La inteligencia artificial (IA) está dando forma al campo de la ciencia de maneras sin precedentes. **Desde acelerar el proceso de investigación hasta generar nuevas hipótesis de investigación, la incorporación de la IA aporta un enorme potencial a la ciencia. **
A principios de este año, Yann LeCun, uno de los padrinos de la IA moderna, dijo: "Al aumentar la inteligencia humana, la IA puede provocar un nuevo renacimiento, tal vez una nueva etapa de la Ilustración".
Hoy en día, la IA ya puede hacer que algunos procesos científicos existentes sean más rápidos y eficientes, como descubrir nuevos antibióticos, nuevos materiales para baterías y paneles solares, así como predecir el clima a corto plazo, controlar la fusión nuclear y más. Demis Hassabis, director ejecutivo de Google DeepMind, comparó la IA con un telescopio y creía que "la IA puede provocar un renacimiento de nuevos descubrimientos y convertirse en un multiplicador de la sabiduría humana".
Sin embargo, ¿puede la IA hacer más cambiando la forma en que funciona la ciencia?
Descubrimiento basado en la literatura: la IA lidera el descubrimiento de conocimiento científico
De hecho, este cambio ha ocurrido antes.
Con la llegada del método científico en el siglo XVII, los investigadores comenzaron a confiar en las observaciones experimentales y las teorías derivadas de ellas en lugar de en la sabiduría convencional de la antigüedad. El establecimiento de laboratorios de investigación a finales del siglo XIX impulsó la innovación en campos que van desde la química hasta los semiconductores y los productos farmacéuticos. Estos cambios no sólo aumentan la productividad científica, sino que también transforman la ciencia misma, abriendo nuevas áreas de investigación y descubrimiento.
Entonces, ¿cómo podría la IA lograr una transformación similar en aquel entonces, no sólo en la generación de nuevos resultados, sino en nuevas formas de generar nuevos resultados?
**Un enfoque prometedor es el descubrimiento basado en la literatura (LBD). **
Como método de IA, el LBD tiene como objetivo realizar nuevos descubrimientos mediante el análisis de la literatura científica. Ya en la década de 1980, el Dr. Don Swanson de la Universidad de Chicago creó el primer sistema LBD para encontrar nuevas asociaciones en la base de datos de revistas médicas MEDLINE. Uno de los primeros éxitos de este enfoque fue vincular la enfermedad de Raynaud, una enfermedad circulatoria, con la viscosidad de la sangre, lo que llevó a la hipótesis de que el aceite de pescado podría ser útil en el tratamiento, hipótesis que luego se confirmó experimentalmente. Sin embargo, el alcance de los sistemas LBD en ese momento era limitado.
Hoy en día, la IA ha logrado avances significativos en el procesamiento del lenguaje natural (PNL) y la cantidad de literatura científica también ha aumentado significativamente, lo que hace que los métodos LBD sean aún más poderosos. Por ejemplo, en 2019, investigadores del Laboratorio Nacional Lawrence Berkeley en Estados Unidos utilizaron técnicas de aprendizaje no supervisadas para analizar resúmenes de literatura sobre ciencia de materiales y convertirlos en representaciones matemáticas llamadas "incrustaciones de palabras". Este enfoque permite a los sistemas de IA adquirir "intuición química" y sugerir nuevos materiales que podrían tener propiedades específicas. Después de la verificación experimental, los diez materiales candidatos principales mostraron un rendimiento excelente.
Un artículo reciente publicado en Nature Human Behavior por los sociólogos Jamshid Sourati y James Evans de la Universidad de Chicago amplía este enfoque de una manera novedosa. Los investigadores entrenaron un sistema para considerar tanto conceptos como autores y lograron mejores resultados que antes. Además, exigen que el sistema evite las direcciones de investigación convencionales e identifique hipótesis "extrañas" que es poco probable que se descubran en circunstancias normales. Este enfoque no sólo ayuda a acelerar los descubrimientos científicos, sino que también revela nuevos "puntos ciegos".
Hoy en día, los sistemas LBD no sólo pueden generar nuevas hipótesis de investigación, sino también identificar socios potenciales y facilitar la colaboración interdisciplinaria. La aplicación de este método se está ampliando para manejar diferentes tipos de documentos, como tablas, gráficos y figuras, brindando un apoyo más amplio a los científicos.
Científico robótico: la IA lidera la revolución de los laboratorios
**Los científicos robóticos representan otro desarrollo interesante más allá de la automatización tradicional de laboratorio. **Adquieren conocimientos previos sobre un área de investigación específica en forma de datos, artículos de investigación y patentes, luego generan hipótesis, realizan experimentos, evalúan resultados y, en última instancia, descubren nuevos conocimientos científicos.
"Adam" de la Universidad de Aberystwyth es un pionero de la robótica que ha logrado el primer descubrimiento independiente de nuevos conocimientos científicos. Un caso típico es el experimento sobre la relación entre genes y enzimas en el metabolismo de la levadura.
Los científicos robóticos más sofisticados, como "Eve", utilizan el aprendizaje automático para crear "relaciones cuantitativas estructura-actividad" (QSAR), modelos matemáticos que relacionan estructuras químicas con efectos biológicos, mientras planifican y analizan experimentos. Eve ya se ha utilizado en el descubrimiento de fármacos y descubrió con éxito que el triclosán, un compuesto antimicrobiano utilizado en la pasta de dientes, inhibe un mecanismo clave en el parásito que causa la malaria.
Hubo un tiempo en que la perspectiva de que las máquinas derrotaran a los mejores jugadores humanos parecía estar a décadas de distancia, pero la tecnología avanza más rápido de lo esperado. A medida que los científicos en robótica se vuelvan cada vez más capaces, será posible enfrentar a los futuros científicos en robótica con sistemas de inteligencia artificial que puedan jugar al ajedrez.
Ross King, un investigador de IA de la Universidad de Cambridge que creó a Adam, dijo: "Si la IA puede explorar todo el espacio de hipótesis, o incluso expandir este espacio, entonces puede mostrar que los humanos solo están explorando una pequeña parte del espacio de hipótesis. quizás debido a sus propios sesgos científicos. de."
Los robots científicos han transformado la investigación científica de una manera única al resolver problemas de eficiencia en el campo científico. La eficiencia de la investigación científica está disminuyendo gradualmente y es difícil promover el desarrollo de la frontera del conocimiento. Los científicos robóticos pueden resolver este problema a través de sistemas impulsados por IA, porque las máquinas pueden realizar trabajos de laboratorio más rápido, más barato y con mayor precisión que los humanos. y puede trabajar las 24 horas del día. Además, pueden proporcionar resultados experimentales reproducibles y aliviar la crisis de reproducibilidad.
El potencial y los desafíos de la IA en la ciencia
**Si bien la IA tiene un gran potencial en la ciencia, también enfrenta algunos desafíos. **
Además de un mejor hardware y software y una integración más estrecha entre los dos, también existe la necesidad de una mayor interoperabilidad entre los sistemas de automatización de laboratorio, así como estándares comunes que permitan a los algoritmos de IA intercambiar e interpretar información semántica. Otro obstáculo es la falta de familiaridad de los científicos con las herramientas basadas en IA. Además, a algunos investigadores les preocupa que la automatización amenace sus puestos de trabajo.
Sin embargo, el impacto de la IA es ahora “de gran alcance y generalizado”, afirmó la Dra. Yolanda Gil, científica informática de la Universidad del Sur de California. Muchos científicos están ahora "buscando activamente socios de IA". La conciencia sobre el potencial de la IA está creciendo, especialmente en los campos de la ciencia de materiales y el descubrimiento de fármacos, donde los profesionales están construyendo sus propios sistemas de IA.
En general, las revistas científicas han cambiado la forma en que los científicos descubren información y aprenden unos de otros. Los laboratorios de investigación ampliaron la escala de los experimentos y realizaron la industrialización de los experimentos. Al ampliar y combinar las dos primeras revoluciones, la IA puede cambiar la forma en que se realiza la investigación científica.
Enlaces de referencia:
Ver originales
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
The Economist: ¿Puede la IA cambiar la forma en que se realiza la investigación científica?
La inteligencia artificial (IA) está dando forma al campo de la ciencia de maneras sin precedentes. **Desde acelerar el proceso de investigación hasta generar nuevas hipótesis de investigación, la incorporación de la IA aporta un enorme potencial a la ciencia. **
A principios de este año, Yann LeCun, uno de los padrinos de la IA moderna, dijo: "Al aumentar la inteligencia humana, la IA puede provocar un nuevo renacimiento, tal vez una nueva etapa de la Ilustración".
Sin embargo, ¿puede la IA hacer más cambiando la forma en que funciona la ciencia?
Descubrimiento basado en la literatura: la IA lidera el descubrimiento de conocimiento científico
De hecho, este cambio ha ocurrido antes.
Con la llegada del método científico en el siglo XVII, los investigadores comenzaron a confiar en las observaciones experimentales y las teorías derivadas de ellas en lugar de en la sabiduría convencional de la antigüedad. El establecimiento de laboratorios de investigación a finales del siglo XIX impulsó la innovación en campos que van desde la química hasta los semiconductores y los productos farmacéuticos. Estos cambios no sólo aumentan la productividad científica, sino que también transforman la ciencia misma, abriendo nuevas áreas de investigación y descubrimiento.
Entonces, ¿cómo podría la IA lograr una transformación similar en aquel entonces, no sólo en la generación de nuevos resultados, sino en nuevas formas de generar nuevos resultados?
**Un enfoque prometedor es el descubrimiento basado en la literatura (LBD). **
Como método de IA, el LBD tiene como objetivo realizar nuevos descubrimientos mediante el análisis de la literatura científica. Ya en la década de 1980, el Dr. Don Swanson de la Universidad de Chicago creó el primer sistema LBD para encontrar nuevas asociaciones en la base de datos de revistas médicas MEDLINE. Uno de los primeros éxitos de este enfoque fue vincular la enfermedad de Raynaud, una enfermedad circulatoria, con la viscosidad de la sangre, lo que llevó a la hipótesis de que el aceite de pescado podría ser útil en el tratamiento, hipótesis que luego se confirmó experimentalmente. Sin embargo, el alcance de los sistemas LBD en ese momento era limitado.
Un artículo reciente publicado en Nature Human Behavior por los sociólogos Jamshid Sourati y James Evans de la Universidad de Chicago amplía este enfoque de una manera novedosa. Los investigadores entrenaron un sistema para considerar tanto conceptos como autores y lograron mejores resultados que antes. Además, exigen que el sistema evite las direcciones de investigación convencionales e identifique hipótesis "extrañas" que es poco probable que se descubran en circunstancias normales. Este enfoque no sólo ayuda a acelerar los descubrimientos científicos, sino que también revela nuevos "puntos ciegos".
Científico robótico: la IA lidera la revolución de los laboratorios
**Los científicos robóticos representan otro desarrollo interesante más allá de la automatización tradicional de laboratorio. **Adquieren conocimientos previos sobre un área de investigación específica en forma de datos, artículos de investigación y patentes, luego generan hipótesis, realizan experimentos, evalúan resultados y, en última instancia, descubren nuevos conocimientos científicos.
"Adam" de la Universidad de Aberystwyth es un pionero de la robótica que ha logrado el primer descubrimiento independiente de nuevos conocimientos científicos. Un caso típico es el experimento sobre la relación entre genes y enzimas en el metabolismo de la levadura.
Los científicos robóticos más sofisticados, como "Eve", utilizan el aprendizaje automático para crear "relaciones cuantitativas estructura-actividad" (QSAR), modelos matemáticos que relacionan estructuras químicas con efectos biológicos, mientras planifican y analizan experimentos. Eve ya se ha utilizado en el descubrimiento de fármacos y descubrió con éxito que el triclosán, un compuesto antimicrobiano utilizado en la pasta de dientes, inhibe un mecanismo clave en el parásito que causa la malaria.
Ross King, un investigador de IA de la Universidad de Cambridge que creó a Adam, dijo: "Si la IA puede explorar todo el espacio de hipótesis, o incluso expandir este espacio, entonces puede mostrar que los humanos solo están explorando una pequeña parte del espacio de hipótesis. quizás debido a sus propios sesgos científicos. de."
Los robots científicos han transformado la investigación científica de una manera única al resolver problemas de eficiencia en el campo científico. La eficiencia de la investigación científica está disminuyendo gradualmente y es difícil promover el desarrollo de la frontera del conocimiento. Los científicos robóticos pueden resolver este problema a través de sistemas impulsados por IA, porque las máquinas pueden realizar trabajos de laboratorio más rápido, más barato y con mayor precisión que los humanos. y puede trabajar las 24 horas del día. Además, pueden proporcionar resultados experimentales reproducibles y aliviar la crisis de reproducibilidad.
El potencial y los desafíos de la IA en la ciencia
**Si bien la IA tiene un gran potencial en la ciencia, también enfrenta algunos desafíos. **
Además de un mejor hardware y software y una integración más estrecha entre los dos, también existe la necesidad de una mayor interoperabilidad entre los sistemas de automatización de laboratorio, así como estándares comunes que permitan a los algoritmos de IA intercambiar e interpretar información semántica. Otro obstáculo es la falta de familiaridad de los científicos con las herramientas basadas en IA. Además, a algunos investigadores les preocupa que la automatización amenace sus puestos de trabajo.
Sin embargo, el impacto de la IA es ahora “de gran alcance y generalizado”, afirmó la Dra. Yolanda Gil, científica informática de la Universidad del Sur de California. Muchos científicos están ahora "buscando activamente socios de IA". La conciencia sobre el potencial de la IA está creciendo, especialmente en los campos de la ciencia de materiales y el descubrimiento de fármacos, donde los profesionales están construyendo sus propios sistemas de IA.
Enlaces de referencia: