Física e Inteligencia Artificial (IA) siempre se nutrieron mutuamente. Esta breve descripción de su historia llega al presente con la IA modificando las bases mismas de la investigación.
Disertación. El astrofísico teórico Francisco Villaescusa expone sobre el proyecto Denario, un complejo sistema multiagente de IA para el descubrimiento científico.
Foto:
Silvina Ponce Dawson Física e Inteligencia Artificial (IA) se han nutrido mutuamente a lo largo de los años. En una danza compleja, las investigaciones de una contribuyeron al desarrollo de la otra. En la actualidad la IA no solo está inspirando nuevas investigaciones en física, sino que está modificando profundamente cómo se investiga.
Esto abre grandes interrogantes sobre el futuro del ecosistema científico-académico y tecnológico.
El Premio Nobel de Física 2024 marcó un punto culminante de la relación Física-IA. Fue otorgado a John H. Hopfield y Geoffrey E. Hinton por sus “descubrimientos e invenciones fundamentales que posibilitan el aprendizaje automático con redes neuronales artificiales”, base esencial de la IA actual.
No existe un Nobel en Ciencias de la Computación. La decisión de otorgarlo en Física se basó en que ambos galardonados emplearon herramientas de la física en sus investigaciones. Hopfield, hijo de físicos y formado en física, comenzó su carrera en los Laboratorios Bell, donde se inventó el transistor. Más tarde fue profesor en universidades prestigiosas donde investigó en varios temas interdisciplinarios. En 2023 lo escuché dar una hermosa charla sobre su vida científica al recibir la Medalla Boltzmann que otorga la Unión Internacional de Física Pura y Aplicada (IUPAP) a personalidades notables de la física estadística. Allí habló, como cuando recibió el Nobel[1], de su poco tradicional trayectoria motivada por la curiosidad y el deseo de entender la naturaleza usando herramientas de la física. En la década de 1980 desarrolló un modelo de redes neuronales inspirado en los materiales magnéticos. Buscando comprender la memoria asociativa, es decir, cómo diferentes estímulos evocan el mismo recuerdo, notó que la matemática que describe la red neuronal que produce esa “convergencia” era similar a la de materiales sólidos magnetizables. Para “evocar” esos recuerdos era necesario previamente “guardar” las memorias. Eso significa entrenar la red. El entrenamiento modifica las conexiones entre las neuronas imitando a los organismos vivos. Una vez entrenada, la red responde evocando la memoria correspondiente al estímulo presentado. Este tipo de redes “de Hopfield” o similares pueden usarse para analizar imágenes e identificar “patrones” tales como números o letras. Desarrollos posteriores fueron más allá de la memoria asociativa impulsando el campo de las redes neuronales artificiales.
Durante los años 80 del siglo pasado, los trabajos de Hopfield, Hinton e investigadores fuera de las corrientes principales de la informática y la IA mantuvieron viva la investigación en redes neuronales atrayendo a muchos físicos estadísticos al tema. Posteriormente, junto al aumento en la capacidad de procesamiento y la disponibilidad de grandes cantidades de datos, el aprendizaje automático creció considerablemente en el siglo XXI, desde la informática, la física y otras áreas. En esta etapa, los algoritmos ya no solo clasifican o identifican patrones, sino que también crean contenido como textos, imágenes, videos, audio o código computacional, aprendiendo la estructura subyacente a los datos de entrenamiento. Esto requiere el uso de una enorme cantidad de datos. Además del gasto energético que insume este procesamiento, aparece el problema de la “maldición de la dimensionalidad”, el crecimiento exponencial de la complejidad computacional con la cantidad de datos utilizados. ¿Cómo logran aprender estas redes en un tiempo razonable? ¿Es posible darles una estructura inicial que haga más eficiente el aprendizaje? Encontrar respuestas a estas preguntas está atrayendo un número creciente de investigadores en física estadística [2].
No existe un Nobel en Ciencias de la Computación: en 2024, el Premio Nobel de Física fue otorgado a John H. Hopfield y Geoffrey E. Hinton por sus “descubrimientos e invenciones fundamentales que posibilitan el aprendizaje automático con redes neuronales artificiales”, base esencial de la IA actual.
Lo singular hoy es que la IA no solo influye en los temas de investigación en física, sino que está cambiando cómo se hace ciencia en todas las disciplinas. El 50% del Premio Nobel de Química 2024 fue para los desarrolladores de AlphaFold, el modelo de IA que predice la estructura tridimensional de proteínas a partir de la secuencia de aminoácidos[3]. Más allá de lo maravilloso de este avance y su relevancia para entender enfermedades y descubrir fármacos, el mismo podía ser esperable dada la gran capacidad de la IA para encontrar regularidades. Lo mismo sucede con el uso del aprendizaje automático para mejorar los mecanismos de control en experimentos aumentando su sensibilidad[4].
Lo revolucionario del momento actual es que los grandes modelos de lenguaje han permitido diseñar “agentes” que actúan como “cocientíficos” participando en todas las etapas del diseño y análisis de la investigación[5]. Asistí el año pasado a una charla sobre un software de investigación basado en agentes[6] donde al inicio el ponente le dio al software un conjunto de datos de observaciones cosmológicas. Al finalizar la charla los agentes habían decidido qué análisis realizar, encontrado regularidades y escrito un artículo listo para ser enviado a una revista. Recientemente, el software GPT-5.2 Pro conjeturó la fórmula final de un artículo de física teórica, basándose en cálculos preliminares de los autores humanos[7]. La IA está también cambiando la investigación en matemática, un bastión del razonamiento humano, resolviendo problemas y haciendo demostraciones[8]. ¿Qué significa entender en este marco?
“La física, en su máxima expresión, es un punto de vista para comprender la totalidad del hombre y del Universo” dijo Hopfield en su discurso de aceptación del Nobel. El desarrollo de la IA al que contribuyeron sus investigaciones está desafiando esta afirmación.
(*) La doctora Ponce Dawson pertenece al Departamento de Física, FCEN-UBA e Ifiba, Conicet-UBA. Además, es presidenta de la Unión Internacional de Física Pura y Aplicada, 2025-2027.
Producción y edición: Miguel Títiro - [email protected]