La startup que prueba un nuevo truco para desarrollar inteligencia artificial para el descubrimiento científico
La startup que prueba un nuevo truco para desarrollar inteligencia artificial para el descubrimiento científico
Desarrollar inteligencia artificial para el descubrimiento científico se ha convertido en un objetivo monumental para los gigantes tecnológicos. Empresas como OpenAI y Anthropic han conseguido decenas de miles de millones en financiación con promesas de avances de la IA en medicina, biología y física. Sin embargo, el verdadero descubrimiento científico impulsado por la IA sigue siendo difícil de alcanzar, como lo demuestran incidentes pasados, como un hallazgo matemático desacreditado generado por ChatGPT. El principal desafío, según los expertos, es que los modelos de lenguajes grandes (LLM) actuales carecen de la capacidad intrínseca para generar conocimientos científicos novedosos de forma autónoma.
Por qué los grandes laboratorios de IA tienen dificultades con los descubrimientos científicos
Markus Buehler, profesor de ingeniería del MIT, identifica una limitación fundamental en la IA avanzada actual. Sostiene que los modelos que impulsan los sistemas de OpenAI y Anthropic no están diseñados para un descubrimiento genuino. Su arquitectura se basa en el reconocimiento de patrones a partir de datos existentes, no en la creación de nuevas teorías o hipótesis.
Esto quedó claramente ilustrado el otoño pasado cuando un supuesto descubrimiento matemático de ChatGPT fue rápidamente desacreditado. El episodio destacó la brecha entre el poder analítico de la IA y su pensamiento creativo y orientado al descubrimiento. Es un desafío que recuerda a otros esfuerzos de IA en los que la tecnología lucha con la originalidad, muy similar a las críticas que enfrentó el "actor" de IA Tilly Norwood por carecer de creatividad genuina.
El problema central de los modelos de IA actuales
Los modelos de lenguaje grandes se destacan en el procesamiento y regurgitación de información. Pueden resumir textos, responder preguntas e incluso escribir código basado en sus datos de entrenamiento. Sin embargo, operan dentro de los límites de lo que ya han aprendido.
El descubrimiento científico, por su naturaleza, requiere adentrarse en lo desconocido. Implica formar nuevas conexiones entre campos dispares y proponer ideas que no están presentes en ningún conjunto de datos de entrenamiento. Este es un salto para el que la IA generativa actual, centrada en la creación y automatización de contenidos, no está diseñada para dar. La industria está evolucionando, como se ve con desarrollos como la actualización de WordPress Gutenberg que sienta las bases para la publicación con IA, pero el desafío principal para el descubrimiento sigue siendo.
Presentamos Unreasonable Labs: un nuevo enfoque de la IA para la ciencia
Para abordar esta brecha, el profesor Buehler cofundó Unreasonable Labs con Yuan Cao, ex investigador científico senior de Google DeepMind. La startup pretende ser pionera en un enfoque fundamentalmente diferente para desarrollar IA para el descubrimiento científico. En lugar de depender únicamente de la ingesta masiva de datos, están construyendo sistemas capaces de realizar razonamientos interdisciplinarios.
Unreasonable Labs obtuvo recientemente 13,5 millones de dólares en una ronda de financiación liderada por Playground Global. La ronda contó con la participación de AIX Ventures, E14 Fund y MS&AD Ventures. Esta importante inversión subraya la confianza del mercado en su novedosa metodología.
Aprendiendo de los momentos "ajá" en la historia de la ciencia
La hipótesis de Buehler es que muchos grandes descubrimientos surgen de momentos "ajá". Estos son casos en los que un científico aplica una teoría o concepto de un campo para resolver un problema en un dominio completamente diferente. Esta polinización cruzada de ideas es clave para lograr avances.
Un ejemplo clásico es el trabajo de John Hopfield en 1982. Aplicó conceptos de la física de la materia condensada al entonces naciente campo de la inteligencia artificial. Esto llevó al desarrollo de las redes Hopfield, un tipo de red neuronal capaz de aprender y recordar recuerdos. Fue una idea revolucionaria que nació de conectar disciplinas no relacionadas.
En qué se diferencia la IA de Unreasonable Labs de los modelos convencionales
La IA que se está desarrollando en Unreasonable Labs está diseñada para imitar esta capacidad humana de conocimiento interdisciplinario. Su objetivo no es crear un modelo de lenguaje más amplio, sino construir un sistema que pueda razonar en todos los dominios científicos.
Gráficos de conocimiento interdisciplinarios: en lugar de entrenar únicamente con texto, su IA integra conocimiento estructurado de múltiples campos científicos, desde la biología hasta la física. Motores de razonamiento analógico: la tecnología central se centra en encontrar analogías y paralelismos entre conceptos aparentemente no relacionados, un motor clave de la innovación científica. Generación de hipótesis: el sistema está siendo diseñado para proponer hipótesis científicas comprobables, no solo para analizar datos existentes.
Este enfoque representa una desviación significativa de las estrategias de adquisición de empresas más grandes.empresas de tecnología, como la adquisición de Zendesk de la startup de inteligencia artificial Forethought, que a menudo se centran en perfeccionar las aplicaciones de servicio al cliente existentes en lugar de ser pioneras en nuevas formas de descubrimiento.
El futuro del descubrimiento impulsado por la IA
Si tiene éxito, la tecnología de Unreasonable Labs podría acelerar la investigación en áreas críticas. Imagine una IA que pueda sugerir un nuevo fármaco combinando principios de la química y la genética. O un modelo que propone un nuevo material para la energía sostenible vinculando conceptos de nanotecnología y termodinámica.
Las aplicaciones potenciales son enormes, desde acelerar la investigación médica hasta resolver desafíos ambientales complejos. Esto representa la próxima frontera para la IA, yendo más allá de la automatización para convertirse en un verdadero socio del ingenio humano.
Conclusión: la próxima ola de innovación en IA
La carrera por desarrollar IA para el descubrimiento científico se está intensificando, pero el verdadero éxito puede estar en empresas emergentes especializadas como Unreasonable Labs. Su enfoque en el razonamiento interdisciplinario ofrece un camino prometedor más allá de las limitaciones de los grandes modelos lingüísticos actuales. El viaje hacia la creación de una IA que realmente pueda descubrir apenas comienza.
Manténgase actualizado sobre las últimas innovaciones en inteligencia artificial y tecnología. Para obtener más información y compartir fácilmente este artículo, cree su página de enlace en la biografía gratuita en Seemless para seleccionar su contenido favorito.
