La inteligencia synthetic moderna es un producto de décadas de investigación científica minuciosa. Ahora, está comenzando a pagar ese esfuerzo acelerando el progreso en toda la academia.
Desde el surgimiento de la IA como un campo de estudio, los investigadores han soñado con crear herramientas lo suficientemente inteligentes como para acelerar el impulso interminable de la humanidad para adquirir nuevos conocimientos. Con el advenimiento del aprendizaje profundo en la década de 2010, este objetivo finalmente se convirtió en una posibilidad realista.
Entre 2012 y 2022, la proporción de artículos científicos que se han basado en la IA de alguna manera cuadruplicado a casi 9 por ciento. Los investigadores están utilizando redes neuronales para analizar datos, realizar revisiones de literatura o modelar procesos complejos en cada disciplina científica. Y a medida que avanza la tecnología, el alcance de los problemas que pueden abordar se está expandiendo día a día.
El chico del cartel para el uso de la IA en la ciencia es, sin duda, Alfafold de Google Deepmind, cuyos inventores ganaron el Premio Nobel de Química 2024. El modelo utilizó avances en transformadores, la arquitectura que alimenta modelos de lenguaje grandes, para resolver el “problema de plegado de proteínas” que tenía científicos atentados durante décadas.
La estructura de una proteína determina su función, pero anteriormente la única forma de descubrir su forma period con técnicas complejas de imágenes como cristalografía de rayos X y microscopía crioelectron. Alphafold, en comparación, podría predecir la forma de una proteína de nada más que la serie de aminoácidos que lo inventan, algo que los científicos informáticos habían estado intentando y no hacer durante años.
Esto permitió predecir la forma de cada proteína conocida por la ciencia en solo dos años, una hazaña que podría tener un impacto transformador en la investigación biomédica. Alfafold 3lanzado en 2024, va aún más lejos. Puede predecir tanto la estructura como las interacciones de proteínas, así como de ADN, ARN y otras biomoléculas.
Google también se ha vuelto suelto a su IA en otra área de las ciencias de la vida, trabajando con los investigadores de Harvard a crear el mapa más detallado de Conexiones cerebrales humanas hasta la fecha. El equipo tomó rodajas extremely delgadas de un cubo de cerebro humano de 1 milímetro y usó tecnología de imagen basada en IA para mapear las aproximadamente 50,000 células y 150 millones de conexiones sinápticas dentro.
Este es, con mucho, el más detallado “conectoma“Del cerebro humano producido hasta la fecha, y los datos ahora están disponibles libremente, proporcionando a los científicos una herramienta very important para explorar la arquitectura neuronal y la conectividad. Esto podría aumentar nuestra comprensión de los trastornos neurológicos y potencialmente proporcionar información sobre los procesos cognitivos centrales como el aprendizaje y la memoria.
AI también está revolucionando el campo de la ciencia de los materiales. En 2023, Google Deepmind lanzó una crimson neuronal gráfica llamado gnomo Eso predijo 2,2 millones de nuevas estructuras de cristal inorgánicos, incluidas 380,000 estables Eso podría formar la base de nuevas tecnologías.
Para no quedarse atrás, otros grandes desarrolladores de IA también han saltado a este espacio. El año pasado, meta Lanzado y de origen abierto Sus propios modelos de descubrimiento de materiales basados en transformadores y, de manera essential, un conjunto de datos con más de 110 millones de simulaciones de materiales que utilizó para capacitarlos, lo que debería permitir a otros investigadores construir sus propios modelos de IA de ciencias de materiales.
A principios de este año, Microsoft Lanzado MatterGenque utiliza un modelo de difusión, las mismas arquitecturas utilizadas en muchos modelos de generación de imágenes y movies, para producir nuevos cristales inorgánicos. Después del ajuste fino, mostraron que podría provocarse que produzca materiales con propiedades químicas, mecánicas, electrónicas y magnéticas específicas.
Una de las mayores fortalezas de IA es su capacidad para modelar sistemas demasiado complejos para las técnicas computacionales convencionales. Esto lo convierte en un ajuste pure para el pronóstico del tiempo y modelado climáticoque actualmente dependen de enormes simulaciones físicas que se ejecutan en supercomputadoras.
Google Deepmind’s Modelo gráfico fue el primero en mostrar la promesa del enfoque, que utilizó redes neuronales gráficas para generar pronósticos de 10 días en un minuto y con mayor precisión que los enfoques estándar de oro existentes que tomarían varias horas.
El pronóstico de IA es tan efectivo que ya ha sido desplegado por el Centro Europeo para pronósticos del tiempo de mediano alcance, cuyos Sistema de pronóstico de inteligencia synthetic Salí a vivir a principios de este año. El modelo es más rápido, 1,000 veces más eficiente energéticamente y ha aumentado la precisión del 20 por ciento.
Microsoft ha creado lo que llama un “modelo de base para el sistema Earth” llamado Aurora Eso fue entrenado en más de un millón de horas de datos geofísicos. Supera a los enfoques existentes para predecir la calidad del aire, las ondas oceánicas y las rutas de los ciclones tropicales al tiempo que usan órdenes de magnitud menos cálculo.
AI también está contribuyendo a descubrimientos fundamentales en física. Cuando el gran colider de hadrones aplasta los rayos de partículas, resulta en millones de colisiones por segundo. Tamizar a través de todos estos datos para encontrar fenómenos interesantes es una tarea monumental, pero ahora los investigadores son Volviendo a AI para hacerlo por ellos.
Del mismo modo, los investigadores en Alemania han estado utilizando IA para poro a través de datos de ondas gravitacionales para signos de fusiones de estrellas de neutrones. Esto ayuda a los científicos a detectar fusiones a tiempo para señalarles un telescopio.
Sin embargo, quizás lo más emocionante es la promesa de que AI asumiera el papel de los científicos mismo. Combinando la tecnología de automatización de laboratorio, robóticay el aprendizaje automático, se está volviendo posible crear “laboratorios autónomos”. Estos toman un objetivo de alto nivel de un investigador, como lograr un rendimiento explicit de una reacción química, y luego ejecutar experimentos de forma autónoma hasta que alcancen ese objetivo.
Otros van más lejos e involucran a la IA en la planificación y el diseño de experimentos. En 2023, los investigadores de la Universidad de Carnegie Mellon mostraron que sus AI “Coscientista” Impulsado por el GPT-4 de Openai, podría planificar de forma autónoma y llevar a cabo la síntesis química de compuestos conocidos.
Google ha creado un sistema de múltiples agentes Impulsado por su modelo de razonamiento Gemini 2.0 que puede ayudar a los científicos a generar hipótesis y proponer nuevos proyectos de investigación. Y otro “científico de IA” desarrollado por Sakana Ai escribió un documento de aprendizaje automático que pasó el proceso de revisión por pares para un taller en una prestigiosa conferencia de IA.
Sin embargo, como todo esto es, la adquisición de la ciencia de AI podría haber posibles desventajas. Las redes neuronales son cajas negras cuyos trabajos internos son difíciles de descifrar, lo que puede hacer que los resultados sean difíciles de interpretar. Y muchos investigadores no están lo suficientemente familiarizados con la tecnología para atrapar dificultades comunes que pueden distorsionar los resultados.
No obstante, el increíble poder de estos modelos para crecer a través de datos y modelar cosas a escamas mucho más allá de la comprensión humana sigue siendo una herramienta very important. Con una aplicación juiciosa, la IA podría acelerar masivamente el progreso en una amplia gama de campos.
