ChatGPT y medicamentos para el Covid ¿Qué tienen en común en los recientes premios Nobel?

Imagine que un niño posee una caja de juguetes y estás tratando de clasificar todos los juguetes en grupos, como coches, peluches y bloques de construcción. Al principio, el niño no sabe muy bien cómo hacerlo, así que empieza a clasificar algunos juguetes de la forma que le parece mejor. Luego, alguien le dice si acertó o no, y poco a poco, va aprendiendo a hacerlo cada vez mejor.

Para que dicho tipo de tareas la realice un computador, este debe ser capaz de aprender lo que es posible gracias a tecnologías de “aprendizaje profundo” que funcionan de una manera parecida a la del niño. Este es un tipo especial de aprendizaje que se utiliza para mirar mucha información (ej. fotos, sonidos o palabras) y trata de agruparla o entenderla de una manera útil. Para eso, el computador puede aprender de varias formas, similares a los humanos.

Una de ellas utiliza una “red neuronal” artificial, que es un modelo que se parece en ciertas funcionalidades a nuestro cerebro. Esta red se puede hacer cada vez más y más compleja para funcionar mejor utilizando diferentes “capas” de aprendizaje, donde cada capa trata de entender algo diferente, como los colores, las formas o las texturas en una foto.

Este tipo de tecnologías ha tenido un impacto tal que ha hecho posible muchas aplicaciones de Inteligencia Artificial (IA) hoy en día, desde el control autónomo de vehículos no tripulado, y el reconocimiento facial, hasta sistemas conversacionales como ChatGPT o Gemini.

Pero esto no quedó allí, pues recientemente se otorgó el premio Nobel de Física a dos científicos: John Hopfield y Geoffrey Hinton. Utilizando principios de la física y matemáticas, ambos sentaron las bases de estas nuevas tecnologías que permiten enseñar a las máquinas a aprender, aunque se debe notar que los primeros avances provienen de los años 40.

Hopfield fue responsable de crear una estructura capaz de almacenar y reconstruir imágenes y otros tipos de información utilizando modelos de “redes neuronales”, mientras que Hinton mejoró varios métodos que utilizan estas redes para resolver problemas complejos e inventó métodos que pueden descubrir de forma autónoma propiedades en los datos y que ha cobrado importancia para el desarrollo de las grandes redes neuronales que se utilizan actualmente, incluidas las que hacen posible el aprendizaje profundo.

Los estudios sobre las propiedades de la física posibilitaron el desarrollo de técnicas que permiten “entrenar” las máquinas, limitando el espacio de soluciones admisibles, mejorando la exactitud de las tecnologías. Muchas de las aplicaciones actuales, tales como ChatGPT, y las herramientas de IA generativa para creación de imágenes y videos, entre otras, son posibles gracias a los trabajos de Hinton.

Imagine ahora que el niño que estaba jugando previamente, se enfermó repentinamente. Lamentablemente, no existen medicamentos o los que hay no son muy efectivos para su enfermedad.

Si un científico desea diseñar un medicamento para una enfermedad, necesita crear alguna droga que encaje perfectamente en una proteína específica, como una llave en una cerradura. Pero para hacer eso, primero tiene que descubrir cómo es la “cerradura” (la estructura de la proteína) para poder diseñar la “llave” correcta (el medicamento). La forma específica de la proteína (usualmente en 3D) determina lo que puede hacer en el cuerpo, cómo hacer que nuestras células funcionen, ayudarnos a digerir alimentos o protegernos de enfermedades.

Descubrir la estructura de las proteínas es muy complicado y toma mucho tiempo porque estas son moléculas muy grandes y complejas, formadas por largas cadenas de aminoácidos que se pliegan en formas específicas, y que usualmente cambian de forma cuando interactúan con otras moléculas en el cuerpo.

Premio Nobel

El premio Nobel de Química de este año fue justamente en el ámbito del descubrimiento de proteínas. Este se otorgó a tres científicos: un químico, David Baker, por sus avances en el diseño computacional de proteínas y dos investigadores de IA, Demis Hassabis y John Jumper, de la empresa DeepMind, por el diseño de nuevas tecnologías para predecir la estructura de las proteínas.

Interesantemente, existe un patrón común con los avances premiados en el Nobel de Física: el trabajo de Hassabis y Jumper está basado en tecnologías de aprendizaje profundo. La tecnología, denominada AlphaFold, puede predecir la estructura de proteínas claves en 3D basándose solamente en sus secuencias de aminoácidos. Esto ha tenido impacto global en biología, descubrimiento de drogas, química, y lo más interesante, ha estado disponible para toda la comunidad científica, de modo de acelerar el descubrimiento de la estructura de casi todas las proteínas conocidas.

Como un todo, existen claramente dos elementos interesantes en estos dos premios recientes:

1. Están involucrados 4 científicos de la IA que han impactado en las áreas de Física y Química.

2. Ambos están basados en avances en un área de la IA, el aprendizaje profundo que utiliza redes neuronales artificiales.

Sin embargo, no todo ha sido “color de rosas” en ciencia y tecnología. En las últimas décadas, se ha presenciado un crecimiento exponencial del volumen de nuevo conocimiento científico y tecnológico, lo que debería llevar a grandes avances.

No obstante, variados estudios sugieren que el progreso se ha desacelerado en varias áreas importantes. Como consecuencia, basado en publicaciones científicas y patentes, se ha observado que es cada vez menos probable que estos rompan con el pasado de maneras que impulsen la ciencia y la tecnología en nuevas direcciones. Luego, es poco probable que las reducciones observadas sean impulsadas por cambios en la calidad de la ciencia publicada.

Quizás, evitar la desaceleración de la disrupción debería estar reflejada en un cambio fundamental en la naturaleza de la ciencia y la tecnología. Así, la entrega reciente de estos premios Nobel podrían representar un giro importante en la forma en que la ciencia y tecnología no sólo debería impactar a los problemas y desafíos de la humanidad, sino que también al avance de la misma ciencia pura.