Obstáculos de la IA en la innovación química: El impacto de la paradoja de Polyani
Como se informa aquí, la IA ha transformado muchos sectores en 2023, como la biotecnología, la sanidad, las finanzas y la educación, entre otros. Dicho esto, la IA también se enfrenta a muchos retos y el editorial de Nature que aparece a continuación analiza el lento progreso del uso de la IA y los sistemas automatizados para la síntesis química. Este debate tiene importantes lecciones para el uso de la IA en general y puede sugerir que la paradoja de Polyani es un obstáculo importante para la innovación impulsada por la IA.
Entre los principales retos que plantea el uso de la IA en el desarrollo de procesos de síntesis química nuevos y mejorados figuran los siguientes:
- Los sistemas automáticos existentes para probar los resultados de la IA sólo pueden probar una estrecha gama de reacciones químicas en comparación con un químico humano.
- Falta de datos suficientes
- Falta de datos sobre resultados negativos, como las condiciones de reacción que no funcionaron.
Los futuros avances en robótica proporcionarán sin duda sistemas automáticos capaces de probar gamas más amplias de reacciones químicas, y la cantidad de datos disponibles para entrenar sistemas de IA aumenta continuamente. La necesidad general de más datos para modelos de IA hambrientos también puede resolverse desarrollando sistemas de IA especializados como AlphaFold.
Sin embargo, el problema de la falta de datos negativos puede ser difícil de resolver porque las revistas científicas rara vez los publican. Los químicos están abordando este problema con iniciativas como la "Open Reaction Database", pero sigue siendo un obstáculo importante.
El problema de los datos negativos apunta a un problema más profundo para la IA en la innovación científica que a menudo se conoce como la paradoja de Polyani, en honor al filósofo de la ciencia del mismo nombre. Según Polyani, el descubrimiento científico se basa en el conocimiento personal que se adquiere con la experiencia y se interioriza de forma inconsciente. La paradoja de Polyani puede resumirse así: "Podemos saber más de lo que podemos contar".
Los puntos de datos negativos suelen ser experiencias interiorizadas y no expresadas que pasan a formar parte del conocimiento personal de individuos o grupos de científicos. Así pues, es posible que la información, los conocimientos y las experiencias fundamentales para la innovación nunca se expresen verbalmente o en una forma proposicional tangible de la que puedan aprender los modelos de IA. En consecuencia, los datos negativos y la paradoja de Polyani pueden ser puntos ciegos cruciales de ciertas aplicaciones de la IA y es esencial tenerlos en cuenta al utilizar modelos de IA, ya sea para el descubrimiento científico o para cualquier empresa humana, como la resolución de problemas jurídicos. Para llegar a ser mejores que un químico humano, como pide el editorial de Nature, los modelos de IA deben superar de algún modo la Paradoja de Polyani.
Las aplicaciones químicas exigen que los modelos informáticos sean mejores que el mejor científico humano. Solo si se toman medidas para recopilar y compartir datos podrá la IA cumplir las expectativas en química y evitar que se convierta en un caso de bombo y platillo.
Ver artículo de referencia
