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.
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