Mucho ha cambiado en los 15 años transcurridos desde que Kaiming He era estudiante de doctorado.

“Cuando estás en la etapa de doctorado, hay un muro muy alto entre las distintas disciplinas y materias, y había un muro muy alto incluso dentro de la informática”, afirma. “El chico que estaba sentado a mi lado podía estar haciendo cosas que yo no podía entender en absoluto”.

En los siete meses desde que se unió al MIT Schwarzman College of Computing como Profesor de Desarrollo de Carrera Douglas Ross (1954) de Tecnología de Software en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación, dice que está experimentando algo que en su opinión es "muy raro en la historia científica humana": una reducción de los muros que se expande a través de diferentes disciplinas científicas.

“Nunca podría entender la física de alta energía, la química o la frontera de la investigación biológica, pero ahora estamos viendo algo que puede ayudarnos a romper estos muros”, dice, “y es la creación de un lenguaje común que se ha encontrado en la IA”.

Construyendo el puente de la IA

Según He, este cambio comenzó en 2012 a raíz de la “revolución del aprendizaje profundo”, un momento en el que se comprendió que este conjunto de métodos de aprendizaje automático basados ​​en redes neuronales era tan potente que podía aprovecharse más.

“En ese momento, la visión artificial (que ayuda a las computadoras a ver y percibir el mundo como si fueran seres humanos) comenzó a crecer muy rápidamente, porque resulta que se puede aplicar esta misma metodología a muchos problemas diferentes y en muchas áreas diferentes”, afirma He. “Así que la comunidad de visión artificial creció rápidamente porque estos diferentes subtemas ahora podían hablar un lenguaje común y compartir un conjunto común de herramientas”.

A partir de ahí, dice que la tendencia comenzó a expandirse a otras áreas de la informática, incluido el procesamiento del lenguaje natural, el reconocimiento de voz y la robótica, creando la base para ChatGPT y otros avances hacia la inteligencia artificial general (AGI).

“Todo esto ha sucedido durante la última década, lo que nos ha llevado a una nueva tendencia emergente que espero con mucha ilusión, y es ver cómo la metodología de la IA se propaga a otras disciplinas científicas”, afirma He.

Uno de los ejemplos más famosos, dice, es AlphaFold, un programa de inteligencia artificial desarrollado por Google DeepMind, que realiza predicciones de la estructura de las proteínas.

“Es una disciplina científica muy diferente, un problema muy diferente, pero la gente también está usando el mismo conjunto de herramientas de IA, la misma metodología para resolver estos problemas”, dice, “y creo que esto es solo el comienzo”.

El futuro de la IA en la ciencia

Desde que llegó al MIT en febrero de 2024, dice que ha hablado con profesores de casi todos los departamentos. Algunos días se encuentra conversando con dos o más profesores de orígenes muy diferentes.

“No entiendo del todo su área de investigación, pero me presentan algo de contexto y luego podemos empezar a hablar sobre aprendizaje profundo, aprendizaje automático y modelos de redes neuronales en sus problemas”, afirma. “En este sentido, estas herramientas de IA son como un lenguaje común entre estas áreas científicas: las herramientas de aprendizaje automático “traducen” su terminología y conceptos a términos que puedo entender, y luego puedo aprender de sus problemas y compartir mi experiencia, y a veces proponer soluciones u oportunidades para que las exploren”.

La expansión a diferentes disciplinas científicas tiene un potencial significativo, desde el uso del análisis de video para predecir las tendencias meteorológicas y climáticas hasta la aceleración del ciclo de investigación y la reducción de costos en relación con el descubrimiento de nuevos fármacos.

Si bien las herramientas de IA aportan un claro beneficio al trabajo de los colegas científicos de He, también destaca el efecto recíproco que pueden tener, y han tenido, en la creación y el avance de la IA.

“Los científicos plantean nuevos problemas y desafíos que nos ayudan a seguir desarrollando estas herramientas”, afirma He. “Pero también es importante recordar que muchas de las herramientas de IA actuales provienen de áreas científicas anteriores: por ejemplo, las redes neuronales artificiales se inspiraron en observaciones biológicas; los modelos de difusión para la generación de imágenes se motivaron a partir de términos de física”.

“La ciencia y la inteligencia artificial no son temas aislados. Hemos abordado el mismo objetivo desde diferentes perspectivas y ahora estamos uniéndonos”.

¿Y qué mejor lugar para que se reúnan que el MIT?

“No es sorprendente que el MIT haya podido ver este cambio antes que muchos otros lugares”, afirma. “[El MIT Schwarzman College of Computing] creó un entorno que conecta a diferentes personas y les permite sentarse juntas, hablar juntas, trabajar juntas, intercambiar ideas, mientras hablan el mismo idioma, y ​​estoy viendo que esto está empezando a suceder”.

En cuanto a cuándo se bajarán completamente los muros, señala que se trata de una inversión a largo plazo que no sucederá de la noche a la mañana.

“Hace décadas, las computadoras se consideraban alta tecnología y se necesitaban conocimientos específicos para entenderlas, pero ahora todo el mundo usa una computadora”, afirma. “Espero que en 10 años o más, todos usen algún tipo de IA de alguna manera para sus investigaciones: son solo sus herramientas básicas, su lenguaje básico, y pueden usar la IA para resolver sus problemas”.

Autor