Nobel de Física 2024 e inteligencia artificial: qué premiaron

En octubre de 2024, el Nobel de Física fue para John Hopfield y Geoffrey Hinton. El de Química se repartió entre David Baker, por un lado, y Demis Hassabis y John Jumper, por otro. Los dos premios son de ciencias naturales y reconocen trabajos concretos. Ninguno premia “la inteligencia artificial” en general, aunque el comité de Física dice que los trabajos que premió ayudaron a sentar las bases del aprendizaje automático actual.

Qué premió el Nobel de Física

Según el comité, los dos galardonados usaron herramientas de la física para construir métodos que ayudaron a sentar las bases del aprendizaje automático, el tipo de programación que está detrás de muchos sistemas de IA. Hopfield creó una estructura capaz de guardar y reconstruir información. Hinton inventó un método que descubre por sí solo propiedades de los datos, y que es importante para las grandes redes neuronales actuales.

Un programa tradicional funciona como una receta: recibe datos, sigue pasos fijos y entrega un resultado. En el aprendizaje automático, en cambio, la computadora aprende a partir de ejemplos. Así puede resolver problemas demasiado vagos para escribirles instrucciones paso a paso, como reconocer qué objetos aparecen en una foto.

Qué es una red neuronal artificial

Una red neuronal artificial es un conjunto de nodos conectados entre sí. Cada nodo guarda un valor, y cada conexión tiene una fuerza que puede aumentar o disminuir. El nombre viene de la inspiración en el cerebro: los nodos imitan a las neuronas y las conexiones imitan a las sinapsis, los puntos donde se tocan las neuronas.

La idea de que el aprendizaje se produce cuando las conexiones que se activan juntas se refuerzan viene del neurocientífico Donald Hebb. Sigue siendo una de las reglas básicas para actualizar estas redes durante el entrenamiento. A finales de los años sesenta, algunos resultados teóricos desanimaron a muchos investigadores. El interés volvió en los años ochenta, gracias a varias ideas, entre ellas las de los dos galardonados de Física.

La memoria asociativa de Hopfield

Piensa en una palabra poco usada, como la que designa el piso inclinado de un cine. La buscas por palabras parecidas hasta dar con “rampa”. En 1982, John Hopfield descubrió una red que hace algo parecido: guarda patrones y, cuando recibe uno incompleto o con ruido, encuentra el patrón guardado que más se le parece.

Hopfield se inspiró en la física de los materiales magnéticos, donde cada átomo se comporta como un imán diminuto que influye en sus vecinos. Con esa analogía, la red busca un estado de “energía” baja, parecido a una bola que rueda hasta el fondo de un valle. Por eso puede reconstruir una imagen borrosa a partir de una versión parcial.

La máquina de Boltzmann de Hinton

Geoffrey Hinton trabajaba en la Universidad Carnegie Mellon, en Estados Unidos, cuando se preguntó si las máquinas podían aprender a encontrar sus propias categorías, como hacemos las personas. Junto con Terrence Sejnowski, partió de la red de Hopfield y la amplió con ideas de la física estadística, que estudia sistemas formados por muchos elementos parecidos, como las moléculas de un gas.

En 1985 publicaron el método con el nombre de máquina de Boltzmann, porque usa una ecuación del físico Ludwig Boltzmann, del siglo XIX. La máquina tiene nodos visibles, donde entra la información, y nodos ocultos. Aprende a partir de ejemplos ajustando sus conexiones, de modo que los patrones de entrenamiento tengan la mayor probabilidad de aparecer. Por eso se considera un modelo generativo temprano: al ejecutarse, produce patrones nuevos.

Supón que entrenas una red con 1.000 fotos de gatos y 1.000 de perros, sin decirle cuál es cuál. Al terminar, la red habrá encontrado por sí sola que hay dos grupos de imágenes con rasgos parecidos. Es un ejemplo ilustrativo, no un resultado real de ningún experimento concreto.

El Nobel de Química: predecir la forma de las proteínas

Las proteínas son las herramientas químicas de la vida. Controlan las reacciones que sostienen a los seres vivos y también funcionan como hormonas, anticuerpos y bloques de los tejidos. Están hechas de 20 tipos de aminoácidos unidos en cadenas que se pliegan en una forma tridimensional, y de esa forma depende lo que la proteína hace.

Desde los años setenta, los científicos intentaban predecir esa forma a partir de la secuencia de aminoácidos, pero era muy difícil. En 2020, Demis Hassabis y John Jumper, de Google DeepMind, presentaron el modelo AlphaFold2. Según el comunicado del Nobel de octubre de 2024, con él se pudo predecir la estructura de prácticamente las 200 millones de proteínas identificadas hasta entonces, y para esa fecha AlphaFold2 ya lo habían usado más de dos millones de personas de 190 países.

David Baker y el diseño de proteínas

David Baker, de la Universidad de Washington, recibió la otra mitad del premio “por el diseño computacional de proteínas”. En 2003 logró diseñar una proteína completamente distinta a cualquiera conocida. Desde entonces, su grupo ha creado muchas más, algunas con potencial para medicamentos, vacunas, nanomateriales y sensores diminutos.

Así, el premio de Química reconoce dos caminos complementarios: predecir la forma de las proteínas que existen y diseñar proteínas que no existían.

Por qué fue noticia

El mismo año, dos Nobel de ciencias naturales reconocieron trabajos ligados a la IA. El comité de Física recordó que esta tecnología lleva mucho tiempo siendo importante en la investigación, por ejemplo para ordenar y analizar enormes cantidades de datos.

Qué no significan estos premios

• No dicen que las máquinas piensen. El comité de Física aclara que las computadoras no piensan, aunque pueden imitar funciones como la memoria y el aprendizaje.
• No garantizan que los sistemas actuales sean seguros o correctos. Reconocen investigaciones concretas, no productos ni empresas.
• No dicen nada sobre acciones. Un premio científico no indica si una compañía vale más o menos en bolsa.

Si algún día lees sobre empresas que usan estas técnicas, ten en cuenta el riesgo: un avance científico no asegura ganancias. El precio de una acción puede bajar aunque la tecnología avance, y puedes perder parte o todo lo que inviertas.

Más a fondo

En el trabajo original de Hopfield, cada nodo guardaba un valor de 0 o 1, como un píxel blanco o negro. El estado de la red se describe con una magnitud análoga a la energía de un sistema de espines magnéticos, calculada a partir de los valores de los nodos y de la fuerza de las conexiones. Al entrenarla, se ajustan las conexiones para que las imágenes guardadas tengan baja energía. Al recuperar un patrón, cada nodo cambia de valor si eso reduce la energía, hasta que no hay mejoras posibles.

En la máquina de Boltzmann, la probabilidad de cada patrón depende de su energía según la ecuación de Boltzmann. Así, unos estados resultan más probables que otros según su energía. Para una introducción general a estas ideas, puedes leer quiénes fueron los padres de la IA, y para ver cómo llegó la técnica a los juegos y a la biología, AlphaGo y AlphaFold. Si quieres el contexto completo, empieza por la historia de la inteligencia artificial.