En 1915, Albert Einstein propuso la teoría general de la relatividad, que cambió la comprensión de la humanidad sobre el espacio, el tiempo y la gravedad. Más de un siglo después, un experimento mental sobre inteligencia artificial (IA) volvió a traer a la gente a esa época.

En febrero de este año, en la Cumbre India de Inteligencia Artificial celebrada en Nueva Delhi, India, Demis Hassabis, cofundador de «Deep Thinking» de Google, propuso una idea: establecer 1911 como línea de corte del conocimiento y utilizar el conocimiento acumulado por la humanidad para entrenar un modelo de lenguaje grande (LLM) para ver si puede redescubrir la teoría general de la relatividad. Hassabis cree que esto puede poner a prueba las capacidades de la IA en general.

Según un informe reciente de la revista británica «Nature», desde este año, varios equipos han comenzado a intentar construir una «IA histórica» ​​o un «LLM retro», colocando los datos de entrenamiento antes de un determinado momento histórico para ver si el modelo puede redescubrir ideas científicas que surgieron más tarde. Los resultados muestran que la IA todavía está lejos de lograr un avance científico «al estilo Einstein».

No es fácil dejar que la IA viaje en el tiempo.

El investigador independiente de IA Michael Hera entrenó un modelo de lenguaje llamado «Machina Mirabilis» utilizando sólo datos anteriores a 1900, y quería que produjera mecánica cuántica, relatividad especial y relatividad general. Introdujo en el modelo fenómenos físicos que podían observarse en ese momento, como el efecto fotoeléctrico, y también proporcionó el «experimento mental del ascensor» que más tarde se convirtió en una importante fuente de ideas para la relatividad general. En ocasiones, el modelo ofrece algunas respuestas interesantes. Ante el efecto fotoeléctrico, propuso una vez que la luz «se dividiría en un gran número de pulsos independientes». Esta afirmación ya se acerca al concepto de cuanto de luz.

Pero este destello de inspiración no llegó a ninguna parte. La mayoría de las veces los modelos fallan. Puede hablar un lenguaje físico que suena razonable, pero «no sabe por qué». La mayoría de las veces, simplemente imita lo que se dice en los textos históricos, en lugar de comprender realmente la relación entre estos fenómenos físicos.

Otro equipo se quedó estancado en 1930. El científico informático independiente Nick Levine y sus colegas entrenaron un modelo que solo tenía conocimiento antes de 1930 y querían usarlo para predecir resultados científicos que aparecieran más tarde. Pero en realidad no es fácil hacerlo. Los datos históricos no siempre están fechados con precisión y pueden ocurrir errores y confusiones durante el proceso de digitalización. Descubrieron que el llamado «modelo de 1930» a veces respondía correctamente a preguntas de los años cincuenta.

No es fácil dejar que la IA viaje en el tiempo. Incluso si se resuelve el problema de la fuga de datos, el verdadero desafío aún queda atrás.

La IA no es buena para juzgar qué vale la pena matar.

En enero de este año, el investigador de «Pensamiento profundo» de Google, Tom Zahavi, señaló en el artículo «LLM Will Not Jump» que el LLM actual aún no puede completar el salto de razonamiento como Einstein. Los grandes avances en la ciencia a menudo no consisten en deducir reglas generales a partir de una gran cantidad de datos, sino en partir de un fenómeno específico y proponer una explicación que nunca antes se ha visto. Este tipo de razonamiento se llama razonamiento abductivo.

Los saltos imaginativos, o «cambios de paradigma», como los llamó el filósofo de la ciencia Thomas Kuhn, a menudo ocurren cuando hay pocos datos o cuando surgen anomalías que no encajan con la teoría establecida. Cuando los científicos se enfrentan a problemas que son difíciles de explicar, normalmente intentan construir un «modelo mundial», es decir, inferir las leyes básicas detrás de él basándose en una pequeña cantidad de datos.

Por ejemplo, en el siglo XVII, el astrónomo Johannes Kepler resumió las leyes matemáticas observando los movimientos planetarios. Sobre esta base, Newton estableció además la ley de la gravitación universal y el sistema de la mecánica clásica. El punto clave es que Newton no está resolviendo un problema cuya respuesta se base en datos. Necesita determinar qué fenómenos vale la pena explicar y luego proponer un marco teórico que no existía antes. Lo mismo ocurre con Planck. Descubrió que, aunque su fórmula de radiación de cuerpo negro se ajustaba bien al experimento, todavía no era perfecta. No lo consideró un error, pero continuó haciendo preguntas y finalmente propuso la cuantificación de energía.

Éste es el defecto de la IA actual. El modelo se basa en aprender correlaciones en datos masivos, entrenar basándose en ejemplos conocidos y luego dar la respuesta estadísticamente más probable a preguntas desconocidas. Esta es una herramienta predictiva útil cuando hay datos disponibles.

Entonces, ¿pueden los modelos de IA también inferir modelos mundiales universales a partir de datos escasos? Sendhir Mullainathan, informático del Instituto Tecnológico de Massachusetts, en Estados Unidos, cree que todavía no es posible. En julio de este año, él y sus colegas proporcionaron un modelo de IA de «mecánica orbital» con múltiples sistemas planetarios virtuales que seguían la mecánica newtoniana, con la esperanza de que dedujera la ley de la gravitación universal. Como resultado, el modelo aprendió algo, pero no encontró el patrón real. Genera diferentes leyes de gravedad para diferentes sistemas planetarios, cada uno con su propio conjunto de errores.

Se puede ver que la IA es cada vez mejor en la búsqueda de patrones, pero no es muy buena para juzgar contra qué vale la pena «luchar».

¿Qué tipo de IA se necesita para el próximo avance científico?.

En mayo de este año, la IA anuló una conjetura de hace 80 años propuesta por el matemático húngaro Paul Erdős.

Mullainathan considera que esto es un «verdadero avance conceptual». Dijo que la IA no encuentra respuestas mediante una simple búsqueda de fuerza bruta, sino que introduce algunos conceptos matemáticos nuevos en el proceso de resolución de problemas. Sin embargo, la IA todavía integra ideas que ya existen en la literatura matemática y no produce de repente un descubrimiento revolucionario desde lugares aparentemente no relacionados como lo hizo Einstein.

Por lo tanto, algunos científicos creen que los futuros científicos de IA no pueden ser simplemente un modelo de lenguaje más amplio. Mullainathan propuso que el modelo necesita comprender simultáneamente el conocimiento humano existente, los datos del mundo real y el «espacio matemático», es decir, cómo operar objetos matemáticos. Los criterios de evaluación de los sistemas de IA no pueden ser sólo la precisión de la predicción, sino que también deben examinar la simplicidad de la teoría, el alcance de la explicación, etc.

Actualmente, algunos equipos de investigación han comenzado a explorar sistemas científicos automatizados, permitiendo a la IA seleccionar y planificar experimentos, con robots ejecutando los experimentos y luego formulando nuevas hipótesis basadas en los resultados.

En una entrevista con William Miller, editor de la revista Life, Einstein dijo que lo más importante es no dejar de hacer preguntas. La curiosidad tiene su propia razón de existir.

Para la IA actual, puede que no sea difícil encontrar una respuesta. Lo difícil es plantear una pregunta que valga la pena plantearse cuando la respuesta aún no existe. Quizás aquí es donde la prueba de Einstein resulta realmente valiosa.