En la teoría clásica del aprendizaje automático, el mundo suele percibirse como estático. Los algoritmos se desarrollan cuidadosamente en «invernaderos de datos» cerrados y estáticos, y los investigadores suelen asumir que los entornos futuros permanecerán inalterados. Sin embargo, el mundo real está sujeto a cambios constantes y a condiciones impredecibles.

¿Cómo pueden los modelos de inteligencia artificial (IA) salir de estos invernaderos idealizados y mantenerse robustos y fiables en entornos del mundo real abiertos y dinámicos?. Desde 2020, con el apoyo del «Proyecto de Grupo de Investigación Innovadora» de la Fundación Nacional de Ciencias Naturales de China (NSFC), un equipo dirigido por Zhou Zhihua —académico de la Academia China de Ciencias y profesor de la Universidad de Nankín— ha abordado estos desafíos complejos y cambiantes del mundo real. Han desarrollado un marco teórico específico que permite a la IA afrontar las complejidades del mundo real.

Cabe destacar que este fue el primer Proyecto de Grupo de Investigación Innovadora financiado por la NSFC en el campo de la inteligencia artificial desde que la comisión estableció la IA como una disciplina principal en 2018; el proyecto se titula «Aprendizaje automático para entornos abiertos y dinámicos».

«Gracias a la financiación a largo plazo de la Fundación Nacional de Ciencias Naturales, hemos profundizado en la investigación básica prospectiva y hemos sido pioneros en nuevas y originales líneas de desarrollo para el aprendizaje automático. Hoy en día, el modelo de innovación en este campo ha experimentado un cambio fundamental: hemos pasado de la práctica anterior, en la que las empresas planteaban los problemas, a la tendencia actual, en la que el mundo académico impulsa la agenda», afirmó Zhou Zhihua en una entrevista con *China Science Daily*. Esto significa que la investigación básica se está convirtiendo en la fuente vital de la innovación industrial.

Cómo se enfrenta la IA al mundo real.

El aprendizaje automático es un área fundamental de la investigación en IA. Zhou Zhihua explica que, durante el entrenamiento, los modelos extraen patrones a partir de factores específicos y conocidos presentes en los datos, y aplican esos mismos patrones al realizar tareas posteriormente. Además, los modelos operan bajo la premisa de que las categorías que han encontrado constituyen la totalidad de las posibilidades; por ejemplo, si un modelo se entrenó únicamente con gatos y perros, solo podrá reconocer gatos o perros al enfrentarse a nuevas entradas de datos.

La teoría clásica del aprendizaje automático se basa en la premisa —similar a la parábola de «marcar el bote para encontrar la espada perdida» (actuar sobre la base de supuestos obsoletos)— de que el modelo opera en un «entorno cerrado». Se parte de la creencia de que, una vez entrenado un modelo con un gran conjunto de datos, este puede utilizarse para realizar predicciones.

Sin embargo, el mundo real cambia constantemente. Tomemos como ejemplo la monitorización de la contaminación ambiental: debido al cambio climático o a la reestructuración industrial, los patrones de dispersión y las características de distribución de los contaminantes pueden variar en cualquier momento, y pueden surgir fuentes de contaminación totalmente nuevas —no observadas durante la fase de entrenamiento—. Si un modelo no logra adaptarse a estos cambios y se aferra rígidamente a patrones obsoletos, los resultados de la monitorización se verán distorsionados.

El equipo de Zhou Zhihua sintetizó estos complejos desafíos del mundo real en cuatro problemas científicos: «muestras pequeñas», «distribuciones cambiantes», «actualización continua» e «interacción».

Concretamente, en entornos abiertos, a menudo no existen datos históricos para las nuevas situaciones; esto exige que los modelos posean una «capacidad de nivel superior para generalizar a partir de ejemplos limitados», extrayendo principios fundamentales de conjuntos de datos reducidos. Al mismo tiempo, los patrones subyacentes de evolución cambian constantemente, lo que implica que los modelos deben llevar a cabo un aprendizaje continuo y una autoiteración. Además, los modelos no pueden depender únicamente del aprendizaje pasivo a partir de datos *offline*; deben incorporar interacciones con los seres humanos y el entorno, adquiriendo información crítica mediante una exploración activa.

En 2018, en respuesta al plan nacional de desarrollo de una nueva generación de inteligencia artificial, la Fundación Nacional de Ciencias Naturales de China (NSFC) estableció por primera vez un código de disciplina principal para la inteligencia artificial. Con el objetivo de superar los obstáculos en la teoría fundamental del aprendizaje automático, el equipo de Zhou solicitó en 2019 un «Proyecto de Grupo de Investigación Innovadora». El proyecto fue aprobado con éxito, convirtiéndose en el primero de su tipo bajo este nuevo código disciplinario.

A lo largo de los años, y con el respaldo de este proyecto, el equipo de Zhou ha llevado a cabo una reconstrucción teórica integral que abarca desde los mecanismos y marcos de trabajo hasta los modelos subyacentes.

Al enfrentarse a los desafíos multifacéticos de los entornos abiertos —incluidos el desplazamiento de la distribución de datos, la aparición constante de situaciones inéditas y la escasez de datos—, descubrieron un mecanismo de aprendizaje en línea con un «arrepentimiento dinámico» (*dynamic regret*) óptimo. Este avance permitió superar la limitación tradicional del crecimiento lineal del error, capacitando a la IA para seguir con precisión los cambios del entorno incluso con información limitada. El equipo también fue pionero en un marco teórico para el aprendizaje en entornos abiertos, dotando a la IA de un «sistema inmunológico» capaz de identificar categorías desconocidas y resistir interferencias, al tiempo que resolvía un problema de identificación causal que había desconcertado a la comunidad académica durante dos décadas. Además, los modelos algorítmicos que propusieron lograron un avance exponencial en la eficiencia computacional del aprendizaje por refuerzo, sentando una base teórica sólida para el desarrollo de tecnología de IA en entornos abiertos.

El equipo de Zhou publicó numerosos artículos de alta calidad en revistas académicas y conferencias internacionales, y obtuvo una serie de patentes nacionales de invención, logrando así con éxito los objetivos de investigación establecidos.

Un ejemplo destacado de investigación básica con visión de futuro.

Zhou Zhihua comenzó a explorar el aprendizaje automático en la década de 1990. Él recuerda: «En aquel entonces, el aprendizaje automático se consideraba un campo muy especializado —una especialidad oscura dentro de otras especialidades oscuras—. La gente incluso cuestionaba su validez, afirmando que ‘el aprendizaje automático es imposible’ y tachando a la IA de fraude».

En opinión de Zhou Zhihua, sin el apoyo constante de la Fundación Nacional de Ciencias Naturales de China, se habría visto obligado a cambiar hacia campos que estaban de moda en ese momento solo para mantener a flote su investigación.

Alrededor del año 2000, recién obtenido su doctorado, Zhou se enfrentó a una escasez de fondos para la investigación. Fue el apoyo del Fondo para Jóvenes Científicos (Categoría C) lo que le brindó la oportunidad de solicitar proyectos de cooperación e intercambio internacional, permitiéndole asistir a una conferencia internacional cada año. «Era una oportunidad poco común en aquel entonces y desempeñó un papel fundamental a la hora de impulsar el inicio de mi carrera académica», señaló.

En 2003, con tan solo 29 años, Zhou recibió financiación del Fondo para Jóvenes Científicos (Categoría A), lo que le permitió seguir profundizando en el campo del aprendizaje automático. Comentó al respecto: «No importa si el trabajo resulta solitario o carece de reconocimiento inmediato; si algo es importante, alguien debe perseverar en ello, sean cuales sean las circunstancias».

De hecho, el equipo de Zhou había comenzado a sentar las bases para la investigación sobre aprendizaje automático en entornos abiertos —el eje central del Proyecto de Grupo de Investigación Innovadora— ya en 2012.

«En aquel entonces, consideramos que el enfoque técnico de entrenar modelos con conjuntos de datos masivos en entornos cerrados ya se había estudiado durante 30 años —tanto a nivel nacional como internacional— y que era fundamentalmente maduro en cuanto a principios y métodos; el desafío pendiente era la ingeniería a gran escala», explicó Zhou. «Por tanto, desde la perspectiva de la investigación básica, debíamos dar el siguiente paso y explorar problemas complejos aún no resueltos».

En consecuencia, centraron sus esfuerzos en el aprendizaje automático en entornos abiertos, convirtiéndose en uno de los primeros equipos del mundo en investigar en este ámbito.

En 2016, Tom G. Dietterich, entonces presidente de la Asociación para el Avance de la Inteligencia Artificial (AAAI), abordó los problemas fundamentales que la IA debería resolver en el futuro y expuso su visión de una «IA robusta» durante su conferencia magistral. En su presentación, citó específicamente el trabajo que ya estaba realizando el equipo de Zhou. Esto demostraba que la investigación de los académicos chinos estaba proporcionando una base teórica de gran proyección para el desarrollo futuro de la IA.

«Durante la última década, la investigación en IA en mi país ha avanzado rápidamente, consolidando características y fortalezas únicas en ciertos campos; hoy en día, es habitual ver a académicos chinos participando en las conferencias académicas de IA más prestigiosas», señaló Zhou. Atribuyó esta transformación no solo a los esfuerzos de los investigadores científicos, sino, lo que es más importante, al desarrollo del país, que brindó a los investigadores un entorno propicio para su labor.

Los logros teóricos alcanzados por el equipo de Zhou, con el respaldo del Proyecto de Grupo de Investigación Innovadora, no se limitaron al papel. Mantuvieron su compromiso de realizar investigaciones fundamentadas en las necesidades prácticas de la nación. Al liderar una misión de gran envergadura y perseverar a través de siete años de arduo trabajo, aseguraron para el país una posición de liderazgo en un campo tecnológico crítico; un logro elogiado por haber arrojado «resultados importantes que superaron con creces las expectativas».

Paralelamente, el equipo de Zhou Zhihua estableció un laboratorio conjunto con una empresa nacional líder, transformando teorías de vanguardia en tecnología corporativa fundamental. En 2025, ambas partes profundizaron su colaboración para crear un centro de investigación avanzada. La empresa reconoció que las innovaciones originales del equipo estaban estableciendo estándares en la industria, lo que marcaba un cambio fundamental en el modelo de colaboración: en lugar de que la compañía simplemente planteara problemas para que la universidad los resolviera, el equipo de investigación ahora identifica líneas estratégicas clave mientras la empresa aporta la financiación, permitiendo así que los resultados de la investigación impulsen el desarrollo industrial.

Para Zhou Zhihua, esto ejemplifica la naturaleza visionaria y pionera de la investigación básica.

Un círculo virtuoso de «refuerzo mutuo».

A medida que la ola de la IA se extiende por todo el mundo, el aprendizaje automático (*machine learning*) ha pasado de ser un campo especializado a convertirse en un foco de gran interés. Sin embargo, en medio de este entusiasmo, el equipo de Zhou Zhihua identificó con agudeza un riesgo potencial: aunque las aplicaciones florecen, la investigación fundamental en aprendizaje automático corre el peligro de quedar eclipsada.

La razón reside en la distinción entre la investigación fundamental y la investigación de tecnología aplicada en el ámbito del aprendizaje automático. La primera se centra en las teorías subyacentes, las metodologías y los modelos algorítmicos clave, con el objetivo de mejorar sustancialmente la inteligencia, la fiabilidad y la interpretabilidad de la IA. La segunda, por el contrario, se concentra en dominios de aplicación específicos, perfeccionando métodos y modelos existentes para lograr una utilidad práctica.

Dadas las elevadas barreras de entrada y los largos plazos necesarios para obtener resultados en la investigación fundamental, muchos equipos prefieren invertir en tecnologías aplicadas que ofrecen retornos más rápidos.

«No obstante, debemos reconocer que los avances en las teorías fundamentales del aprendizaje automático y en los modelos algorítmicos clave tienen profundas implicaciones», subrayó Zhou Zhihua. Por ejemplo, las máquinas de vectores de soporte (SVM) surgieron de la teoría del aprendizaje estadístico y los métodos de kernel; las redes neuronales de todo el mundo dependen del algoritmo de retropropagación del error (BP) para su entrenamiento; y las tecnologías de IA generativa provienen de las redes generativas antagónicas (GAN) y de los modelos de difusión.

«Por ello, fortalecer decididamente la investigación fundamental en aprendizaje automático es crucial para lograr una autosuficiencia científica y tecnológica de alto nivel en el sector de la IA de nuestro país», enfatizó Zhou Zhihua.

Con este fin, Zhou Zhihua formó un equipo que integra estrechamente la teoría con la aplicación. En este entorno, los hallazgos de los expertos teóricos pueden validarse directamente mediante aplicaciones, mientras que los obstáculos que encuentran los expertos en aplicaciones pueden hallar solución gracias a las teorías de vanguardia desarrolladas internamente. Estos dos tipos de talento se respetan y colaboran armoniosamente, creando un círculo virtuoso —similar a un maestro que practica una técnica de artes marciales que emplea ambas manos— en el que la teoría se perfecciona continuamente mediante la aplicación, y la aplicación logra avances constantes respaldados por la teoría.

Este entorno de investigación único ha atraído a expertos de renombre internacional. Investigadores tanto nacionales como extranjeros —incluidos el exjefe del Departamento de Informática de la Universidad de Monash (Australia), un líder en aprendizaje automático del Imperial College de Londres (Reino Unido) y un miembro de la Real Academia de Ingeniería— se han unido al equipo a tiempo completo.

En cuanto a la estrategia general del equipo, Zhou Zhihua se ha mantenido fiel a un principio: ningún algoritmo o modelo por sí solo constituye una solución universal. Él considera que, actualmente, existe una fascinación excesiva en la industria por los modelos a gran escala. Forzar el uso de modelos grandes para tareas que pueden resolverse adecuadamente con otros más pequeños —ignorando las necesidades reales— no solo desperdicia recursos computacionales, sino que también puede resultar contraproducente debido a una ingeniería excesiva. Por ello, al implementar aplicaciones, es fundamental adaptar las soluciones al contexto específico y a los requisitos de la tarea.

De cara al futuro, el equipo se centra en dos líneas de trabajo aún más vanguardistas. La primera explora el enfoque de «Learnware», un novedoso paradigma de aprendizaje automático que permite a múltiples modelos colaborar y ensamblarse de manera eficiente sin revelar sus respectivos datos de entrenamiento. La segunda se dedica a superar la «crisis de confianza» en la IA, haciendo que los modelos sean más fiables y dignos de confianza.

Para Zhou Zhihua, la misión de la investigación básica es abordar estos desafíos complejos y difíciles de resolver. Una vez que se logran avances científicos preliminares y se esclarece la lógica subyacente, el equipo transfiere estos resultados a la industria, dejando que los equipos de ingeniería se encarguen del diseño posterior de la solución y de la implementación del producto.