La inteligencia artificial no resolverá todo

Aunque Él grandes datos y el métodos de aprendizaje automático (aprendizaje automático) dan a veces resultados espectaculares, no permiten comprender los mecanismos implicados, que sólo pueden ser dilucidados por la investigación fundamental, que sigue siendo muy importante para asegurar el progreso científico. Así lo recuerda un editorial publicado en la revista señalización científica Holden Thorp, editor del periódico Cienciay Michael Yaffe, editor de la revista señalización científica.

“Ante la acumulación de vastas bases de datos científicas y nuevos métodos [informatiques et statistiques] análisis de estos grandes datos, es seductor creer que los principales avances en la ciencia biomédica provendrán principalmente de la traducción de estos tesoros de información directamente en aplicaciones para la salud, la agricultura y las estrategias para combatir el cambio climático, en lugar de los descubrimientos generados por la investigación básica. ”, dicen Thorp y Yaffe. Al mismo tiempo, señalan que las principales agencias de financiación nacionales, internacionales y privadas parecen destinar una parte sustancial de sus subvenciones a este enfoque destinado a desarrollar aplicaciones prácticas inmediatas.

Ambos están preocupados por el futuro de la investigación fundamental, cuyo objetivo es aumentar nuestro conocimiento del mundo y descubrir los mecanismos fundamentales que intervienen en los fenómenos que observamos, mecanismos que pueden explotarse para desarrollar aplicaciones biomédicas.

Pérdidas científicas a largo plazo

Argumentan que sigue siendo importante invertir en ciencia básica, aunque muchos argumentan que la investigación científica debería centrarse en preocupaciones más pragmáticas, especialmente en este momento, dada la increíble potencial que las tecnologías de lainteligencia artificial (IA) y los abundantes datos científicos. Todo esto para responder a los desafíos monumentales que enfrenta nuestra especie en particular, si no todo el planeta. Ellos “advierten contra la investigación que pone demasiado énfasis en la ganancia tecnológica a corto plazo, lo que conduciría a pérdidas científicas a largo plazo”.

“Los mayores avances de la ciencia siguen siendo el resultado de métodos de investigación probados”, subrayan, dando el ejemplo de paxlovideste antiviral usado contra COVID-19que surgió de nuestro conocimiento de la enzimología viral y la química médica tradicional, así como de la inmunoterapia para el tratamiento del cáncer, que surgió de los nuevos conocimientos adquiridos en inmunología durante la investigación básica.

El uso de métodos avanzados de aprendizaje automático como el aprendizaje profundo (aprendizaje profundo), en las ciencias biológicas nos ha revelado cuán deficiente es aún nuestra comprensión fundamental, dicen.

investigación básica vital

El software de cálculo AlphaFold y RoseTTAFold son capaces de predecir con precisión la estructura tridimensional de una proteína a partir de su secuencia de aminoácidos utilizando métodos de aprendizaje profundo: una hazaña increíble, que el ser humano nunca ha logrado, a pesar de conocer los principios físico-químicos desde la década de 1950. ellos informan

“Este ejemplo nos muestra que hay aspectos muy fundamentales del proceso de plegamiento de proteínas que aún no entendemos. Continuar con la investigación básica destinada a comprender este proceso es vital si queremos cerrar la brecha entre la predicción de la IA y nuestra comprensión científica”, escriben.

Otro ejemplo: el aprendizaje automático es mejor que los médicos para detectar patologías en mamografías, radiografías de tórax e imágenes de tomografía computarizada. “Pero lo que estos enfoques no logran hacer adecuadamente es explicar exactamente lo que ve la computadora cuando hace un diagnóstico o una clasificación. »

Y el aprendizaje automático solo podría haber predicho uno coronavirus, objeto de investigación básica desde la década de 1960, se convertiría en el patógeno que más amenazó al ser humano en los últimos cien años. Ni que las vacunas de ARNm nos protegerían de ella. Los frutos de la investigación científica fundamental nunca han sido más cruciales que en este episodio, señalan.

en que direccion mirar

“Si hoy tenemos vacunas de ARN, es en gran parte gracias a la investigación fundamental realizada por la húngara Katalin Karikó, quien, hace 25 años, buscó entender cómo funciona el ARNm, cuando no estaba de moda. […] Los resultados básicos de la investigación son impredecibles. Tal vez no lleven a ningún lado, tal vez la respuesta sea negativa, pero es importante saber esto, porque nos dice que no miremos más en esa dirección”, agrega Yves Gingras, director del Observatorio de Ciencia y Tecnología.

Creer que con algoritmos basados ​​en deep machine learning y cantidades masivas de datos ya no necesitaremos teorías porque los datos nos darán las respuestas “constituye una especie de regresión al empirismo”, estima.

“Las técnicas de IA se basan en algoritmos que solo hacen correlaciones, que solo buscan relaciones entre varios elementos en una masa de datos. Y, una vez establecidas, estas relaciones permiten predecir casos futuros por inducción y extrapolación con cierta probabilidad”, dice el profesor de historia y sociología de la ciencia de la UQAM.

“Hacer predicciones no es explicar. Si nos contentamos con predecir, podríamos seguir utilizando el modelo planetario de los epiciclos de Ptolomeo. [astronome et mathématicien grec du II^e siècle de notre ère], lo cual está mal, pero funciona. Si la computadora cuenta con numerosos epiciclos, ciertamente da buenas predicciones de la posición de los planetas vistos desde la Tierra. Pero esto es solo una predicción empírica, que incluso permitió a los babilonios predecir eclipses sin entender realmente cómo sucedieron”, dice.

“Fue necesario que Kepler y Newton explicaran realmente —siguiendo la formulación de una teoría física basada en la atracción entre los planetas que giran alrededor del Sol— lo que Ptolomeo, y antes que él los escribas babilónicos, se contentaban con predecir”, recuerda en un crónico publicado en la revista por la ciencia.

predicciones falsas

El señor. Gingras también señala que “los pronósticos [produites par les méthodes de l’IA] Nunca trabaje al 100%. Suelen estancarse en un 80%. Son falsos en el 20% de los casos. Así que hay incertidumbre”.

“Hasta que no conozcamos el mecanismo, no podemos tener total confianza”, recuerda. Por otro lado, podemos confiar, por ejemplo, en las computadoras que hoy planean un viaje a la Luna porque aplican las ecuaciones de Newton, Kepler y Einstein, que sabemos que son válidas. »

Los autores del editorial publicado en señalización científica no condenen el uso de la IA, que ven como una técnica para acelerar los descubrimientos científicos. “Los algoritmos son tecnología, son útiles, pero no pueden reemplazar a la ciencia”, agrega el Sr. Gingrás.

“Surgirán más descubrimientos si primero confiamos en una mejor comprensión de la biología para guiar el análisis de datos, en lugar de pensar ingenuamente que vendrán de otra manera”, concluyen Thorp y Yaffe.

para ver en video