Os obstáculos da IA na inovação química: o impacto do paradoxo de Polyani
Conforme relatado aqui, a IA foi transformadora para muitos setores em 2023, incluindo biotecnologia, saúde, finanças, educação e muito mais. Dito isso, a IA também enfrenta muitos desafios e o editorial da Nature abaixo discute o lento progresso do uso da IA e de sistemas automatizados para síntese química. Essa discussão traz lições importantes para o uso da IA em geral e pode sugerir que o paradoxo de Polyani é um obstáculo significativo para a inovação impulsionada pela IA.
Os principais desafios da utilização da IA no desenvolvimento de processos de síntese química novos e melhorados incluem o seguinte:
- Os sistemas automáticos existentes para testar os resultados da IA só podem experimentar uma gama limitada de reações químicas em comparação com um químico humano.
- Falta de dados suficientes
- Falta de dados sobre resultados negativos, tais como condições de reação que não funcionaram
Os desenvolvimentos futuros na robótica certamente proporcionarão sistemas automáticos capazes de testar gamas mais abrangentes de reações químicas, e a quantidade de dados disponíveis para treinar sistemas de IA está a aumentar continuamente. A necessidade geral de mais dados para modelos de IA vorazes também pode ser resolvida com o desenvolvimento de sistemas de IA especializados, como o AlphaFold.
No entanto, a falta de dados negativos pode ser um problema difícil de resolver, uma vez que raramente são publicados em revistas científicas. Os químicos estão a tentar resolver esta questão através de iniciativas como a «Open Reaction Database», mas continua a ser um obstáculo significativo.
O problema dos dados negativos aponta para um problema mais profundo para a IA na inovação científica, frequentemente referido como o Paradoxo de Polyani, em homenagem ao filósofo da ciência com o mesmo nome. De acordo com Polyani, a descoberta científica depende do conhecimento pessoal adquirido pela experiência e internalizado inconscientemente. O Paradoxo de Polyani pode ser resumido como «Podemos saber mais do que podemos dizer».
Os pontos de dados negativos são frequentemente experiências internalizadas e não expressas que se tornam parte do conhecimento pessoal de indivíduos ou grupos de cientistas. Assim, informações, insights e experiências críticas para a inovação podem nunca ser expressas verbalmente ou de forma proposicional tangível da qual os modelos de IA possam aprender. Os dados negativos e o Paradoxo de Polyani podem, consequentemente, ser pontos cegos cruciais de certas aplicações da IA e essenciais para se ter em conta ao usar modelos de IA, seja para descobertas científicas ou qualquer empreendimento humano, como a resolução de problemas jurídicos. Para se tornarem melhores do que um químico humano, conforme solicitado pelo editorial da Nature, os modelos de IA devem, de alguma forma, superar o Paradoxo de Polyani.
As aplicações químicas exigem que os modelos computacionais sejam melhores do que o melhor cientista humano. Somente tomando medidas para coletar e compartilhar dados é que a IA será capaz de atender às expectativas na química e evitar tornar-se um caso de exagero em vez de esperança.
Ver artigo referenciado
