En un lluvioso martes de julio, la bioquímica Anna Pertl formuló una pregunta, presionó Enter y se retiró a descansar. Al despertar, Co-Scientist, el sistema de Google diseñado para generar hipótesis científicas, había analizado más de 700 artículos, generado 108 estrategias contra la proteína MYC y descartado 107 de ellas. La única que quedó proponía un enfoque completamente opuesto a lo que el laboratorio venía investigando.
Este caso fue reportado por la revista Nature en su edición del 24 de septiembre, en un artículo de Elie Dolgin sobre los «co-científicos» de inteligencia artificial.
MYC es una proteína que se desregula en la mayoría de los tipos de cáncer y ha resistido décadas de esfuerzos para ser inhibida. Pertl realiza su doctorado en el Whitehead Institute, un centro de investigación biomédica ubicado en Cambridge, Massachusetts.
La máquina sugirió lo siguiente: en vez de disolver los agregados de proteínas que activan el gen, unirlos entre sí hasta que el ADN sea ilegible. Esto es exactamente lo opuesto a lo que busca Dewpoint Therapeutics, la empresa cofundada por el jefe de Pertl, el biólogo Richard Young.
“Nunca habíamos pensado en nada parecido”,
comentó su colega Kalon Overholt.
Hasta aquí, la parte de la historia que suele acaparar titulares. Pero falta la otra mitad.
La máquina solo funciona con un experto al lado
Antes de que Co-Scientist analizara un solo artículo, Pertl y Overholt dedicaron casi una hora a corregirlo. El sistema había interpretado la pregunta al revés: pensó que los cúmulos de proteínas eran el medicamento y no el objetivo, y asumió que siempre activan genes, cuando algunos hacen lo contrario. Sin esa corrección, las 108 estrategias habrían respondido a un problema que no existía.
Esa hora no la puede aportar cualquier persona. Se necesita alguien con suficiente conocimiento en biología del cáncer para detectar que la máquina se equivocó.
Y allí surge la paradoja que el reportaje de Nature menciona sin rodeos: para evaluar si una idea generada por IA es sólida, puede requerirse más conocimiento que nunca, justo cuando los estudiantes tienen menos oportunidades de adquirirlo a través de la práctica.
Ross King, biólogo computacional de la Universidad de Cambridge, lo expresa sin diplomacia: los protocolos generados por IA “no suelen ser muy buenos, son más bien recetas”. Y una receta de soufflé en manos de un novato, añade el reportaje, rara vez sube.
Anton Sinitskiy, químico computacional de la Universidad Northeastern en Boston, identifica el cuello de botella en la validación: una máquina puede proponer cualquier cosa, pero probarlo sigue siendo lento.
El recurso que se consume no se fabrica
Las empresas venden tiempo. Vivek Natarajan, investigador de Google que participó en la construcción de Co-Scientist, describe la herramienta como “un colaborador, un socio”. Le Cong, genetista molecular de Stanford y cofundador científico de la startup Phylo, menciona “mover a los humanos hacia arriba en la cadena de valor”.
El interés es claro y legítimo: cada hora de laboratorio que la IA ahorra es una hora que alguien paga.
Lo que ninguna de esas empresas vende es el científico capaz de afirmar que la máquina está equivocada. Ese producto se fabrica de una sola manera: años de experimentos fallidos, protocolos que no funcionan, datos mal etiquetados que alguien aprende a identificar. Las mismas tareas que la IA promete eliminar.
En el CXO Summit de Chicago Booth de este mes, se escuchó la misma tensión desde el ámbito empresarial. Michelangelo D’Agostino, vicepresidente de IA en Grainger, una distribuidora industrial, señaló que la mitad de su trabajo consiste en enseñar y reflexionar con Recursos Humanos sobre cómo cambian los puestos, incluida la decisión de si contratar juniors.
Reza Rooholamini, de CCC, una empresa que digitaliza seguros, compartió su fórmula: combinar a un pasante recién graduado que entiende de modelos con un experto de dominio con años de experiencia en el área. Funciona porque todavía existen ambos perfiles.
Semanas después de aquel martes, Pertl volvió a ejecutar la misma solicitud con los plazos y el presupuesto de un doctorado. Co-Scientist no devolvió ninguna hipótesis viable. La idea que sorprendió al laboratorio existía solo mientras nadie preguntara cuánto costaba probarla.
Un mercado que gasta el capital de la generación anterior
Hector Zenil, investigador en computación biomédica del King’s College de Londres, cierra el círculo: los investigadores capaces de entender el panorama completo valdrán más que nunca. Es cierto y es el problema.
Un mercado que paga más por un recurso escaso y a la vez desmantela la cadena que lo produce no está acelerando la ciencia. Está consumiendo lo que otros formaron.
La IA ya sabe proponer. Saber cuándo descartar sigue siendo un oficio, y ningún oficio se aprende mirando trabajar a una máquina.
Fuente: Infobae