IA para ciencia: razonar, no solo procesar datos

En un argumento convincente, Eric Schmidt y Suhas Mahesh sostienen que, para que la IA realmente impulse la ciencia, debe ir más allá de su papel actual como procesadora de datos y desarrollar capacidades de razonamiento más sólidas. Afirman que los modelos de IA de hoy son esencialmente reconocedores de patrones avanzados, que destacan en identificar correlaciones en grandes conjuntos de datos, pero carecen de la comprensión causal y el razonamiento lógico necesarios para lograr avances científicos importantes. Los autores piden un cambio fundamental en la investigación de IA, enfocándose en sistemas que puedan formular hipótesis, diseñar experimentos y sacar conclusiones válidas de los resultados. Esto marcaría una transición del descubrimiento impulsado por datos al descubrimiento impulsado por hipótesis, donde la IA actúe como un verdadero socio científico y no solo como una herramienta. El texto enfatiza que, aunque los datos son esenciales, no son suficientes para la innovación; la IA necesita entender el 'por qué' detrás del 'qué'. Al priorizar el razonamiento, la IA podría ayudar a resolver algunos de los problemas más complejos en campos como la medicina, la física y la ciencia climática. Los autores instan a la comunidad investigadora a invertir en nuevas arquitecturas y métodos de entrenamiento que fomenten la inferencia lógica y el modelado causal, allanando el camino para que la IA contribuya al progreso científico genuino.