Estados Unidos, usted ha hablado alto y claro: no le gusta la IA.
Una encuesta del Pew Research Center publicada en septiembre encontró que el 50 por ciento de los encuestados estaban más preocupados que entusiasmados con la IA; sólo el 10 por ciento sentía lo contrario. La mayoría de las personas, el 57 por ciento, dijo que los riesgos sociales eran altos, mientras que sólo el 25 por ciento pensó que los beneficios serían altos. En otra encuesta, sólo el 2 por ciento… ¡el 2 por ciento! — de los encuestados dijeron que confían plenamente en la capacidad de la IA para tomar decisiones justas e imparciales, mientras que el 60 por ciento desconfía total o parcialmente de ella. Apoyar el desarrollo de la IA y gritar “¡Alto!” está emergiendo rápidamente como una de las posiciones más populares en ambos extremos del espectro político.
Dejando de lado el hecho de que los estadounidenses realmente están usando IA todo el tiempoestos temores son comprensibles. Escuchamos que la IA está robando nuestra electricidad, nuestros trabajos, nuestras vibraciones y, si creemos en las advertencias de destacados autores fatalistas, potencialmente incluso está robando nuestro futuro. Estamos siendo inundados con desperdicios de IA, ¡ahora con personajes de Disney! Incluso las versiones más optimistas de la IA, que presagian un mundo de juego y nada de trabajo, pueden parecer tan utópicas fuera de este mundo que también dan un poco de miedo.
Nuestros sentimientos contradictorios quedan reflejados en el gráfico del año de la Reserva Federal de Dallas que pronostica cómo la IA podría afectar la economía en el futuro:
Línea roja: singularidad de la IA y dinero casi infinito. Línea morada: extinción humana total impulsada por la IA y, eh, cero dinero.
Pero creo que parte de la razón por la que encontramos la IA tan inquietante es que los usos inquietantes (en torno al trabajo, la educación, las relaciones) son los que han recibido la mayor atención, mientras que los usos prosociales de la IA que en realidad podrían ayudar a abordar problemas importantes tienden a pasar desapercibidos. Si quisiera cambiar la opinión de la gente sobre la IA, para darles las buenas noticias que traería esta tecnología, comenzaría con lo que podría hacer por los cimientos de la prosperidad humana: la investigación científica.
Realmente necesitamos mejores ideas
Pero antes de llegar allí, aquí están las malas noticias: cada vez hay más pruebas de que la humanidad está generando menos ideas nuevas. En un artículo ampliamente citado con el título extremadamente poco sutil “¿Se están volviendo más difíciles de encontrar las ideas?” El economista Nicholas Bloom y sus colegas analizaron sectores que van desde los semiconductores hasta la agricultura y descubrieron que ahora necesitamos muchísimo más investigadores y gasto en I+D sólo para mantener la productividad y el crecimiento en la misma vieja línea de tendencia. Tenemos que remar más duro para permanecer en el mismo lugar.
Dentro de la ciencia, el patrón parece similar. Un 2023 Naturaleza El artículo analizó 45 millones de artículos y casi 4 millones de patentes y descubrió que el trabajo se está volviendo menos “disruptivo” con el tiempo y es menos probable que envíe un campo en una nueva dirección prometedora. Luego está la crisis demográfica: las nuevas ideas provienen de la gente, por lo que menos gente acaba significando menos ideas. Con la fertilidad en los países ricos por debajo de los niveles de reemplazo y la población global probablemente estabilizándose y luego disminuyendo, se avanza hacia un escenario de “planeta vacío” donde los niveles de vida se estancan porque simplemente no hay suficientes cerebros para traspasar la frontera. Y si, como está haciendo la administración Trump, se corta el flujo de talento científico extranjero, esencialmente se está gravando dos veces la producción de ideas.
Irónicamente, un problema importante aquí es que los científicos tienen que recorrer demasiada ciencia. Se están ahogando cada vez más en datos y literatura que les falta tiempo para analizar, y mucho menos utilizar en el trabajo científico real. Pero esos son exactamente los cuellos de botella que la IA está bien preparada para atacar, razón por la cual los investigadores están llegando a la idea de “la IA como cocientífica”.
Profesor AI, a su servicio
El ejemplo más claro que existe es AlphaFold, el sistema DeepMind de Google que predice la forma tridimensional de las proteínas a partir de sus secuencias de aminoácidos, un problema que solía llevar meses o años de minucioso trabajo de laboratorio por proteína. Hoy en día, gracias a AlphaFold, los biólogos tienen predicciones de alta calidad para prácticamente todo el universo proteico en una base de datos, lo que hace que sea mucho más fácil diseñar el tipo de nuevos medicamentos, vacunas y enzimas que ayudan a mejorar la salud y la productividad. AlphaFold incluso obtuvo el máximo sello de aprobación científica cuando ganó el Premio Nobel de Química de 2024. (Está bien, técnicamente, el premio fue para los creadores de AlphaFold, Demis Hassabis y John Jumper de DeepMind, así como para el biólogo computacional David Baker, pero fue AlphaFold quien hizo gran parte del trabajo duro).
O tomemos la ciencia material, es decir, la ciencia de las cosas. En 2023, DeepMind presentó GNoME, una red neuronal gráfica entrenada con datos de cristales que propuso alrededor de 2,2 millones de nuevas estructuras de cristales inorgánicos y marcó aproximadamente 380.000 como probablemente estables, en comparación con solo unos 48.000 cristales inorgánicos estables que la humanidad había confirmado previamente. Eso representó cientos de años de descubrimiento de una sola vez. La IA ha ampliado enormemente la búsqueda de materiales que podrían fabricar baterías más baratas, células solares más eficientes, mejores chips y materiales de construcción más resistentes.
Si realmente queremos hacer la vida más asequible y abundante, si tomamos en serio el crecimiento, el proyecto político más interesante no es prohibir la IA ni adorarla.
O tomemos algo que afecta la vida de todos, todos los días: el pronóstico del tiempo. El modelo GraphCast de DeepMind aprende directamente de décadas de datos y puede generar un pronóstico global de 10 días en menos de un minuto, haciéndolo mucho mejor que los modelos estándar. (Si está notando un tema, DeepMind se ha centrado más en aplicaciones científicas que muchos de sus rivales en IA). Esto eventualmente puede traducirse en mejores pronósticos del tiempo en su televisor o teléfono.
En cada uno de estos ejemplos, los científicos pueden tomar un dominio que ya es rico en datos y está estructurado matemáticamente (proteínas, cristales, la atmósfera) y dejar que un modelo de IA beba de una manguera de datos pasados, aprenda los patrones subyacentes y luego busque enormes espacios de “¿y si?” posibilidades. Si la IA en otras partes de la economía parece centrarse principalmente en reemplazar partes del trabajo humano, la mejor IA en ciencia permite a los investigadores hacer cosas que antes simplemente no eran posibles. Eso es una adición, no un reemplazo.
La próxima ola es aún más extraña: sistemas de inteligencia artificial que realmente pueden correr experimentos.
Un ejemplo es Coscientist, un gran “socio de laboratorio” basado en modelos de lenguaje creado por investigadores de Carnegie Mellon. En un 2023 Naturaleza En el artículo, demostraron que Coscientist podía leer documentación de hardware, planificar experimentos químicos de varios pasos, escribir código de control y operar instrumentos reales en un laboratorio totalmente automatizado. En realidad, el sistema organiza los robots que mezclan productos químicos y recopilan datos. Todavía es temprano y está muy lejos de ser un “laboratorio autónomo”, pero demuestra que con la IA, ya no es necesario estar en el edificio para hacer ciencia seria en un laboratorio húmedo.
Luego está FutureHouse, que no es, como pensé al principio, una especie de DJ europeo de EDM futurista, sino una pequeña organización sin fines de lucro respaldada por Eric Schmidt que quiere construir un “científico de IA” dentro de una década. ¿Recuerda ese problema de que simplemente hay demasiados datos y demasiados artículos para que los procese cualquier científico? Este año, FutureHouse lanzó una plataforma con cuatro agentes especializados diseñados para eliminar ese cuello de botella: Crow para preguntas y respuestas científicas generales, Falcon para revisiones bibliográficas profundas, Owl para “¿alguien ha hecho X antes?” verificación cruzada y Phoenix para flujos de trabajo químicos como la planificación de síntesis. En sus propios puntos de referencia y en los primeros artículos externos, estos agentes a menudo superan tanto a las herramientas genéricas de IA como a los doctores humanos a la hora de encontrar artículos relevantes y sintetizarlos con citas, realizando el agotador trabajo de revisión que libera a los científicos humanos para hacer, ya sabes, ciencia.
La obra maestra es Robin, un “científico de IA” multiagente que une esas herramientas en algo parecido a un flujo de trabajo científico de extremo a extremo. En un ejemplo, FutureHouse utilizó a Robin para abordar la degeneración macular seca relacionada con la edad, una de las principales causas de ceguera. El sistema leyó la literatura, propuso un mecanismo para la afección que involucraba muchas palabras largas que no puedo comenzar a deletrear, identificó el fármaco para el glaucoma ripasudil como candidato para un tratamiento reutilizado y luego diseñó y analizó experimentos de seguimiento que respaldaban su hipótesis, todos con humanos ejecutando el trabajo de laboratorio y, especialmente, verificando dos veces los resultados.
Junte las piezas y podrá ver un futuro cercano plausible en el que los científicos humanos se centren más en elegir buenas preguntas e interpretar los resultados, mientras que una capa invisible de sistemas de inteligencia artificial se encarga del trabajo pesado de leer, planificar y hacer cálculos numéricos, como un ejército de estudiantes de posgrado no remunerados.
Deberíamos utilizar la IA para las cosas que realmente importan
Incluso si la población mundial se estanca y Estados Unidos sigue dificultando la inmigración de los científicos, la abundante IA para la ciencia aumenta efectivamente el número de “mentes” que trabajan en problemas difíciles. Eso es exactamente lo que necesitamos para reactivar el crecimiento económico: en lugar de simplemente contratar más investigadores (una propuesta cada vez más difícil), hacemos que cada investigador existente sea mucho más productivo. Idealmente, esto se traduce en un descubrimiento y reutilización de medicamentos más baratos que eventualmente pueden reducir los costos de atención médica; nuevas baterías y materiales solares que hacen que la energía limpia sea realmente barata; mejores pronósticos y modelos climáticos que reduzcan las pérdidas por desastres y faciliten la construcción en más lugares sin ser arrasados por condiciones climáticas extremas.
Sin embargo, como siempre ocurre con la IA, existen salvedades. Los mismos modelos de lenguaje que pueden ayudar a interpretar artículos también son muy buenos para alterarlos con confianza, y evaluaciones recientes sugieren que generalizan en exceso y tergiversan los hallazgos científicos mucho más de lo que a los lectores humanos les gustaría. Las mismas herramientas que pueden acelerar el diseño de vacunas pueden, en principio, acelerar la investigación sobre patógenos y armas químicas. Si conectas IA a equipos de laboratorio sin las comprobaciones adecuadas, corres el riesgo de ampliar no sólo los buenos experimentos sino también los malos, más rápido de lo que los humanos pueden auditarlos.
Cuando miro hacia atrás en el ahora famoso gráfico de la Reserva Federal de Dallas, donde la línea roja es “Singularidad de la IA: dinero infinito” y la línea violeta es “Singularidad de la IA: extinción”, creo que la verdadera línea que falta es la aburrida pero transformadora línea del medio: la IA como la infraestructura invisible que ayuda a los científicos a encontrar buenas ideas más rápido, reiniciar el crecimiento de la productividad y silenciosamente hacer que partes clave de la vida sean más baratas y mejores en lugar de más raras y aterradoras.
El público tiene razón al estar ansioso por las formas en que la IA puede fallar; Gritar “basta” es una respuesta racional cuando las opciones parecen ser un fracaso ahora o una singularidad/extinción más tarde. Pero si realmente queremos hacer la vida más asequible y abundante (si tomamos en serio el crecimiento), el proyecto político más interesante no es prohibir la IA ni adorarla. Más bien, significa insistir en que apuntemos la mayor cantidad posible de esta nueva y extraña capacidad al trabajo científico que realmente mueve la aguja en materia de salud, energía, clima y todo lo demás que decimos que nos importa.
Esta serie fue financiada por una subvención de Arnold Ventures. Vox tenía total discreción sobre el contenido de estos informes..
Una versión de esta historia apareció originalmente en el boletín Good News. ¡Regístrate aquí!