Escucha la noticia
Por Alexander C. R. Hammond
Resumen: Los recientes avances en inteligencia artificial (IA) plantean la pregunta de si la mente humana sigue siendo el “recurso definitivo”, como afirmaba Julian Simon. La IA puede generar respuestas mucho más rápido de lo que los humanos pueden verificarlas, pero la distinción que hace Joel Mokyr entre saber que algo funciona y saber por qué demuestra que ambos tipos de conocimiento deben avanzar juntos. Las pruebas candidatas no son teoremas, y las predicciones no son hallazgos. Es por eso que la era de la IA exige mentes más preparadas, no menos.
A principios de este mes, OpenAI publicó más de 370 resultados matemáticos que abarcan el álgebra, la informática teórica y la lógica matemática. La mayoría surgió de una sola indicación y de aproximadamente tres horas de tiempo de cálculo. “Si un humano hubiera hecho esto, se habría ganado una Medalla Fields al instante, sin lugar a dudas”, escribió Alex Kontorovich, profesor de matemáticas en la Universidad de Rutgers.
En su libro de 1981, el economista Julian Simon llamó a las personas “el recurso definitivo” porque nada más puede crear nuevas ideas. Simon argumentó que las nuevas ideas humanas conducen a la innovación, y que la innovación impulsa el crecimiento económico y sustenta la prosperidad moderna. Cuarenta y cinco años después, y con anuncios de avances en IA que dominan los titulares casi todas las semanas, es fácil mostrarse escéptico ante la afirmación de Simon.
OpenAI anunció el mes pasado que, tras 88 horas de trabajo, su IA había resuelto el rompecabezas de la existencia y suavidad de las ecuaciones de Navier-Stokes, uno de los siete Problemas del Premio del Milenio que ha desconcertado a los matemáticos durante casi un siglo. Ese mismo día, Google DeepMind lanzó AlphaGenome Atlas, que mapea los efectos moleculares predichos de los 9 mil millones de cambios posibles de una sola letra en el ADN humano. Si la naturaleza de la innovación está cambiando, ¿seguimos siendo “el recurso definitivo”?
Las ideas, como escribió el escritor científico Matt Ridley en 2010, “tienen sexo”. En El optimista racional, Ridley argumentó que la innovación no es obra de genios solitarios, sino que ocurre cuando las mentes humanas se unen. A medida que las sociedades se vuelven cada vez más abiertas y especializadas, más personas con diferentes conocimientos se reúnen, discuten y recombinan ideas. El resultado es lo que Ridley llamó el “cerebro colectivo”: el conocimiento distribuido por toda la sociedad que ningún individuo posee por sí solo.
En el caso de los recientes avances en IA, todos los sistemas funcionan gracias al cerebro colectivo de la humanidad. Los agentes de OpenAI trabajaron a partir de una copia almacenada en caché de Internet, y AlphaGenome fue entrenado con miles de experimentos sobre ADN humano y de ratón, todo ello fruto del trabajo de laboratorio de alguien. Durante años se dio por sentado —simplemente porque no existía alternativa— que, para que las ideas tuvieran “sexo”, ambos participantes debían ser humanos. Si las ideas ya no necesitan dos mentes humanas para “tener sexo”, como lo expresó Ridley, se podría concluir que el cerebro colectivo ha encontrado un reemplazo total para los humanos.
Sin embargo, esa evaluación es demasiado pesimista. Dado que estos avances recombinan ideas que los humanos ya habían plasmado por escrito (aunque a velocidades sobrehumanas), las máquinas se parecen menos a unos segundos padres y más a un medio muy rápido a través del cual las ideas humanas se encuentran y se ponen manos a la obra. Uno a cero, humanos.
Más allá de basarse en el conocimiento humano existente, el avance de OpenAI también se apoyó en métodos humanos. Para abordar las ecuaciones de Navier-Stokes, OpenAI ejecutó unos 10.000 agentes al mismo tiempo, divididos en grupos que exploraban diferentes áreas y se comunicaban entre sí. A medida que los grupos avanzaban, se consolidaban las ideas más útiles y se compartían con los demás agentes. Se intercambiaron aproximadamente 2,7 millones de mensajes antes de que surgiera una respuesta.
Muchos agentes rivales trabajando en paralelo, una especialización inmensa, la mayoría de ellos fallando mientras el resto se basaba en lo más valioso. ¡El libre mercado en toda su gloria!
Sin duda, la humanidad está mejor con el conocimiento adicional que producen las IA. Sin embargo, ya se trate de agentes que crean pruebas matemáticas que podrían resolver problemas centenarios, o de mi propia IA que me entrega miles de palabras de informes de investigación que no he tenido tiempo de leer, el cuello de botella para la innovación sigue estando en nosotros.
En el caso de DeepMind, AlphaGenome Atlas puede predecir qué pueden hacer ciertas variantes genéticas, pero no comprende la biología que subyace a ellas. Una lista de predicciones por sí sola no resuelve nada. Una mente humana debe decidir qué subconjunto estudiar, y las predicciones de Atlas no son hallazgos hasta que alguien en un laboratorio las confirme. Saber que una variante de ADN es importante no es lo mismo que saber por qué.
En el caso de OpenAI, matemáticos de todo el mundo aún están evaluando la validez de la demostración. Tres días después del anuncio, sin nombrar a ninguna empresa, 25 ganadores de la Medalla Fields publicaron una carta abierta sobre la IA y la disciplina de las matemáticas, señalando que “resolver problemas es solo una herramienta y un medio para alcanzar el objetivo principal de la comprensión conceptual y la perspicacia”. Los firmantes señalan que la IA puede acelerar el trabajo matemático, pero que la comprensión humana genera la siguiente pregunta que vale la pena plantearse.
La brecha entre el resultado y la comprensión es anterior a la IA. El historiador económico Joel Mokyr, quien ganó el Premio Nobel en 2025, distingue dos tipos de conocimiento. El “conocimiento prescriptivo” es saber que algo funciona. Piensa en Edward Jenner, quien sabía que la exposición a la viruela bovina proporcionaba inmunidad contra la viruela, mucho antes de que alguien supiera por qué. El “conocimiento proposicional” es comprender por qué algo funciona, como entender la ciencia subyacente o las leyes naturales. La respuesta de Mokyr a por qué la Revolución Industrial no se estancó como las épocas doradas anteriores es que Europa logró que ambos tipos de conocimiento avanzaran juntos.
La última ola de descubrimientos en IA podría hacernos sentir pesimistas sobre el papel de la humanidad en el futuro de la innovación. Pero el punto de Mokyr es que los dos tipos de conocimiento deben avanzar juntos, y entender por qué algo funciona es tan importante como saber que funciona. Las pruebas candidatas no son teoremas, y las predicciones no son hallazgos.
Las IA pueden procesar correlaciones estadísticas, basarse en lo que los humanos ya saben y generar conocimiento prescriptivo mucho más rápido de lo que cualquier mente humana puede convertir el resultado en algo verificado, confiable y útil. Por eso necesitamos más mentes educadas, no menos. El recurso escaso, de hecho el recurso definitivo, seguimos siendo nosotros.
Alexander C. R. Hammond es el editor adjunto de HumanProgress.org y analista de políticas en el Centro para la Libertad y la Prosperidad Global del Instituto Cato.
La opinión expresada en este artículo es responsabilidad exclusiva del autor y no representa necesariamente la posición oficial de Publico.bo
