El impacto de la ciencia es el
eje de un debate de estos tiempos; está abierta la posibilidad de dar una nueva
expansión a los descubrimientos
Sebastián Campanario. 21 de
julio de 2019
Hace ya más de una década que
el diccionario de la innovación se llenó de términos como
"singularidad", "crecimiento exponencial" o "ideas
fuera de la caja", en notas periodísticas o reportes para inversores.
Desde entonces todos estamos "disrumpiendo o siendo disrumpidos",
"reinventándonos" o a punto de experimentar "cambios nunca
vistos". La gran paradoja es que el período de crecimiento exponencial de
esta terminología coincidió con un aumento del PBI global mucho más lento y
débil que el de décadas anteriores.
Los tecnooptimistas afirman
que las cuentas nacionales tradicionales están midiendo mal el tamaño de la
economía (y, por lo tanto, el crecimiento es más vigoroso de lo que se percibe
a través de los números) y también que estamos "justo en el codo" de
la curva exponencial. En otras palabras, que todo está a punto de comenzar.
En el último semestre tomó
color un debate muy interesante sobre la verdadera productividad de las ideas
nuevas, con aportes de economistas que sugieren que está cayendo el valor
producido por la ciencia en relación con cada dólar que se invierte. Esto puede
suceder en alguna medida por el aumento de la complejidad en la frontera: como
dice Tyler Cowen en El gran estancamiento: parecen haberse acabado los
"frutos al alcance de la mano" en materia de innovación, que hicieron
que algunas décadas del siglo XX fuera únicas en la historia de la humanidad en
materia de crecimiento. En otro trabajo de 2018, los economistas Benjamin Jones
y Bruce Weinberg remarcaron que la edad promedio para grandes descubrimientos
científicos de galardonados con el Nobel pasó de 37 años a 47 años, justamente
por este aumento de la complejidad que demanda más experiencia y conocimiento
para llegar a resultados extraordinarios. El 16 de noviembre pasado, Patrick
Collison y Michael Nielsen publicaron un largo ensayo en Science titulado
"La ciencia está teniendo menos impacto a cambio de su presupuesto",
relevando distintos estudios que llevan agua hacia esta conclusión.
Tal vez la novedad más
significativa que trae el "aprendizaje automático" ( machine
learning) de la inteligencia artificial sea justamente la posibilidad de
revertir esta tendencia y retomar un camino ascendente a tasas elevadas. El
ejemplo más reciente y significativo del poder que puede tener esta interacción
viene del campo de los nuevos materiales.
La mayor parte del
conocimiento científico se encuentra archivado en publicaciones académicas (
journals con papers) que son difíciles de "atacar" con métodos
estadísticos y machine learning, dada su heterogeneidad. Pero el terreno de la
química de materiales presenta una propiedad única: incluir en la mayor parte
de las investigaciones una reseña de las nuevas combinaciones analizadas y sus
conclusiones, que lo hacen particularmente fértil para el despliegue de la inteligencia
artificial. Este año, científicos del Departamento de Energía de los Estados
Unidos lograron crear un algoritmo que, con poco entrenamiento,
"leyó" más de tres millones de trabajos sobre química de materiales y
"descubrió" nuevas combinaciones que a los humanos se les pasaron por
alto.
La cantidad de combinaciones
posibles de partículas que dan lugar a nuevos materiales con propiedades
distintas es superior a la cantidad de átomos del universo, y por eso a los
científicos "humanos" les puede llevar -literalmente- una eternidad
analizarlas todas. Pero el aprendizaje automático está acelerando este proceso,
creando modelos que predicen dónde puede haber agua y dónde no. Como sostuvo la
científica platense Valeria Bosio en esta sección hace dos meses: "Los
nuevos materiales ya no se descubren: se inventan". Y ni que hablar cuando
llegue la supremacía cuántica en computadoras, cuyo poderío parece estar hecho
a medida para nuevos descubrimientos a nivel subatómico.
El algoritmo, denominado
Word2vc, fue capaz de analizar 3,3 millones de papers y con ello predecir
nuevos materiales termoeléctricos años antes de ser descubiertos (a partir de
las pistas de trabajos anteriores en el tiempo) y también de sugerir materiales
aún no investigados. Jain Anubhav, el científico líder de este proyecto, señaló
que el programa, sin saber nada previamente de ciencia de materiales, fue capaz
de aprender conceptos como la tabla periódica de elementos o la estructura de
cristales de los metales.
De clasificar a crear
Las noticias más resonantes en
materia de avances en inteligencia artificial para divulgación vinieron en los
últimos tiempos de programas que sucesivamente pudieron derrotar a campeones
humanos en juegos cada vez más complejos: primero el ajedrez, luego el Go, luego
videogames de estrategia de guerra, etcétera.
En 2019 el campo está
mostrando, ya en una nueva etapa de madurez, otros emergentes. Por su entidad,
tal vez la más relevante sea la descripta del cambio en la dinámica general del
proceso de innovación. Otro salto tiene que ver con nuevos escalones en la
relación entre las máquinas y los seres humanos: en el primer semestre del año
un relevamiento que viene haciendo la Universidad de Stanford desde hace media
década mostró que, por primera vez, son más las personas que confían más en los
algoritmos que en pares humanos.
A Iván Itzcovich, ingeniero
informático del ITBA especializado en aprendizaje automático y actualmente en
la empresa de inteligencia artificial ASAPP, este último dato no le llama la
atención: "Este año vimos un crecimiento muy grande de aplicación de machine
learning, que es el corazón de esta era de IA, a infinidad de dispositivos y
puntos de contacto con nuestra vida cotidiana, así que es natural el aumento de
la confianza". Itzcovich apunta que el salto no se debe tanto a una mayor
capacidad de cómputo, sino a modelos y algoritmos más refinados.
"Hasta el año pasado, el
aprendizaje automático era muy bueno para clasificar", agrega Julián
Eisenschlos, ex Facebook en Estados Unidos y ahora también en ASAPP. "La
novedad de este año pasa porque la AI se está volviendo muy buena para crear
nuevos productos y soluciones, ya sean personas, objetos o materiales",
dice Eisenschlos, excampeón de matemática y finalista del ACM (mundial de
programación). "Esto es un cambio radical, porque permite hacer testeos en
entornos virtuales de manera mucho más fácil", dice.
A fines de 2017 Deep Mind
logró un algoritmo campeón en go y en ajedrez, solo a partir de las reglas del
juego como insumos (sin partidas para analizar), lo cual llevó a ver cómo en
pocos días se daba un proceso de aprendizaje que a los humanos nos llevó
décadas o siglos, por caminos que a veces coincidían y a veces eran distintos.
La evolución del conocimiento acumulado tiene una ruta que es una entre
infinitas que se podrían haber producido.
No hay comentarios:
Publicar un comentario