Nobel de Física a pioneros de la IA en los 80

En su anuncio, la Academia destacó que los galardonados de este año «utilizaron herramientas de la física para construir métodos que ayudaron a sentar las bases del potente aprendizaje automático actual». Hopfield creó una estructura que puede almacenar y reconstruir información: las redes de Hopfield, en 1982. Posteriormente, Hinton, junto a Sejnowski y otros coautores, desarrolló una extensión estocástica del modelo de Hopfield llamada máquina de Boltzmann. Tanto el modelo de Hopfield como la máquina de Boltzmann son redes neuronales recurrentes, fundamentales en los avances posteriores de los modelos neuronales de IA que procesan secuencias de datos. También Hinton desarrolló el mecanismo de aprendizaje de sistemas con múltiples capas de neuronas artificiales ('backpropagation'), un método que permite descubrir propiedades en los datos de forma independiente y que tiene una importancia capital para el aprendizaje de los grandes modelos de redes neuronales artificiales que se utilizan actualmente.

¿Qué significan estos avances y los resultados de estos investigadores en el escenario actual de la inteligencia artificial? En los años 70 e inicio de los 80 se estaba viviendo el llamado invierno de la IA. Los resultados de entonces no estaban a la altura de las altas expectativas e inversiones. Se había demostrado que los modelos neuronales de entonces (el perceptrón, con una sola capa de neuronas) no podían resolver problemas complejos. Los modelos de IA simbólicos, como los sistemas expertos, entonces más populares, tenían un alcance práctico muy limitado.

Los resultados de Hopfield y Hinton plantearon de forma independiente sendos descubrimientos que podemos afirmar que fueron determinantes para un renacer de la IA conexionista, modelos con múltiples capas de neuronas artificiales que ayudan a los ordenadores a aprender más de la forma en que lo hace el cerebro humano, proporcionando las bases para el desarrollo la IA, con el aprendizaje profundo, nombre que reciben los grandes modelos de múltiples capas de neuronas artificiales ('deep learning' en inglés) como tecnología principal.

La Academia Sueca destaca que las redes neuronales artificiales, gracias a su capacidad para interpretar grandes cantidades de datos, juegan un papel crucial en la investigación científica, incluyendo la física, donde se utilizan para diseñar nuevos materiales, procesar datos de aceleradores de partículas y estudiar el universo. El sistema de IA de DeepMind, GNoME, por sus siglas en inglés, ya se ha utilizado para predecir las estructuras de 2,2 millones de nuevos materiales. Entre ellos, más de 700 han sido creados en el laboratorio y se están probando en la actualidad.

Entre los grandes logros de la IA hemos de mencionar los avances en medicina y cambio climático. En medicina, éstos incluyen los importantes resultados detección de cáncer. Es especialmente destacable el sistema AlphaFold de DeepMind, que predice la estructura tridimensional de las proteínas, acelerando el progreso en medicina y biotecnología. Demis Hassabis, Director de Investigación de DeepMind y del proyecto AlphaFold, recibió este miércoles el Nobel de Química por revelar los secretos de las proteínas con IA y computación (ex aequo junto a John Jumper y David Baker). En cuanto al medio ambiente y cambio climático, importante campo de aplicación, los modelos como ClimateGPT y NeuralGCM destacan por sus capacidades para estudiar el cambio climático y realizar predicciones meteorológicas precisas de forma mucho más eficientes que modelos convencionales.

Actualmente, destaca el paradigma de la IA generativa, la creación de imágenes y lenguaje, con los grandes modelos de lenguaje (LLM por sus siglas en inglés) como su gran exponente (entre ellos el conocido ChatGPT). Los LLM, entrenados con grandes cantidades de datos textuales, pueden procesar y generar lenguaje natural para tareas como traducción y generación de texto. Estos modelos se basan en la arquitectura de Transformers, que utiliza mecanismos de atención para manejar dependencias a largo plazo en secuencias de texto, superando las limitaciones de modelos anteriores.

Geoffrey Hinton, tras una década trabajando con Google, se ha retirado para centrarse en los aspectos éticos de la IA. En un artículo reciente en Science (mayo 2024), 'Gestionar los riesgos extremos de la IA en medio del rápido progreso', aborda los riesgos del rápido avance de la IA, como el uso malicioso y la potencial pérdida de control humano, proponiendo un plan integral que combina investigación y gobernanza proactiva. El desarrollo de una IA fiable ('trustworthy AI' en inglés) y centrada en el ser humano es el gran objetivo de esta década. Las regulaciones y propuestas de gobernanza de la Comisión Europea y Naciones Unidas nos permiten tener confianza en el avance hacia una IA segura, gobernable y confiable.

Los resultados de Hopfield y Hinton impulsaron el auge de la IA, iniciando una 'primavera de la IA' que ha llevado a un momento de expectación sin precedentes en los últimos 40 años. Investigadores pioneros avanzaron en redes neuronales, y otros científicos se basaron en estos estudios para desarrollar los actuales modelos de IA. Este reconocimiento pone de relieve la relevancia de la IA en la actualidad gracias a décadas de investigación y al esfuerzo colectivo de la comunidad científica. La IA está transformando todas las áreas de la vida humana, desde la mencionada medicina hasta todos los ámbitos de la tecnología y la ciencia.