La inteligencia artificial (IA) es ya una herramienta fundamental para el avance de la ciencia. “Como informático, creo que el ser humano es el programa más complejo jamás escrito. Es increíble poder acceder a una parte de ese código”, dice Pushmeet Kohli, vicepresidente de Ciencia de Google DeepMind. Sabe de lo que habla. Su jefe, Demis Hassabis, y su compañero John Jumper han ganado este año el Premio Nobel de Química por su aportación a “la predicción de la estructura…
de las proteínas mediante el uso de inteligencia artificial”. El galardón reconoce la utilidad de AlphaFold2, la herramienta que ha logrado describir la forma tridimensional de 200 millones de proteínas, una información clave para entender el funcionamiento de los organismos.
Kohli supervisó el equipo que escribió el código de AlphaFold2. Dirige a unos 150 investigadores que conforman la pata más puramente científica de DeepMind, la división de la empresa de Google que —según aseguran— vive al margen de las necesidades comerciales de su matriz y que no participa en la carrera de la IA generativa. Este experto en aprendizaje automático y visión computacional de 43 años se crio a los pies del Himalaya, en Dehradun, India, y se mudó a Reino Unido para completar sus estudios. Tras doctorarse en la Universidad de Cambridge, fue contratado por Microsoft, donde llegó a ser director de investigación. En 2017, Hassabis le pidió que se encargara de los proyectos científicos de DeepMind.
Para Kohli, la IA ha abierto un nuevo horizonte. “En cualquier área de la ciencia en la que te fijes, la IA está transformando lo que se puede hacer”, dice a EL PAÍS tras intervenir en el foro AI for Science, organizado en Londres por su empresa y la Royal Society.
Pregunta. ¿Hay alguna disciplina científica que no pueda verse beneficiada por el impulso de la IA?
Respuesta. Si puedes formular la pregunta científica en la que trabajas como un problema de razonamiento o como un problema de reconocimiento de patrones, en el que haya que extraer ciertas conclusiones de los datos, entonces la IA tiene mucho que aportar. Un error común es olvidar que tienes que ser capaz de capturar los datos de los objetos físicos que estás estudiando. Por ejemplo, no tiene sentido hacer modelos que traten de predecir las emociones, porque los datos con los que lo entrenarás son reacciones subjetivas de humanos que han visto tal o cual expresión facial o lenguaje corporal en contextos determinados. Es muy importante para nosotros conocer las limitaciones de los modelos.
