El mes de octubre nos trae cada año la concesión de los premios Nobel, en su categoría de Física, Química, Medicina, Economía, Literatura y Paz. En ocasiones polémicos, en otras quizás injustos, pero al menos proporcionan un poco de protagonismo a noticias relacionadas con «personas o instituciones que hayan llevado a cabo investigaciones, descubrimientos o contribuciones notables a la humanidad», como propone la Real Academia de las Ciencias de Suecia, en medio de las turbulentas noticias políticas y relacionadas con la guerra en varios lugares del planeta.
Los premios suelen otorgarse a trabajos realizados o culminados durante el año anterior, y en el caso de los avances científicos, suelen ser el fruto de años de investigación y de progresivos descubrimientos. Nos han llamado la atención este año los premios Nobel de Física y Química por su relación con la investigación en inteligencia artificial (IA), que se ha introducido en nuestra vida cotidiana con el uso de asistentes virtuales, el análisis de datos o la automatización industrial. Muchos elementos tecnológicos que tenemos a nuestro alrededor están hoy relacionados con el espectacular crecimiento de la IA en los últimos años. Pero en este caso ya no se trata solo de una contribución tecnológica, sino también de importantes descubrimientos científicos.
Uno de los objetivos del desarrollo en IA ha sido concebir cómo funciona la mente humana, al poder entender, replicar, probar y desarrollar funciones habituales en el ser humano, como la memoria, el aprendizaje y la imaginación. Sin entrar en conceptos filosóficos, como la conciencia o la finalidad de las acciones realizadas por la IA, los avances en IA han ayudado a psicólogos y neurocientíficos a entender mejor el funcionamiento de nuestra mente y sobrepasar nuestras limitaciones físicas.
En el caso del Premio Nobel de Física, los galardonados, John Hopfield y Geoffrey Hinton, han realizado contribuciones que han sentado las bases del aprendizaje automático mediante redes neuronales artificiales (RNA), fundamentales para los recientes avances en IA. El software tradicional funciona como una especie de receta: es decir, recibe datos, los procesa según una descripción clara y produce unos resultados, de forma similar a cuando alguien recoge ingredientes y los procesa siguiendo una receta para producir un pastel. En cambio, en el aprendizaje automático, el ordenador aprende con ejemplos, lo que le permite afrontar problemas que son demasiado vagos y complicados para ser gestionados con instrucciones paso a paso. Un ejemplo es la interpretación de una imagen para identificar los objetos que hay en ella.
Las RNA imitan el funcionamiento de nuestras redes neuronales biológicas. Las conexiones entre los nodos en la red son semejantes a los enlaces sinápticos en el cerebro humano, lo que permite avanzar en la forma en que las computadoras aprenden y procesan información. A través de su capacidad de aprender y adaptarse a partir de los datos, las RNA ajustan sus conexiones internas según los patrones que reconocen, mejorando continuamente su rendimiento en diversas tareas.
Hopfield es conocido por desarrollar las llamadas redes de Hopfield. Estas redes permiten almacenar y recuperar patrones a partir de información incompleta, funcionando de manera similar a la memoria humana. Cuando se introduce una imagen distorsionada en la red, esta puede reconstruirla, minimizando la «energía» de la red hasta que se asemeje a una imagen previamente guardada. Esto es crucial en aplicaciones como el procesamiento de lenguaje natural y el reconocimiento de imágenes, donde las RNA superan métodos anteriores, como los sistemas expertos o los métodos de fuerza bruta, que prueban una por una todas las posibilidades.
La arquitectura de aprendizaje profundo de las RNA les permite analizar y procesar relaciones complicadas dentro de conjuntos de datos. Pueden modelar relaciones no lineales y complejas, lo cual es vital en muchas aplicaciones de la vida real, donde la computación se transforma de un proceso lógico y predecible a una herramienta que enfrenta la complejidad de la realidad.
Por su parte, Geoffrey Hinton amplió los conceptos de Hopfield y desarrolló la llamada máquina de Boltzmann, que clasifica datos y genera nuevos ejemplos basados en patrones aprendidos. ¿Cómo funciona esta «máquina»? Si imaginamos que estamos tratando de resolver un rompecabezas de miles de piezas, aunque al principio no sabemos cómo resolverlo, probamos diferentes combinaciones al azar, aprendiendo qué piezas encajan y cuáles no. De forma similar, sustituyendo las piezas físicas por «neuronas» que encuentran patrones en la información, podemos generar nuevas ideas y encontrar la solución a un problema dado. Este proceso estadístico de prueba y error, o de evaluación de resultados es conocido como método Montecarlo, y es fundamental para simular innumerables combinaciones aleatorias y evaluar las óptimas. En definitiva, las máquinas aprenden por sí mismas y registran características en un conjunto de datos, para así reconocer imágenes, identificar caras, entender el lenguaje, etc.
En cuanto al Premio Nobel de Química 2024, ha sido otorgado a tres científicos cuyos trabajos han revolucionado la biología computacional y el diseño de proteínas. David Baker, bioquímico de la Universidad de Washington, ha sido galardonado por desarrollar el programa Rosetta, una herramienta que permite a los científicos diseñar proteínas con estructuras totalmente nuevas, no presentes en la naturaleza. Las proteínas están formadas por una cadena de piezas más pequeñas, los aminoácidos. La forma en que se unen estos aminoácidos determina la función de la proteína en nuestro cuerpo. Funciona de una manera similar a como explicamos anteriormente: Rosetta realiza numerosas pruebas para encontrar la forma en que los aminoácidos se unirán de la manera más estable y eficiente. Con Rosetta se pueden diseñar proteínas completamente nuevas con funciones únicas, allanando el camino para aplicaciones en áreas como la inmunoterapia, el desarrollo de nuevas vacunas y la ingeniería de proteínas para resolver problemas ambientales, como la eliminación de sustancias tóxicas o contaminantes, producción de biocombustibles, etc.
Por otro lado, Demis Hassabis y John Jumper, ambos ingenieros de DeepMind, recibieron el galardón por su desarrollo de AlphaFold2, un sistema basado en IA que puede predecir la estructura tridimensional de cualquier proteína a partir de su secuencia de aminoácidos. Esta herramienta ha cambiado la manera en que los científicos entienden las interacciones moleculares y ha facilitado el estudio de procesos biológicos complejos, como la resistencia a antibióticos y el diseño de nuevas proteínas.
AlphaFold2 ha sido especialmente disruptivo al resolver un desafío que había desconcertado a los científicos durante décadas: predecir con precisión la estructura de las proteínas, algo fundamental para comprender cómo funcionan en el cuerpo humano y en organismos vivos. La capacidad de esta herramienta para modelar millones de proteínas ha acelerado notablemente la investigación en biomedicina y biotecnología.
Si el programa Rosetta funciona como un diseñador de proteínas, a base de mezclar aleatoriamente los aminoácidos, AlphaFold2 predice la forma tridimensional de una proteína a partir de su secuencia de aminoácidos. Es como si por medio de una fotografía borrosa de una casa pudiéramos reconstruirla solo con una imagen imprecisa. Rosetta y AlphaFold2 pueden trabajar juntos: con AlphaFold2 podemos predecir la estructura de una proteína y con Rosetta tratar de modificarla y mejorarla.
Curiosamente Hasabis, tras crear en 2016 el programa AlphaGo que venció al campeón mundial del juego de go, declaró que no tenía interés en seguir con el desarrollo de la IA en los juegos y que esa experiencia le iba a servir para desarrollar investigaciones en el campo de la biología y la medicina, que afectan en mayor medida a los seres humanos. Y así es como ha sido.
En definitiva, el trabajo de estos premiados no solo ha revolucionado la investigación en IA, sino que también ha abierto un mundo de posibilidades que están impactando en nuestra vida cotidiana. Las posibilidades que se nos abren son inesperadas: quizás con la IA podamos resolver los mayores problemas del mundo en breve tiempo. Pero el peligro es que podríamos crear algo que no podamos controlar. Con cada avance, se plantea un nuevo horizonte de desafíos éticos y científicos que debemos abordar.
También te puede interesar:
Spanish