¿Cómo está impactando la IA a la ciencia?

Artículo original ↗ Discusión en Hacker News ↗

Los avances en IA están remodelando el trabajo científico, desde hitos de alto perfil como las predicciones de estructura proteica de AlphaFold y las herramientas de descubrimiento algorítmico de DeepMind hasta usos más mundanos pero generalizados como la asistencia de código y el resumen de artículos. Los comentaristas evalúan el potencial de la IA para ofrecer soluciones “lo bastante buenas” a problemas difíciles de optimización y simulación —a veces entrando en el nicho percibido de la computación cuántica— frente a sus limitaciones actuales en áreas como la predicción completa de la función biológica. Junto con el optimismo sobre la investigación acelerada por IA, crece la preocupación por los riesgos éticos, el desplazamiento laboral, los impactos ambientales y una avalancha de artículos académicos plausibles pero de baja calidad, generados por IA, que tensionan la revisión por pares.

IA vs. Computación Cuántica

  • Algunos físicos se preocupan de que el rápido progreso de la IA y las soluciones heurísticas “lo bastante buenas” para problemas de optimización de clase NP (p. ej., logística, química) puedan recortar la financiación para la computación cuántica (QC), que avanza más lentamente.
  • Otros argumentan que la principal ventaja de QC no son los problemas NP-completos, sino la clase BQP (p. ej., factorización) y, en especial, la simulación de sistemas cuánticos.
  • Hay confusión y debate sobre si QC es “masivamente paralela”; varios comentarios subrayan que los algoritmos cuánticos aprovechan amplitudes y entrelazamiento, en lugar de un paralelismo de estilo clásico.
  • Las afirmaciones de que QC puede simular “cualquier efecto cuántico en O(1)” se cuestionan por simplistas y limitadas por las primitivas de hardware y las restricciones de lectura.

Plegamiento de Proteínas, AlphaFold e Impacto Biológico

  • AlphaFold es ampliamente visto como un avance revolucionario en la predicción de estructuras, acelerando enormemente el trabajo, pero no como una “solución” completa al plegamiento de proteínas:
    • Tiene dificultades con variantes missense y no produce directamente función, catálisis, dinámica o contexto celular.
    • La estructura estática es solo un paso en pipelines complejos para el diseño de fármacos o la comprensión de mutaciones.
  • Incluso una predicción perfecta de primaria→cuaternaria por sí sola no transformaría la sociedad; siguen existiendo grandes lagunas en el modelado de interacciones, dinámica y comportamiento de células completas.
  • Algunos prevén sistemas de IA que, en el futuro, mapeen mutación→cambio funcional y, combinados con CRISPR, permitan terapias genéticas amplias, pero esto se considera algo muy lejano.
  • Se sugiere que simuladores cuánticos o avanzados para la dinámica molecular de células completas podrían ser la próxima frontera.

Ética y Límites de la Tecnología Potente

  • Un sector argumenta que cierto conocimiento (p. ej., diseño de proteínas, IA avanzada) es “demasiado poder” para una sociedad miope y sin rendición de cuentas; ve la IA como netamente perjudicial y cuestiona los avances médicos y agrícolas que permitieron grandes poblaciones y daños ecológicos.
  • Otros responden que la tecnología (antibióticos, vacunas, fertilizantes) tiene enormes beneficios, que el crecimiento de la población se está desacelerando y que el problema central es el comportamiento humano, la gobernanza y la salud mental, no la tecnología en sí.

LLMs en la Práctica Científica

  • Muchos esperan que el mayor impacto a corto plazo provenga de usos mundanos:
    • Ayudar a investigadores que no programan a escribir y depurar código de experimentos.
    • Asistir con la lectura, el resumen y la redacción de artículos cargados de jerga, especialmente entre campos o idiomas.
  • Preocupaciones:
    • Los investigadores pueden no entender bien el código generado por IA como para detectar errores sutiles, pero los comentaristas señalan que esto ya ocurre con mucho código académico.
    • La verificación sigue requiriendo buen diseño de pruebas y cierta alfabetización en programación; la IA es una ayuda de productividad, no un sustituto de la comprensión.

Artículos Basura y Publicación Científica

  • Las conferencias están viendo un aumento de envíos plausibles pero vacíos, escritos por LLMs, lo que está tensionando la capacidad de los revisores.
  • Las respuestas propuestas incluyen filtros previos a la revisión y exigir que miembros consolidados de la comunidad “avalen” los envíos.
  • Algunos señalan que la prosa de los LLMs tiene tics estilísticos reconocibles, pero estos pueden reducirse con prompts cuidadosos, lo que sugiere que la detección basada en el estilo es frágil; se pide una divulgación explícita de la asistencia de IA.