La inteligencia artificial comienza a generar hipótesis científicas
La inteligencia artificial en la ciencia avanza hacia una nueva etapa: ya no solo sirve para analizar información o automatizar tareas, sino que también puede plantear hipótesis y posibles estrategias para resolver problemas de investigación.
Uno de los ejemplos más llamativos ocurrió con Co-Scientist, un sistema desarrollado por Google para apoyar a investigadores. En una prueba relacionada con el cáncer, la herramienta analizó más de 700 estudios científicos y generó 108 posibles estrategias para intervenir sobre la proteína MYC.
Después de evaluar sus propias propuestas, el sistema descartó la mayoría y dejó una alternativa que llamó la atención de los investigadores porque planteaba una estrategia diferente a la que habían considerado hasta entonces.
Una propuesta contra una proteína relacionada con el cáncer
MYC es una proteína involucrada en la regulación de los genes y presenta alteraciones en numerosos tipos de cáncer. Durante décadas, los investigadores han buscado formas de intervenir sobre ella debido a su relación con el crecimiento de las células tumorales.
La propuesta generada por Co-Scientist planteó una posibilidad distinta: en lugar de intentar disolver determinados cúmulos de proteínas relacionados con MYC, la estrategia consistiría en mantenerlos unidos para impedir que el ADN pudiera ser leído correctamente.
La idea sorprendió al equipo de investigación porque no correspondía con la estrategia que venían explorando.
Sin embargo, que una inteligencia artificial genere una hipótesis novedosa no significa que esta sea correcta o que pueda convertirse inmediatamente en un tratamiento.
El problema aparece cuando la IA se equivoca
Antes de comenzar a analizar la literatura científica, los investigadores tuvieron que dedicar tiempo a corregir al sistema.
Co-Scientist había interpretado de manera equivocada parte de la pregunta inicial. Entre otros errores, confundió los cúmulos de proteínas con el posible medicamento y asumió que estos siempre activaban genes, cuando algunos pueden producir el efecto contrario.
Los investigadores corrigieron esas interpretaciones antes de permitir que la herramienta desarrollara sus propuestas.
Este episodio muestra una de las principales limitaciones de la inteligencia artificial en la ciencia: la herramienta puede generar una gran cantidad de posibilidades, pero necesita especialistas capaces de identificar cuándo parte de sus razonamientos no corresponde con la realidad científica.
La validación sigue dependiendo de los laboratorios
Generar una hipótesis puede tomarle a una IA mucho menos tiempo que a un equipo humano. Comprobar si esa hipótesis funciona, en cambio, requiere experimentos, materiales, presupuesto y personal especializado.
Los protocolos producidos por estos sistemas tampoco necesariamente están listos para ejecutarse sin modificaciones. Investigadores consultados en el reportaje de Nature señalaron que algunas de las instrucciones generadas por IA pueden funcionar más como recetas generales que como procedimientos experimentales completamente confiables.
Por ello, el cuello de botella continúa estando en la validación. Una máquina puede proponer numerosas alternativas en poco tiempo, pero cada una requiere pruebas para determinar si realmente funciona.
El conocimiento especializado adquiere más importancia
La expansión de estas herramientas también plantea una paradoja para la formación de nuevos científicos.
Si la IA automatiza parte de las tareas que tradicionalmente realizaban los estudiantes e investigadores jóvenes, estos podrían tener menos oportunidades de aprender mediante la práctica cotidiana de los experimentos, incluyendo los errores y problemas que surgen en el laboratorio.
Ese conocimiento resulta fundamental para reconocer resultados extraños, detectar errores en un protocolo o identificar cuándo una hipótesis aparentemente interesante parte de una premisa incorrecta.
La inteligencia artificial puede acelerar la generación de ideas, pero todavía necesita científicos capaces de cuestionarlas.
La IA como colaboradora, no como sustituta del laboratorio
Los desarrolladores de estos sistemas presentan las herramientas como colaboradores que pueden ayudar a los investigadores a explorar más posibilidades y dedicar mayor tiempo a tareas de mayor nivel.
El potencial está en reducir el tiempo necesario para revisar grandes cantidades de literatura, conectar conocimientos de distintas investigaciones y generar hipótesis que después puedan ser examinadas por especialistas.
El desafío consiste en encontrar un equilibrio entre velocidad y verificación. La IA puede ampliar considerablemente el número de preguntas que un científico puede explorar, pero la respuesta definitiva continúa dependiendo de la evidencia obtenida mediante investigación y experimentación.
En otras palabras, el valor de estas herramientas no está únicamente en producir una idea novedosa, sino en que existan expertos capaces de determinar si esa idea tiene sentido y puede ser comprobada.
