Desde la manzana de Newton hasta la relatividad de Einstein, la mente humana ha brillado por su capacidad de interpretar el caos y encontrar el orden y las fórmulas que lo representan. Pero, ¿estamos a las puertas de que este tipo de descubrimiento ya no sea exclusivo de nuestra especie? Vamos a dar una mirada a una investigación de este año, y que podría definir nuevas reglas del juego: AI-Newton, un sistema desarrollado por la Peking University que no solo predice fenómenos, sino que entiende la física detrás de ellos. Y lo más importante para mí: nos permite entenderla a nosotros.
Más allá de la "Caja Negra"
En la locura actual de la Inteligencia Artificial, estamos acostumbrados a las Redes Neuronales profundas y fundamentalmente a los LLMs (Grandes Modelos de Lenguaje). Herramientas, sin duda, fascinantes. Capaces de escribir poesía, predecir el plegamiento de proteínas con una precisión que asusta o programar un sistema informático completo. Sin embargo, tienen un defecto fatal para la ciencia pura: son "cajas negras".
Un LLM puede darte la respuesta correcta a un problema complejo, pero si le preguntas "¿por qué?", te dará una alucinación convincente o una explicación estadística, no una ley fundamental. Es como un oráculo que ve el futuro pero no puede explicar el mecanismo del destino.
Aquí es donde AI-Newton cambia la cosa. A diferencia de sus primos de aprendizaje profundo, este sistema utiliza una arquitectura basada en Regresión Simbólica y un flujo de trabajo de descubrimiento autónomo. No se limita a ajustar curvas; sino que busca conceptos.
El flujo de trabajo del científico artificial
Lo interesante es que imita nuestro propio método científico, pero potenciado con silicio:
- Exploración Incremental: No intenta resolver la Teoría del Todo el primer día. Comienza con experimentos simples y, mediante una estrategia, avanza hacia sistemas complejos solo cuando ha dominado los básicos.
- Lenguaje Específico de Dominio (DSL): En lugar de ocultar su conocimiento en millones de parámetros ilegibles, AI-Newton escribe sus hallazgos en un lenguaje matemático explícito. Si descubre que la fuerza es igual a la masa por la aceleración, te entregará la ecuación F = ma, no un tensor de mil dimensiones.
- Razonamiento Plausible: Si una ley funciona en un contexto pero falla en otro (como la conservación de energía en un sistema con muelles), el sistema no la descarta. Al igual que un físico humano, añade términos nuevos (como la energía potencial) para "arreglar" la ley y mantener la coherencia.
Entonces un poco mas en detalle, ¿Cómo "piensa" AI-Newton?
Primero, su "cerebro" no es una masa informe de neuronas digitales, sino una estructura dividida en dos pilares: una Base de Conocimiento (KB) y un Flujo de Trabajo de Descubrimiento.
- Aprender desde cero: Lo más interesante de su Base de Conocimiento es su punto de partida: la ignorancia deliberada. En su Base de Experimentos, AI-Newton no recibe leyes físicas preprogramadas. No sabe qué es la "masa" ni la "energía". Solo ve lo que vería una cámara y un sensor: objetos, geometría y coordenadas en el espacio-tiempo. A partir de estos datos crudos, construye su Base de Teoría utilizando un "Lenguaje Específico de Dominio" (DSL). Al igual que nosotros usamos palabras, AI-Newton crea Símbolos que agrupa en Conceptos (como velocidad o constantes de un muelle) para finalmente tejer leyes. Esta estructura jerárquica es la clave: no escupe números, construye un lenguaje.
- Imitando la evolución del científico humano
El sistema no intenta resolver la física cuántica el primer día. Utiliza un motor de recomendación con una estrategia de "control de era". ¿Qué significa esto? Que prioriza aprender lo simple antes de atacar lo complejo. Primero domina el movimiento básico y, solo cuando ha acumulado suficiente "intuición", pasa a sistemas caóticos.
- Pero la verdadera innovación es su capacidad de Razonamiento Plausible. Imaginemos que AI-Newton ha descubierto la conservación de la energía cinética en colisiones simples. De repente, se le presenta un sistema con muelles donde esa ley falla (la energía cinética desaparece y reaparece). Una IA tradicional inventaría una respuesta probable con apariencia de coherencia o en el mejor de los casos nos diría "No lo sé". AI-Newton, en cambio, deduce: "Si mi ley general es correcta, debe faltar algo aquí". Automáticamente, el sistema propone un nuevo término (lo que nosotros llamamos energía potencial elástica) para "arreglar" la ecuación y restaurar la conservación. Es decir, no solo ajusta datos; inventa conceptos necesarios para que el universo tenga sentido lógico.
En las pruebas, AI-Newton redescubrió exitosamente leyes de la mecánica clásica y la gravedad, definiendo por sí mismo conceptos como "masa" y "energía" sin que nadie se los enseñara previamente.
Conclusión: ¿Podemos entender la ciencia que la IA descubre?
La pregunta: ¿La IA puede descubrir ciencia nueva que los humanos podamos comprender?. Y no me refiero solo a generar la base para nuevos descubrimientos como AlphaFold (algo ya increiblemente útil para los científicos) sino, encontrar y definir nuevas leyes fundamentales y explicarnos paso a paso de donde salieron.
Si seguimos el camino de las Redes Neuronales puras, la respuesta es un peligroso "quizás no". Podríamos llegar a tener tecnologías que funcionan por principios que escapan totalmente a nuestra lógica, convirtiéndonos en usuarios de una magia tecnológica incomprensible.
Pero Esta investigación nos muestra un camino diferente. Al forzar a la IA a hablar el lenguaje de las matemáticas simbólicas y a estructurar su conocimiento en leyes y conceptos explícitos, garantizamos que el descubrimiento científico siga siendo un patrimonio intelectual humano. O por lo menos comprensible.
La IA no tiene por qué ser un oráculo mudo. Puede ser ese alumno brillante que, paso a paso, nos escribe en la pizarra la ecuación que explica el universo, permitiéndonos no solo usar la nueva ciencia, sino entenderla. Y me parece que en esa comprensión radica la verdadera evolución de la curiosidad humana.