Inteligencia Artificial, ¿más allá de la mente humana?

Me asombra el poder que la mente humana posee para comprender las leyes que gobiernan los fenómenos que se dan en el Universo, incluido el que hayamos sido capaces de identificar un momento singular, el Big Bang, hace 13.800 millones de años, en la existencia de nuestro universo. Conozco los mecanismos tradicionales para obtener tales conocimientos. Lo primero es observar lo que sucede –la naturaleza es más “imaginativa” que la más original de las mentes humanas–; esto es, recopilar datos a partir de observaciones, tarea en la que es imprescindible disponer de instrumentos poderosos.

Con tales datos acaso sea posible identificar patrones (regularidades), a las que llamamos “leyes”; así, por ejemplo, Johannes Kepler dedujo a comienzos del siglo XVII que los movimientos de los planetas del Sistema Solar siguen trayectorias elípticas, y no circulares como se había supuesto durante más de dos milenios, deducción que basó sobre todo en los datos que disponía del movimiento de Marte. Pero con el desarrollo de la ciencia, con su creciente complicación, la capacidad inductiva (de datos a leyes y teorías) fue perdiendo poder, siendo necesarios otros elementos.

Un buen ejemplo en este sentido es el de Charles Darwin, a quien no le fue suficiente con la enorme cantidad de datos que consiguió de especies animales o vegetales, existentes o extintas, para formular su Teoría de la Evolución de las Especies (1859); necesitó de un elemento más, el que le suministró las ideas, digamos “teóricas”, que el economista Thomas Robert Malthus había expuesto en Un ensayo sobre el principio de población (1826). Existen, lo sé, otros procedimientos más sofisticados, endebles en principio pero que en ocasiones funcionan, como los que utilizó el físico británico Paul Dirac para obtener en 1928 una ecuación fundamental para comprender el comportamiento del electrón; se basó en consideraciones de lo que él entendía por “belleza matemática”.

La IA ha comenzado a ayudarnos a entender que los modos tradicionales de comprensión que los científicos utilizan tienen límites

A menudo me pregunto si procedimientos como los anteriores, u otros que utilizamos los humanos, son los únicos o son suficientes para comprender el Universo y las leyes que rigen su comportamiento. ¿Por qué esas leyes tienen la forma que tienen y no otras? ¿Qué quiere decir que el Universo comenzó a existir hace 13.800 millones de años? ¿Tiene sentido hablar de un antes de ese “comienzo”? ¿Piensa, comprende, por ejemplo, un delfín o un elefante como nosotros?

La Inteligencia Artificial (IA) ha comenzado a ayudarnos a entender que los modos tradicionales de comprensión que los científicos utilizan tienen límites. Lo explica de manera magnífica un libro de reciente publicación: The Age of AI and our human future (La Era de la Inteligencia Artificial y nuestro futuro humano; 2021), de Henry A. Kissinger (sí, el político norteamericano que ustedes, supongo, recordarán), Eric Schmidt y Daniel Huttenlocher. Entre los contenidos de esta obra, hay dos ejemplos que encuentro particularmente interesantes y que en el fondo no me han sorprendido (algunos de los lectores de esta sección acaso recuerden que alguna vez he comentado que para un robot cuántico inteligente las leyes de la física cuántica no serían sorprendentes, contraintuitivas, como lo son para nosotros, y que por ello podrán tal vez a llegar a resultados difícilmente alcanzables para un humano).

El primero es el programa de ajedrez AlphaZero desarrollado por Google DeepMind, que en marzo de 2019 derrotó a Stockfish, entonces el programa de ajedrez más potente: ganó 28 partidas, empató 72 y no perdió ninguna. Lo distintivo de AlphaZero es que no se basaba en disponer en su memoria de la experiencia, conocimiento, estrategias… de jugadores que se hubieran introducido en ella. Lo que sus creadores habían impuesto en su programa era únicamente las reglas del ajedrez y la instrucción de desarrollar estrategias que maximizaran las victorias frente a las derrotas.

Con semejante base, el programa aprendió solo (machine learning), jugando contra sí mismo, un aprendizaje que le duró únicamente cuatro horas. Hasta aquí todo solo relativamente novedoso, pero lo sorprendente es que al analizar sus jugadas se comprobó que había utilizado movimientos que los expertos no consideraban razonables, como sacrificar piezas que se suponen vitales. AlphaZero había utilizado estrategias basadas en el reconocimiento de patrones de movimientos en el gran número de jugadas de que podía disponer, estrategias que jugadores humanos no han imaginado, ni hasta el momento comprendido.

El segundo ejemplo es el descubrimiento de nuevos antibióticos que son capaces de eliminar bacterias que hasta habían resistido a todos los antibióticos conocidos, hallazgo que anunciaron investigadores del Massachusetts Institute of Technology a comienzos del 2020. El procedimiento seguido por estos científicos fue utilizar una base de dos mil moléculas, en la que incluían información del tipo de los pesos atómicos y de enlaces químicos, así como su capacidad para inhibir crecimiento bacterial. A partir de esta información, el programa inteligente aprendió por sí mismo cuáles eran las características de las moléculas antibacterianas. Una vez completado este proceso de aprendizaje, los investigadores suministraron al programa 61.000 moléculas que imaginaban podrían combatir bacterias patógenas sin ser tóxicas y cuya estructura no se parecía a la de los antibióticos existentes.

De esas 61.000 moléculas solo una cumplía estos criterios (ha resultado ser un potente inhibidor del crecimiento de la bacteria Escherichia coli). La denominaron “halicina”, recordando a HAL, el ordenador inteligente de la novela-película de 2001. Una odisea en el espacio. Hallar este antibiótico mediante los métodos tradicionales de investigación y desarrollo habría costado, si es que se hubiera obtenido, muchos años y cantidades de dinero desorbitadas. El programa no necesitó comprender por qué o cómo funcionan las moléculas antibacterianas –de hecho, en algunos casos nadie sabe por qué funcionan–, lo que hizo fue identificar patrones.

Nos encontramos aquí con un nuevo método para obtener conocimiento, uno que no está al alcance de la mente humana. Un método del que es razonable esperar en el futuro avances insospechados. En matemáticas tal vez permita hallar resultados sorprendentes; resultados del tipo, por ejemplo, de los que hasta ahora se denominan “hipótesis” (como la que formuló en 1859 Riemann, relacionada con la distribución de los números primos), pero que pasarían a ser “demostradas” sin hacerlo mediante los métodos tradicionales de los matemáticos.