La compañía estadounidense OpenAI comunicó el martes que su más reciente tecnología de inteligencia artificial logró resolver uno de los denominados “problemas del milenio”, un conjunto de interrogantes matemáticas de gran complejidad que fueron planteadas para llevar a los mejores expertos del mundo hacia nuevos horizontes.
Este anuncio representa una señal contundente de que la inteligencia artificial está transformando de forma radical los niveles más avanzados de las matemáticas, un ámbito considerado durante décadas como una de las máximas expresiones del intelecto humano. El hecho ha generado entusiasmo en algunos matemáticos, pero también ha despertado inquietud en otros.
En el último año, diversos sistemas de IA han conseguido resolver una amplia gama de problemas que habían desafiado a los matemáticos durante largos periodos. Sin embargo, ninguno de esos casos tenía la relevancia ni la notoriedad del que la tecnología de OpenAI solucionó en días recientes. Los problemas del milenio se ubican entre los más investigados dentro de la disciplina.
“Esta es una culminación espectacular del arco que hemos visto en los últimos doce meses”, declaró Sébastien Bubeck, investigador de OpenAI, al referirse al nuevo logro de la empresa.
La firma indicó que uno de sus modelos más avanzados, el cual todavía no está disponible para el público, requirió únicamente 88 horas para resolver lo que los especialistas denominan “problema de existencia y suavidad de Navier-Stokes”. Dicho problema está vinculado a un conjunto de ecuaciones empleadas con frecuencia en la predicción del clima.
Las ecuaciones describen el comportamiento del agua y otros fluidos. El problema de Navier-Stokes, sin un valor práctico inmediato, indaga si dichas ecuaciones pueden fallar bajo ciertas circunstancias. La demostración de OpenAI afirma haber identificado precisamente ese tipo de situación.
Esto implicaría, al menos en teoría, que las propias leyes de la física podrían no cumplirse bajo determinadas condiciones; por ejemplo, que el agua pudiera explotar de forma espontánea. No obstante, matemáticos y físicos consideran poco probable que esa falla matemática se traduzca en un fenómeno real en el mundo físico.
El problema de Navier-Stokes fue uno de los siete “problemas del milenio” escogidos por el Instituto Clay de Matemáticas en el año 2000, como una manera de monitorear el avance de las matemáticas en el nuevo milenio. Dicho instituto, fundado por el empresario estadounidense Landon T. Clay, ofreció un premio de un millón de dólares por la primera solución correcta a cada problema. Hasta antes del anuncio de OpenAI, solo uno de ellos había sido resuelto.
“Estas preguntas son faros”, afirmó Terence Tao, profesor de la Universidad de California en Los Ángeles, reconocido por muchos como el mejor matemático de su generación. “Son grandes puntos de referencia que atraen los esfuerzos de los científicos humanos”.
Tao es una de las voces que han alertado públicamente sobre los posibles efectos negativos de los sistemas de IA más recientes en el campo de las matemáticas. Sostiene que si estas tecnologías logran resolver los problemas más difíciles con una intervención humana mínima, podrían debilitar la comprensión profunda de la disciplina.
“El esfuerzo necesario para resolver problemas suele ser muy instructivo. Te enseña algo. Es como ir al gimnasio y tener la meta de levantar una pesa cien veces”, explicó. “Ahora, la IA puede resolver preguntas sin realmente obtener ningún valor de ellas. Es como tener máquinas que pueden levantar pesas por ti en el gimnasio”.
Sin embargo, como él y otros señalan, los matemáticos todavía aportan cierto apoyo mientras los sistemas de IA resuelven estos problemas. OpenAI indicó que desplegó enormes equipos de “agentes de IA” para resolver el problema de Navier-Stokes, y que sus investigadores intercambiaron ideas clave entre estos grupos.
“Nuestro papel fue como el de un abejorro que realiza una polinización cruzada entre distintos grupos y lleva diferentes fragmentos de información”, comentó el investigador de OpenAI, Dan Roberts.
Los sistemas de IA también pueden basarse en avances clave logrados previamente por matemáticos destacados, o reproducir su trabajo de manera independiente. La noche anterior al anuncio de OpenAI, Tristan Buckmaster, profesor de matemáticas en la Universidad de Nueva York, señaló en redes sociales que había estado explorando una investigación similar con otro matemático que trabaja para Anthropic, el principal rival de OpenAI.
El martes, OpenAI reconoció en un blog que concentró sus recursos en el problema de Navier-Stokes después de enterarse de que otros matemáticos estaban explorando una investigación parecida. No obstante, la empresa afirmó que “no tuvo acceso a ninguno de sus trabajos por ningún medio”.
Compañías como OpenAI desarrollan sus tecnologías de IA mediante lo que los científicos llaman redes neuronales, sistemas que aprenden habilidades al analizar enormes cantidades de datos digitales. Hace aproximadamente dos años, estas empresas empezaron a perfeccionar dichos sistemas usando otra técnica denominada aprendizaje por refuerzo. A través de este proceso, los sistemas de IA pueden adquirir comportamientos adicionales mediante un extenso ciclo de prueba y error.
Por ejemplo, al resolver miles de problemas matemáticos pueden aprender qué métodos conducen a la respuesta correcta y cuáles no. Los investigadores en laboratorios como OpenAI desarrollan mecanismos complejos de retroalimentación que indican al sistema cuándo ha hecho algo bien y cuándo ha fallado.
OpenAI y Microsoft enfrentan una demanda por presunta infracción de derechos de autor relacionada con contenido de noticias utilizado para entrenar sus sistemas de IA. Ambas compañías han negado las acusaciones.
El aprendizaje por refuerzo es difícil de perfeccionar en áreas como la escritura creativa, la filosofía y la ética, donde resulta complicado definir objetivamente qué respuestas son correctas o incorrectas. Sin embargo, la técnica es especialmente adecuada para las matemáticas.
Mediante este proceso, los sistemas de IA pueden aprender a demostrar teoremas matemáticos usando un lenguaje de programación informática llamado Lean. Este lenguaje fue diseñado originalmente como una herramienta para los matemáticos humanos, pero ahora que los sistemas de IA tienen la capacidad de generar su propio código informático, también pueden emplear Lean para crear sus propias demostraciones matemáticas.
En enero, OpenAI y otra startup llamada Harmonic anunciaron que, en conjunto, dos de sus tecnologías de IA habían resuelto uno de los “problemas de Erdős”, una colección de problemas complejos sin resolver planteados por el académico del siglo XX Paul Erdős.
Algunos matemáticos señalaron que la solución generada por los sistemas de IA no difería significativamente del trabajo previo realizado sin ayuda de la IA. “Para mí, es como un estudiante muy listo que ha memorizado todo para el examen pero que no tiene una comprensión profunda del concepto”, comentó Tao al Times.
No obstante, con el transcurso de los meses, las tecnologías de OpenAI y otras empresas continuaron resolviendo problemas adicionales, a veces de formas más impresionantes.
OpenAI indicó que resolvió el problema de Navier-Stokes utilizando hasta 10,000 “agentes de IA” que trabajaron de manera coordinada. Es probable que operar una cantidad tan grande de sistemas de IA haya costado millones de dólares, debido a las enormes cantidades de energía eléctrica necesarias para hacer funcionar los chips especializados que impulsan estas tecnologías.
Noam Brown, investigador de OpenAI, reconoció que este era un “proceso muy costoso”, antes de añadir que los costos de operar tecnologías de IA tienden a disminuir a medida que empresas como OpenAI mejoran su eficiencia.
El martes, la empresa publicó un artículo donde describe su solución, incluyendo una demostración en Lean, lo que permite a los matemáticos externos ver cómo sus agentes resolvieron el problema. Sin embargo, Tao considera que eso sigue siendo un mal sustituto de que los humanos resuelvan el problema por sí mismos. Comparó a OpenAI con un guía de la naturaleza que encuentra un camino hacia una cascada escondida.
“Esto tiene cierto valor”, dijo. “Pero una vez que alguien muestra un camino específico hacia la cascada, la gente simplemente toma ese camino. No pasan tanto tiempo buscando otros caminos”.
Fuente: Infobae