Enrique Herrera Viedma. Catedrático de Ciencias de la Computación e IA de la Universidad de Granada, vice-Presidente de Cybernetics en IEEE System, Man and Cybernetics Society y vicerrector de Investigación y Transferencia de la Universidad de Granada desde 2015. 

ArtÍculo

La inteligencia artificial (IA) es una tecnología que permite que las máquinas puedan realizar tareas que normalmente requieren inteligencia humana, como el reconocimiento de patrones, la toma de decisiones y el aprendizaje autónomo. La IA ha estado presente en nuestras vidas desde finales del siglo XX, pero es en los últimos dos o tres años cuando más impacto está teniendo en nuestras vidas de la mano de herramientas de inteligencia artificial generativa, como ChatGPT, Gemini o Midjourney, que han popularizado su uso entre la sociedad y que muestran una gran capacidad creativa y de generación de conocimiento cada vez más similar a la humana.

Según el último Informe 2024 sobre IA publicado por la Universidad de Stanford [1], el creciente uso de la IA está revolucionando la actividad en muchos sectores corporativos y gubernamentales. En particular, en las universidades, la adopción de la IA está transformando la educación superior, haciéndola más accesible, eficiente y personalizada; mejorando la productividad docente de los profesores y las capacidades de aprendizaje de los estudiantes, y también la productividad del personal de administración y servicios, así como la atención a los estudiantes y la gestión administrativa. Al mismo tiempo, también destaca que el progreso científico se ha acelerado considerablemente con importantes avances gracias a las nuevas aplicaciones IA, como, por ejemplo, AlphaDev, un sistema de IA basado en aprendizaje reforzado que hace más eficiente el desarrollo de nuevos algoritmos, o GNoME, que facilita el proceso de descubrimiento de nuevos materiales. El informe también identifica algunos aspectos que pueden afectar al uso de la IA en la investigaciones futuras que puedan ser desarrolladas en centros de investigación: la industria sigue dominando la investigación de vanguardia en IA (en 2023, produjo 51 modelos de machine learning de punta, mientras que la academia contribuyó solo con 15); el entrenamiento de los modelos de IA generativa más avanzados (Large Language Models, LLM) es cada vez más caro; y se echa en falta la existencia de una regulación estándar basada en criterios de responsabilidad, gobernanza y seguridad que debiera regir el desarrollo y uso continuado de los sistemas de IA.

La IA está de moda en la investigación por su implicación en muchos de los avances científicos más importantes del momento. Así lo ha creído la Real Academia Sueca de Ciencias que ha concedido sendos Premios Nobel, en Física y Química, a avances científicos relacionados con la IA [2]: John Hopfield y Geoffrey Hinton han sido galardonados con el Premio Nobel en Física por sus propuestas de técnicas de aprendizaje automático basados en redes neuronales artificiales, componente fundamental de los modelos de IA fundacionales de LLMs, y de otro lado, Demis Hassabis y John Jumper, de Google DeepMind, junto con David Baker, han sido premiados por sus avances en la predicción de estructuras de proteínas utilizando la herramienta de IA de Google AlphaFold, los cuales van a tener un enorme impacto en investigaciones en biomedicina y en el diseño de nuevos medicamentos.

CÓMO UTILIZAR LA IA EN EL DESARROLLO DE NUEVAS INVESTIGACIONES

El uso de la IA en investigación es aún incipiente en muchos campos científicos, pero en estos primeros pasos su uso está dando muestras de ser un auténtico catalizador de las investigaciones, transformando la investigación científica, y permitiendo descubrimientos más rápidos y precisos. En aquellas disciplinas científicas donde se usa la IA, esta está revolucionando el desarrollo de nuevas investigaciones optimizando procesos y mejorando la eficiencia de la actividad investigadora en muchas de sus tareas. Algunas de las tareas más importantes que forman parte del proceso de investigación en las que la IA está siendo aplicada son las siguientes:

1. Análisis de datos y descubrimiento de conocimientos: La IA puede procesar y analizar grandes volúmenes de datos de manera rápida y precisa, identificando patrones, correlaciones y tendencias que podrían pasar desapercibidos para los métodos tradicionales de análisis. Por ejemplo, en la investigación médica, la IA puede analizar datos genómicos para identificar mutaciones genéticas asociadas con enfermedades. La IA también permite combinar información de múltiples fuentes para descubrir nuevos conocimientos que aceleren la investigación. Por ejemplo, en astronomía ha sido utilizada para analizar datos de telescopios y descubrir nuevos exoplanetas. Estas capacidades de la IA pueden ayudar a los investigadores en la generación de hipótesis, el diseño de los experimentos y el análisis de datos para la validación de los resultados.
2. Modelado y simulación: Los algoritmos de IA junto con las técnicas de “Digital Twin” pueden crear modelos y simulaciones de fenómenos complejos, permitiendo a los investigadores probar hipótesis y predecir resultados sin necesidad de realizar experimentos físicos. Esto es especialmente útil en campos como la física y la química.
3. Automatización de tareas repetitivas: La IA puede automatizar tareas repetitivas y tediosas, liberando tiempo para que los investigadores se concentren en aspectos más creativos y estratégicos de sus proyectos de investigación. Por ejemplo, en la biología y la medicina, puede automatizar el análisis de imágenes microscópicas.
4. Colaboración interdisciplinaria: La IA fomenta la colaboración entre investigadores de distintas disciplinas, facilitando el intercambio de conocimientos y permitiendo obtener perspectivas innovadoras fruto de esa colaboración interdisciplinar. Una forma de hacerlo es usando herramientas y plataformas de IA que permiten integrar datos y conocimientos de diversas áreas para realizar análisis que requieren enfoques multidisciplinarios. Esto es una necesidad, por ejemplo, en investigaciones sobre el cambio climático.
5. Clasificación visual: La IA ha superado el rendimiento humano en tareas como la clasificación de imágenes y el razonamiento visual, lo que tiene implicaciones en la medicina, la seguridad y la investigación científica en general.
6. Procesamiento de lenguaje natural (PLN): Los LLMs son modelos de IA avanzada basados en aprendizaje profundo que han impulsado significativamente las capacidades del PLN, permitiendo interacciones más naturales e intuitivas entre humanos y máquinas, y abriendo nuevas posibilidades en aplicaciones como asistentes virtuales (chatbots), traducción automática y análisis de texto avanzado. Estas capacidades se están aplicando en muchos campos científicos e investigaciones con gran éxito.
7. Optimización de búsquedas y revisión bibliográfica. La IA mejora significativamente los procesos de búsquedas bibliográficas y documentales, que no es una tarea menor en el desarrollo de investigaciones. Herramientas de búsqueda basadas en IA y LLMs, como Perplexity, son de gran utilidad. Además, hay otras que permiten extraer automáticamente información relevante de una amplia gama de artículos científicos, identificar temas emergentes de investigación, ahorrando tiempo a los investigadores y ayudándoles a mantenerse actualizados en su campo, como ATLAS.ti.

A continuación, enumeramos algunos importantes ejemplos de avances científicos que se están consiguiendo gracias al uso de la IA en diferentes campos científicos: 

1. Medicina y salud: Nuevos métodos de diagnóstico basados en IA se están diseñando para analizar imágenes médicas y detectar enfermedades como el cáncer en etapas tempranas. Esto se puede hacer mediante algoritmos de aprendizaje profundo que pueden identificar anomalías en radiografías y resonancias magnéticas. Otro interesante uso de la IA es el descubrimiento de fármacos porque podemos acelerar el proceso de descubrimiento de nuevos medicamentos al predecir cómo interactuarán con sus objetivos en el cuerpo humano. En este campo hemos de destacar el gran impulso dado a la predicción de estructuras biomoleculares de la mano de la aplicación del software de IA AlphaFold, ya comentado, y que ha revolucionado la predicción de estructuras tridimensionales de proteínas, ADN y ARN con una precisión sin precedentes, y acelerado el descubrimiento de fármacos.

2. Clima: La IA se está usando para mejorar la precisión de los modelos climáticos de modo que se pueden hacer pronósticos meteorológicos más precisos y ayudar en las tareas de prevención de fenómenos atmosféricos peligrosos como danas o huracanes; igualmente pueden ayudar a predecir patrones meteorológicos y el impacto del cambio climático que puede sufrir una zona a largo plazo.

3. Astronomía: La IA está siendo usada para el descubrimiento de objetos celestes (planetas, estrellas y otros cuerpos celestes) a partir del análisis de grandes volúmenes de datos astronómicos obtenidos de telescopios y misiones espaciales.

4. Ciencias de los materiales: La IA mejora el descubrimiento de nuevos materiales acelerando la identificación y optimización de materiales con propiedades específicas.

5. Biología y genética: La IA se está usando en análisis genómico al analizar secuencias genómicas y comprender mejor las bases genéticas de enfermedades. También se está usando en el diseño de terapias genéticas personalizadas para tratar enfermedades hereditarias.

6. Física: La IA está transformando significativamente el campo de la física, ofreciendo nuevas herramientas y métodos para abordar problemas complejos. Por ejemplo, permite analizar y predecir el comportamiento de partículas y sistemas físicos complejos de manera más eficiente y precisa, como los fenómenos cuánticos.

7. Economía, educación y psicología: La IA está siendo fundamental para el desarrollo de chatbots basados en LLMs que son capaces de mantener conversaciones fluidas y naturales, y están teniendo un enorme éxito en tareas de servicio al cliente en bancos, o aprendizaje personalizado en educación, o desarrollo de terapias en psicología.

8. Marketing: El uso de modelos de LLM para análisis de sentimientos y emociones humanas desde texto es de gran valor en las investigaciones de marketing y en la segmentación de clientes guiada por IA.

9. Urbanismo: El uso de modelos de LLM también está dando muy buenos resultados en simulación de movilidad humana, lo que permite crear rutas de movimiento humano realistas, tiene aplicaciones en la planificación urbana, en la gestión del tráfico y la respuesta a desastres.

QUÉ RIESGOS ACECHAN AL USO DE LA IA EN LA INVESTIGACIÓN

El uso de modelos de IA en los procesos de investigación abre muchas oportunidades a nuevos avances científicos, pero también conlleva ciertos riesgos que deben tenerse en cuenta. Muchos de estos riesgos del desarrollo y uso de los sistemas de IA están ligados a los datos que se usan en el entrenamiento de los modelos de IA, otros están ligados al desarrollo y uso de sistemas de IA fiable y otros al impacto que el uso de la IA tiene en las instituciones e individuos que los aplican:

1. Sesgo en los datos: Los sistemas de IA pueden perpetuar o incluso amplificar sesgos presentes en los datos de entrenamiento, lo que puede llevar a conclusiones erróneas, engañosas o injustas, o incluso a la perpetuación de estereotipos. Para tratar estos riesgos, es crucial que los investigadores tomen medidas para corregirlos como la implementación de técnicas de desescalado de sesgos y la evaluación continua de los modelos de IA para detectar y corregir sesgos.

2. Privacidad y seguridad: El uso de grandes volúmenes de datos en los sistemas de IA puede poner en riesgo la privacidad de los individuos y de las instituciones analizadas. Esto puede acarrear problemas de pérdida de confianza para la participación en las investigaciones y de integridad de datos que invaliden los resultados, sanciones por incumplimiento de normativas de protección de datos, y riesgos de exposición de datos sensibles. Para mitigar estos riesgos se aplican técnicas de cifrado de datos, el control de accesos a las bases de datos y la formación continua en seguridad de datos para los investigadores.

3. Transparencia y explicabilidad: Muchos modelos de IA, especialmente los de aprendizaje profundo, son cajas negras difíciles de interpretar. Esto puede dificultar la comprensión de cómo se toman las decisiones y reducir la confianza en los resultados. Por ello, implementar medidas de transparencia y explicabilidad en los sistemas de IA puede ayudar a entender mejor su funcionamiento, facilitar la adopción de los mismos, y lo que es más importante, permitir a los investigadores la reproducción de los experimentos, lo que permite validar los resultados y generar nuevos avances tomando como referencia los modelos existentes. Una forma de desarrollar modelos de IA explicables consiste en proporcionar información sobre cómo la IA toma sus decisiones mediante “explicaciones” de modo que los sistemas de IA puedan ser comprendidos e interpretados por los seres humanos [3]. 

4. Ética y responsabilidad: La IA puede ser utilizada de manera indebida o con fines poco éticos, como la manipulación de resultados de investigación o la creación de información falsa. Es esencial establecer marcos éticos claros y mecanismos de responsabilidad para garantizar la protección de los participantes en las investigaciones (especialmente en las investigaciones de salud), la credibilidad de los resultados obtenidos, y evitar daños a los participantes, a la sociedad en general y al medio ambiente. Algunas herramientas para una mejor transparencia y explicabilidad de los sistemas de IA son fundamentales para asegurar que la IA se utilice de manera ética, justa, segura y responsable en la investigación académica [4].

5. Dependencia tecnológica: La IA es una tecnología que está mostrando ser muy útil para ayudar a los investigadores en la resolución de problemas. Muchas de las tareas en las que la IA puede asistir tienen que ver con algunas tareas de cálculo o de clasificación, tareas repetitivas y monótonas que no requieren una gran creatividad. Pero otras son tareas de análisis y generación de informes e incluso hipótesis que antes los investigadores tenían que hacer por sí mismos y ahora pueden ser hechos por un sistema de IA. Por tanto, la IA ayuda a los investigadores a mejorar su productividad en el proceso de investigación. Sin embargo, se incrementa el temor a que un exceso de dependencia de la IA en el desarrollo de investigaciones puede llevar a una disminución en las habilidades críticas y analíticas de los investigadores humanos, o incluso, si los investigadores dependen demasiado de la IA, puedan llegar a perder la capacidad de resolver problemas de manera autónoma. Para enfrentar este riesgo hay que fomentar la formación continua en IA y en las metodologías tradicionales, el análisis crítico de los investigadores, y diversificar el uso de herramientas en los procesos de investigación, incluyendo técnicas alternativas a la IA como análisis estadísticos o cualitativos.

6. Acceso y desigualdad: En el Informe de Stanford se destaca que los grandes modelos de IA (Gemini o ChatGPT) están siendo impulsados por grandes corporaciones tecnológicas privadas que asumen grandes inversiones económicas. Estas empresas privadas necesitan rentabilizar esas grandes inversiones. Por ello, el acceso real y completo a esos modelos de IA no es gratuito y puede resultar bastante costoso para las instituciones académicas. Esto puede limitar el acceso de las instituciones académicas a esas tecnologías avanzadas de IA, y aumentar la brecha entre las instituciones bien financiadas y aquellas con menos recursos. Asegurar que las instituciones académicas puedan contar con la infraestructura tecnológica adecuada para soportar el uso de los modelos avanzados de IA, y también con los recursos humanos y de formación, es una condición necesaria si no queremos que las instituciones académicas se descuelguen de las investigaciones que se están desarrollando y requieren de IA. Otra vía que se está siguiendo es el trabajo con modelos avanzados de IA de software abierto y gratuito como Llama, Bert, o Falcon.

CÓMO LA IA MEJORARÁ LA INVESTIGACIÓN EN LAS UNIVERSIDADES

Como hemos comentado, el uso de la IA ha acelerado las investigaciones en las instituciones académicas, pero aún está en sus primeros pasos, especialmente en el caso de las aplicaciones de IA generativa basada en LLMs. Los LLMs más avanzados empiezan a tener no solo capacidades avanzadas de procesamiento de lenguaje natural para generar texto, analizar emociones, traducir, codificar y aprendizaje en contexto, sino que también presentan capacidades de razonamiento, y esto abre nuevas oportunidades de resolución de problemas, descubrimientos, y de generación de conocimiento en todas las disciplinas. Estas capacidades hacen que los LLMs sean herramientas versátiles y poderosas en diversos campos, desde la investigación científica hasta aplicaciones empresariales y de consumo. Por tanto, cabe esperar que, con los continuos desarrollos de los modelos avanzados de IA, se incrementarán los progresos científicos y contaremos con más y mejores resultados de investigación en todos los campos del saber, que contribuirán a mejorar la calidad de nuestras vidas. Algunas tendencias y áreas clave donde la IA seguirá brillando son:

1. Investigación interdisciplinaria: Ayudará a integrar conocimiento de diferentes disciplinas para abordar problemas complejos de manera más integral.

2. Automatización de procesos: Continuará automatizando tareas repetitivas y tediosas, liberando tiempo para que los investigadores se concentren en aspectos más creativos y estratégicos de sus proyectos.

3. Análisis de Big Data: Con la creciente cantidad de datos disponibles, la IA será crucial para analizar y extraer información valiosa de grandes volúmenes de datos, acelerando el descubrimiento de nuevos conocimientos.

4. Modelado y simulación avanzados: Los algoritmos de IA permitirán la creación de modelos y simulaciones más precisos y detallados, lo que ayudará a los investigadores a probar hipótesis y predecir resultados con mayor exactitud.

5. Medicina personalizada: La IA jugará un papel fundamental en el desarrollo de tratamientos médicos personalizados, analizando datos genómicos y clínicos para diseñar terapias específicas para cada paciente.

6. Ética y regulación: A medida que la IA se integre más en la investigación, habrá un enfoque creciente en la ética y la regulación para garantizar que se utilice de manera responsable y equitativa.

En resumen, la IA ha mostrado que puede impulsar las investigaciones en un sentido amplio. Está todavía en sus primeros pasos, pero conforme se normalice su uso en los procesos de investigación, veremos cómo los progresos científicos se irán acelerando más y más. Hay que tener cuidado con hacer un uso ético, justo y responsable de la IA, que no nos haga dudar de los resultados alcanzados, y saber que la IA está aquí para ayudar a los investigadores en el descubrimiento de conocimiento y desarrollo de nuevos avances científicos, nunca para sustituirles.

Bibliografía

1. Stanford Institute for Human-Centered Artificial Intelligence. The AI Index Report: Measuring Trens about AI, 2024. https://aiindex.stanford.edu/report/
2. The Royal Swedish Academy of Sciences, 2024. All Nobel Prizes 2024. NobelPrize.org
3. Alejandro Barredo Arrieta, Natalia Díaz-Rodríguez, Javier Del Ser, Adrien Bennetot, Siham Tabik, Alberto Barbado, Salvador García, Sergio Gil-López, Daniel Molina, Richard Benjamins, Raja Chatila, Francisco Herrera. «Explainable Artificial Intelligence (XAI): Concepts, Taxonomies, Opportunities and Challenges toward Responsible AI». Information Fusion, Vol. 58 (2020), pp. 82-115.
4. Natalia Díaz-Rodríguez, Javier Del Ser, Mark Coeckelbergh, Marcos López de Prado, Enrique Herrera-Viedma, Francisco Herrera. «Connecting the dots in trustworthy Artificial Intelligence: From AI principles, ethics, and key requirements to responsible AI systems and regulation». Information Fusion, Vol. 99 N.101896 (2023