International Essays

¿Puede la IA resolver la ciencia?

Publicación original
Nota: Haga clic en cualquier diagrama para obtener código de Wolfram Language para reproducirlo. El código de Wolfram Language para entrenar las redes neuronales utilizadas aquí también está disponible (requiere GPU).

¿No será la IA capaz de hacer todo eventualmente?

Particularmente dados sus recientes éxitos inesperados, existe una creencia bastante generalizada de que eventualmente la inteligencia artificial (IA) será capaz de “hacer todo”, o por lo menos todo lo que actualmente hacemos. ¿Entonces qué pasa con la ciencia? A lo largo de los siglos, los humanos hemos hecho progresos incrementales, construyendo gradualmente lo que en esencia es ahora la mayor estructura intelectual de nuestra civilización. Pero a pesar de todos nuestros esfuerzos, todavía quedan todo tipo de preguntas científicas sin resolver. ¿Entonces, puede la IA simplemente venir y resolver todas ellas?
Podremos ver que para esta pregunta definitiva la respuesta es firme e inevitablemente “no”. Pero no cabe duda que eso no quiere decir que la IA no puede ser de importancia para ayudar en el avance de la ciencia. Por ejemplo, en un nivel muy práctico, los LLM proporcionan un nuevo tipo de interfaz lingüística para las capacidades computacionales que hemos desarrollado durante tanto tiempo en Wolfram Language. Y por medio de su conocimiento de la “sabiduría científica convencional” los LLM a menudo pueden proporcionar el equivalente a un “autocompletado” de muy alto nivel para completar “respuestas convencionales” o “siguientes pasos convencionales” en el trabajo científico.
Pero mi intención es discutir lo que equivale a preguntas más profundas sobre la IA en la ciencia. Hace tres siglos, la ciencia fue transformada por la idea de representar el mundo mediante las matemáticas. Y en la actualidad estamos en medio de una importante transformación hacia una representación fundamentalmente computacional del mundo (y sí, de eso se trata nuestro lenguaje computacional Wolfram Language). ¿Entonces, cómo se compara la IA? ¿Deberíamos considerarla esencialmente como una herramienta práctica para acceder a métodos existentes, o aporta algo fundamentalmente nuevo para la ciencia?
Mi objetivo es explorar y evaluar lo que puede o no esperarse de la IA en la ciencia. Voy a considerar un número de ejemplos específicos, simplificados para resaltar la esencia de lo que está (o no está) sucediendo. Voy a hablar sobre la intuición y las expectativas basándome en lo que hemos visto hasta ahora. Además, voy a discutir sobre algunas de las bases teóricas, y en ciertos aspectos filosóficas, de lo que es posible y lo que no.
¿Entonces, qué quiero decir realmente con “IA” en este caso? En el pasado, cualquier cosa seriamente computacional a menudo se consideraba “IA”, en cuyo caso, por ejemplo, lo que hemos hecho durante tanto tiempo con nuestro lenguaje computacional Wolfram Language calificaría, al igual que todo mi estudio “ruliológico” de programas simples en el universo computacional. Pero en este caso, en su mayoría, voy a adoptar una definición más estrecha, y decir que la IA es algo basado en el aprendizaje automático (y usualmente implementado mediante redes neuronales), que ha sido entrenado gradualmente a partir de ejemplos que se le han dado. A menudo también añadiré otra pieza: que esos ejemplos incluyen ya sea un gran corpus de texto científico generado por humanos, etc., o un corpus de experiencia real sobre cosas que suceden en el mundo, o en otras palabras, que además de ser una “máquina de aprendizaje en bruto”, la IA es algo que ya ha aprendido de mucho conocimiento alineado con los humanos.
Ahora que ya hemos explicado nuestro significado para la IA, ¿qué queremos decir por ciencia y “hacer ciencia”? En última instancia, se trata de tomar cosas que están “ahí afuera en el mundo” (y usualmente en el mundo natural) y tener maneras de conectarlas o traducirlas a cosas sobre las cuales podamos pensar o razonar. Sin embargo, existen varios “flujos de trabajo” comunes, aunque bastante diferentes, para hacer ciencia. Algunos se enfocan en la predicción: dado un comportamiento observado, predecir lo que sucederá; encontrar un modelo que podamos expresar explícitamente que diga cómo se comportará un sistema; dada una teoría existente, determinar sus implicaciones específicas. Otros flujos de trabajo se centran más en la explicación: dado un comportamiento, producir una narrativa comprensible por humanos; encontrar analogías entre distintos sistemas o modelos. Otros flujos de trabajo se enfocan más en crear cosas: descubrir algo que tenga propiedades particulares; descubrir algo “interesante”.
A continuación exploraremos estos flujos de trabajo con mayor detalle, viendo cómo pueden (o no) ser transformados, o informados, por la IA. Pero antes de pasar a esto, necesitamos discutir algo que se cierne sobre todo intento de “resolver la ciencia”: el fenómeno de la irreducibilidad computacional.

El límite rígido de la irreducibilidad computacional


Cosas que han funcionado en el pasado


¿Puede la IA predecir lo que sucederá?


Predicción de procesos computacionales


Identificación de reducibilidad computacional


IA en el mundo no humano


Resolución de ecuaciones mediante IA


IA para multicomputación


Exploración de espacios de sistemas


Ciencia como narrativa


Cómo encontrar lo interesante


Más allá de las “ciencias exactas”


¿Entonces... qué hará la IA por la ciencia?


Notas
