también de nuevos antibióticos y moléculas cuyas prestaciones se pueden además verificar en laboratorios robotizados capaces de llevar a cabo decenas de experimentos en paralelo.
Sucede, sin embargo, que las aplicaciones de la IA en el ámbito de la ciencia no son inmunes a la primera de las leyes de Postman: por cada beneficio que ofrece una tecnología, hay siempre un perjuicio asociado. Los científicos son humanos y como tales sujetos a pasiones, ambiciones y sesgos personales, así como a influencias e incentivos de su entorno social y profesional. Se ha publicitado hace poco el fraude de que el anuncio del descubrimiento de un material superconductor a alta temperatura se basaba en datos falsos. Un incidente que puede verse como el caso aislado de un investigador demasiado ansioso de hacer avanzar su carrera profesional. Lo que no significa que pueda descartarse que ansiedades de este tipo, unidas a la presión hacia publicar que ejerce el sistema científico, estén contribuyendo a generar una crisis de replicación, manifesta en la proliferación del número de casos en que los investigadores no consiguen replicar los resultados de una investigación ya publicada. Según la revista Nature, la proporción de artículos retractados después de su publicación se ha más que triplicado en la última década. A menos que los científicos sean inmunes a la tentación de utilizar herramientas de AI para generar texto, código y datos, la sempiterna ley de Murphy conduce a pronosticar que la situación irá a peor antes de que mejore con la adopción de mejores estándares éticos y de procesos de análisis de datos más robustos.
Hay quien va más allá, sugiriendo que la conocida propensión a confiar en las capacidades cognitivas de las herramientas de IA propicia situaciones de interpasividad en las que se produce más entendiendo menos, lo que constituye una amenaza sustancial al proceso científico. Pudiera asimismo suceder que el éxito de AlphaFold resulte no ser un precedente replicable, por cuanto pudo sacar partido, entre otras cosas, de una amplia y excepcional base de datos sobre la estructura de proteínas, acumulada durante muchos años y validada con supervisión humana.
Otro riesgo adicional a considerar es la posibilidad de que extienda la mentalidad de quienes proclaman que la disponibilidad de los datos elimina la necesidad de esforzarse en elaborar teorías que los expliquen. Sobre este punto, mi formación como físico me hace recordar avances en la comprensión científica del mundo que Einstein formuló en ausencia de datos, incluyendo la teoría de la relatividad restringida o la predicción de que la existencia de un campo gravitatorio puede desviar la trayectoria de la luz. Las teorías continúan siendo necesarias para el progreso científico. Incluso, como admite el propio Demis Hassabis, para dotar a las IA del futuro de mayor capacidad de simular la inteligencia humana.
