El Premio Nobel de Física 2024 fue para John J. Hopfield y Geoffrey E. Hinton «por descubrimientos e invenciones fundamentales que permiten el aprendizaje automático con redes neuronales artificiales». En otras palabras, los premiaron por ser los pioneros, en los 80s, de la inteligencia artificial que nos cautiva hoy.

Hopfield y Hinton entrenaron redes neuronales artificiales utilizando principios de la física. Aplicaron herramientas de esta disciplina para desarrollar métodos que son la base del aprendizaje automático.

Hopfield creó una memoria asociativa capaz de almacenar y reconstruir imágenes y otros tipos de patrones en los datos. Por su parte, Geoffrey Hinton inventó un método que puede encontrar propiedades en los datos de manera autónoma, lo que le permite realizar tareas como identificar elementos específicos en imágenes.

Ambos, a la par, también fueron vanguardistas al plantear las primeras advertencias sobre los riesgos de la IA.

Clarín entrevistó al doctor en Física, investigador superior del Conicet y director del laboratorio de Sistemas Biológicos de la Facultad de Ciencias Exactas de la UBA, Gabriel Mindlin, para entender por qué estos científicos de los años ochenta son los «padrinos» del tema que domina la agenda tecnológica del presente (y del futuro).

Para Mindlin, lo más importante que hay que entender de la «revolución del aprendizaje automático» es que, a diferencia de lo que fue siempre la ciencia interpretable -«desde los griegos para acá»-, la inteligencia artificial no busca entender los mecanismos detrás de el funcionamiento de la naturaleza, sino que «es un algoritmo al que se entrena por ejemplos y el sistema termina siendo capaz de resolver problemas nuevos gracias a cómo se reconfiguró como dispositivo computacional«.

En la ciencia interpretable, resumen en la comparación, se describen mecanismos, y en el aprendizaje automático, no.

«Vos tenés un dispositivo computacional, que se llama una red neuronal, un montón de unidades que pueden tomar valores muy sencillos y están interconectadas por pesos, y la entrenás adecuando esos pesos para que, en función de muchos ejemplos que le des, te permita resolver problemas de un mejor modo».

El profesor va a lo más sencillo de este tema complejo.

«Puedo entrar a una red neuronal un montón de ejemplos de radiografías de gente que tiene cáncer y un montón de gente que está sana, ajusto los parámetros para que cada vez que aparezca una radiografía enferma una neurona me diga: ‘estos son casos enfermos’, y que cada vez que me aparezca una radiografía sana diga: ‘sí, esta es una persona sana’. Ya no tenés que entender los mecanismos por los cuales esa manchita en una radiografía va a terminar comprometiendo a un pulmón. No. Es aprendizaje automático».

El hombre que entendió el algoritmo, el modo de ajustar esos pesos para entrenar a partir de ejemplos a la red neuronal, fue Hinton. El método se llama backpropagation y es un trabajo que el flamante Nobel hizo en 1986 cuando trabajaba en San Diego.

John J Hopfield fue previo. En1982 diseñó la primera red neuronal en la que se podía tener memorias, que es una propiedad cognitiva sofisticada, como la del cerebro humano.

«Entonces, algunas de las contribuciones más significativas en el avance del funcionamiento de las redes neuronales las hizo Hopfield, que originalmente trabajaba en la Universidad de Princeton, venía de la materia condensada, después se interesó en problemas de biología molecular, y finalmente en neurociencia, y ahí resolvió ese problema de las memorias, utilizando argumentos de la física», sigue Mindlin.

En sentido literal, no figurativo, ¿cómo linkeó Hopfield los argumentos de la Física con un dispositivo computacional?

«Resolvió el problema de las memorias definiendo que cada memoria iba a ser un atractor en la dinámica de esas redes neuronales y, bueno, vos podías tener información parcial, pero eventualmente la reconstruías por ese atractor. Hopfield fue un pionero en el trabajo de este dispositivo computacional, y Hinton fue el que nos enseñó a programar los pesos de una red neuronal a partir de ejemplos.»

Desde las bases, ¿qué vieron de atemorizante estos científicos «ochentosos»?

«Una de las consecuencias de lo que descubrieron, que es lo más atemorizante en términos de la inteligencia artificial, es que, por un lado, te da muchísimo poder, porque podés no estar entendiendo los mecanismos, pero si tenés suficientes datos tenés un dispositivo que resuelve problemas complejos, y, por otro, en la medida que te apoyes en algoritmos de inteligencia artificial, cedés un poco el control de las cosas». marca el investigador.

Y vuelve a hacer sencillo lo complejo.

«Vas tener un montón de pequeños códigos, que son burócratas que deciden si te van a dar un préstamo, un seguro médico, si te van a admitir para un empleo. Y es inapelable ese juicio, porque no se te dice con qué criterios se decidió que se te va a dar o no, porque no es que alguien lo programó y dijo: ‘Si gana menos de tanto, tiene tal edad, no le des un crédito o dáselo’. No podés discutir nada porque el problema (sistema) tampoco lo sabe, simplemente fue reajustando los pesos en esa red neuronal para maximizar las ganancias de la empresa o banco».

De hecho, en mayo del año pasado, Hinton anunciaba en una entrevista con el New York Times que abandonaba Google para poder «hablar de los peligros de la inteligencia artificial» libremente.

¿Cómo se enseña sobre inteligencia artificial en Argentina hoy?

En la Facultad de Ciencias Exactas y Naturales de la UBA hay varios cursos. Mindlin está al frente de uno que, justamente, se centra en la comparación entre la dinámica no lineal y la inteligencia artificial.

«La dinámica no lineal es como la antítesis de la IA, busca los mecanismos matemáticos mínimos que pueden expresar un fenómeno, con la menor cantidad de ecuaciones, la menor cantidad de términos, ir al hueso del comportamiento. Otros cursos tratan los problemas de la dinámica de redes neuronales en sí. Hay una gran oferta, tenemos varias carreras que lindan con esto: la de Computación, la de Datos, y la de Física», cierra el profesor.

Según pudo saber Clarín desde esa facultad, investigadores de todos los departamentos de Exactas están incorporando la inteligencia artificial a sus disciplinas, de manera que en muchas materias se usa hoy la IA como herramienta para resolver una variedad de problemas complejos.