¿Puede la IA de Wolfram resolver la ciencia moderna?

A esta última pregunta vamos a ver que la respuesta es inevitable y firmemente no. Pero eso no significa que la IA no pueda contribuir de forma importante al progreso de la ciencia. A un nivel muy práctico, por ejemplo, los LLM proporcionan un nuevo tipo de interfaz lingüística para las capacidades computacionales que hemos dedicado tanto tiempo a construir en Wolfram Language. Y a través de su conocimiento de la "sabiduría científica convencional", los LLM a menudo pueden proporcionar lo que equivale a un "autocompletado" de muy alto nivel para rellenar las "respuestas convencionales" o los "siguientes pasos convencionales" en el trabajo científico.

Pero lo que quiero hacer aquí es debatir cuestiones más profundas sobre la IA en la ciencia. Hace tres siglos, la ciencia se transformó con la idea de representar el mundo mediante las matemáticas. Y en nuestra época nos encontramos en medio de una gran transformación hacia una representación fundamentalmente computacional del mundo (y, sí, de eso se trata nuestro lenguaje computacional Wolfram Language). ¿Cuál es la situación de la IA? ¿Debemos considerarla esencialmente una herramienta práctica para acceder a los métodos existentes, o aporta algo fundamentalmente nuevo a la ciencia?

Mi objetivo aquí es explorar y evaluar lo que se puede y no se puede esperar que la IA haga por la ciencia. Voy a considerar una serie de ejemplos concretos, simplificados para poner de manifiesto la esencia de lo que está (o no está) ocurriendo. Hablaré de intuiciones y expectativas basadas en lo que hemos visto hasta ahora.

Predicción de procesos computacionales

Predecir una función es una tarea particularmente austera y cabe imaginar que los "procesos reales" -por ejemplo, en la naturaleza- tendrían más "estructura ambiental" que una IA podría utilizar para conseguir un "punto de apoyo" para la predicción. Y como ejemplo de lo que podríamos considerar "naturaleza artificial" podemos considerar sistemas computacionales como los autómatas celulares. He aquí un ejemplo de lo que hace una determinada regla de autómata celular, con una determinada condición inicial:

Identificación de la reductibilidad computacional

La reductibilidad computacional está en el centro de lo que normalmente consideramos "hacer ciencia". No sólo nos permite hacer predicciones, sino también identificar regularidades, elaborar modelos y resúmenes comprimidos de lo que vemos, y desarrollar una comprensión que podamos captar mentalmente.

Pero, ¿cómo podemos encontrar la reducibilidad computacional? A veces es muy evidente. Por ejemplo, cuando visualizamos un comportamiento (como la evolución del autómata celular) e inmediatamente reconocemos en él características sencillas. Pero en la práctica, la reducibilidad computacional puede no ser tan obvia, y puede que tengamos que escarbar en muchos detalles para encontrarla. Y aquí es donde la IA puede ser de gran ayuda.

Vea la nota completa aquí: Can AI Solve Science?—Stephen Wolfram Writings

Más información sobre este producto, entre en contacto con:

Luís Franco
Ejecutivo Software Diverso
lfranco@multion.com
+52 (55) 55594050 Ext.118