Cointeligencia: ¿Puede la IA aprender a hacer ciencia mejor que los humanos?
La revista Nature Medicine publicó el pasado mes de marzo un artículo con un título que no deja indiferente a nadie: The AI co-scientist is here (El cocientífico de IA está aquí). Lo que describe no es ciencia ficción. Se trata de un sistema de inteligencia artificial de Google que anticipó en horas un descubrimiento que un laboratorio del Imperial College London había tardado una década en lograr. Un científico de la Universidad de Stanford lo describió como consultar al oráculo de Delfos.
Estos sistemas ya no solo apoyan al investigador: revisan la literatura, detectan patrones entre disciplinas distintas, generan hipótesis, las comparan y las refinan. Algunos laboratorios automatizados van aún más lejos: controlan robots que ejecutan experimentos, analizan los resultados y recomienzan el ciclo, sin descanso, las veinticuatro horas del día. La pregunta que emerge es inevitable: Si el ciclo que creíamos propiamente humano puede automatizarse, ¿qué nos queda?
Antes de responder, vale una distinción importante. El físico y filósofo estadounidense Thomas Kuhn diferenciaba entre la ciencia cotidiana -esa que resuelve problemas con las herramientas que todos aceptan- y las grandes revoluciones: esos momentos en que alguien propone ver el mundo de una manera completamente distinta. La relatividad de Einstein no fue el siguiente peldaño en la escalera de Newton, fue una escalera nueva.
La inteligencia artificial es extraordinariamente buena subiendo escaleras existentes, pero su capacidad para construir escaleras nuevas es, por ahora, una pregunta abierta. Las grandes transformaciones del conocimiento no nacieron de identificar patrones en libros ya escritos, sino de la incomodidad ante algo que no encajaba, de tomar en serio una anomalía que todos preferían ignorar, de sospechar que el problema estaba mal planteado desde el principio.
Ese juicio no se aprende leyendo. Se forma en el proceso lento -a veces frustrante- de hacer ciencia con las manos: diseñar un experimento que falla, entender por qué falló. El artículo de Nature Medicine llama a esto "la brecha entre idear y ejecutar" y la atribuye a limitaciones técnicas pasajeras. Pero esa brecha es el espacio donde se forma el criterio científico, y también el ético. Decidir qué preguntas merecen hacerse, qué riesgos son aceptables, qué consecuencias anticipar, son decisiones que no pueden delegarse a un algoritmo. Un cocientífico artificial puede optimizar un proceso, pero no puede hacerse responsable de él. Y formar esa responsabilidad es, o debería ser, una tarea central de cualquier universidad seria.
La pregunta para las universidades es entonces brutal en su simpleza: ¿Qué estamos formando? Si la respuesta es operadores eficientes del ciclo científico, la máquina los va a superar. Si la respuesta es personas capaces de habitar la incertidumbre con rigor, de hacer preguntas que el mundo aún no sabe que necesita y de decidir con responsabilidad qué conocimiento merece existir, entonces la universidad no solo tiene futuro, tiene -por primera vez en mucho tiempo- una razón de ser que ningún algoritmo puede disputarle.