Autor: Jordi Vitrià Catedrático de Informática, Universitat de Barcelona
En 1982, John Hopfield (Chicago, 1933), un físico con interés en los sistemas complejos, propuso una estructura inspirada en las redes neuronales del cerebro que era capaz de almacenar y recuperar información de forma efectiva: la red de Hopfield.
En este modelo inspirado en la física, las neuronas interactúan entre sí de forma similar a como los átomos en un imán pueden alterar la orientación de sus vecinos.
Algunos años más tarde, Geoffrey Hinton (Londres, 1947) propuso una mejora de estas redes, la máquina de Boltzmann, que tenía una cierta capacidad de generalización. Hinton lo logró inspirándose en la física estadística, que describe el comportamiento de un gas.
Hitos tempranos
Estas redes fueron hitos tempranos en la historia de las redes neuronales. Los desarrollos posteriores, menos relacionados con la física y con una influencia mayor de la neurociencia y las ciencias de la computación, han hecho que las redes sean mucho más poderosas y encuentren sus aplicaciones en el mundo real.
En 1986, Geoffrey Hinton, entonces investigador en el departamento de Ciencias de la Computación de la Universidad de Carnegie-Mellon, junto con los científicos cognitivos David Rumelhart y Ronald Williams, realizó un descubrimiento fundamental en el campo del aprendizaje automático: el algoritmo de retro-propagación del error (backpropagation). Este algoritmo mejoró significativamente la capacidad de las redes neuronales para aprender y reconocer patrones en los datos.
¿Una elección inusual?
Hopfield y Hinton, ambos galardonados con el Premio Nobel de Física 2024 por sus contribuciones al aprendizaje automático, pertenecen a una generación de investigadores que estableció los cimientos de las redes neuronales inspirándose en parte en los principios fundamentales de la física, como la energía, la temperatura y la dinámica de sistemas.
Sin embargo, su mayor contribución fue ir más allá de estos conceptos y expandir las fronteras del conocimiento, permitiendo el estudio científico de fenómenos como el aprendizaje, la representación de la información y la inteligencia.
Para ello demostraron lo que, desde mi punto de vista, es su valor fundamental: su gran capacidad para transcender los marcos de las disciplinas científicas convencionales y colaborar con informáticos, matemáticos o neurocientíficos.
Polémica y opiniones encontradas
Si buscamos la frase “Nobel 2024 ¿Esto es física?” en las redes sociales, encontraremos numerosas publicaciones con opiniones apasionadas que oscilan entre dos extremos: algunos afirman que el significado de la palabra “física” se ha desvirtuado, mientras que otros sostienen que la física abarca cualquier estudio cuantitativo de la realidad.
Este panorama contrasta claramente con lo que debería ser el mensaje central del Nobel de Física 2024: el valor de la interdisciplinariedad y la resistencia de la realidad a ser encasillada en nuestras disciplinas académicas de manera definitiva.
El carácter inusual de esta elección, que también se extiende al Nobel de Química (otorgado a dos informáticos especializados en IA, Demis Hassabi y John Jumper –junto con el biólogo computacional David Baker–), debería ser celebrado por todos aquellos que creen que los desafíos científicos del futuro no admiten este tipo de prejuicios y que establecer barreras entre campos no es la mejor opción.
Sobre la infalibilidad de los Nobel
El 24 de noviembre de 2016, Geoffrey Hinton hizo unas declaraciones que se han hecho famosas:
“Creo que si trabajas como radiólogo, eres como el Coyote en los dibujos animados. Ya has pasado el borde del acantilado, pero aún no has mirado hacia abajo. No hay suelo debajo. La gente debería dejar de formar radiólogos ahora. Es completamente obvio que, en cinco años, las redes neuronales profundas lo harán mejor que los radiólogos”.
La afirmación refleja el optimismo exagerado que, en ocasiones, acompaña a los avances científicos y que, en el caso de la IA, se ha visto magnificado a causa de las grandes inversiones generadas por esta tecnología.
Aunque las redes neuronales profundas han demostrado ser muy útiles en el análisis de imágenes médicas, la sustitución completa de los radiólogos no ha ocurrido, ni parece probable en el corto plazo. Esto subraya la necesidad de ser realistas respecto a las capacidades de la IA y sus limitaciones, especialmente en campos tan complejos como la medicina.
Futuro difícil de predecir
“En las mismas circunstancias, volvería a hacer lo mismo, pero me preocupa que el resultado general de esto pueda ser que sistemas más inteligentes que nosotros acaben tomando el control”, afirmó Hinton tras el anuncio del Nobel.
No es la primera vez que sus opiniones, en sintonía con quienes alertan sobre riesgos existenciales inminentes para la humanidad si se continúa con la investigación actual en IA, han suscitado controversia en la comunidad científica.
Sin embargo, es importante darle a esta declaración el valor adecuado: una opinión más sobre una posible evolución tecnológica que no dependerá únicamente del conocimiento científico y que es extremadamente difícil de prever.
Más que una predicción del futuro, la declaración de Hinton debe entenderse como una advertencia sobre la dirección que no deberíamos seguir. Como dijo el físico danés Niels Bohr: “Es difícil hacer predicciones, especialmente sobre el futuro”.
PERPLEXITY – Una gran opción de IA
La elección entre estas herramientas dependerá del tipo de interacción que busques y tus necesidades específicas.
noviembre 1, 2024PERPLEXITY – Una gran opción de IA
La elección entre estas herramientas dependerá del tipo de interacción que busques y tus necesidades específicas.
octubre 31, 2024Los datos son el petróleo del siglo XXI
En 2006, el matemático británico Clive Humby acuñó la frase “los datos son el nuevo petróleo”. Quizás esta afirmación parezca desproporcionada,...
octubre 28, 2024Cuando la emigración es sobrevivencia
De acuerdo con cálculos confiables, se ha determinado que las mariposas son capaces de volar de 102 a 112...
octubre 24, 2024