Un análisis exhaustivo de más de 41 millones de artículos científicos demuestra que las herramientas de IA potencian la productividad y el impacto de los científicos, pero reducen el alcance general de las preguntas científicas que se exploran. Los investigadores afirman que la próxima generación de IA debe contribuir a la creación de nuevos datos y nuevas direcciones, no solo a optimizar lo ya existente.
La inteligencia artificial está ayudando a los científicos a trabajar más rápido, publicar más y ganar influencia en etapas más tempranas de sus carreras. Pero, al mismo tiempo, podría estar reduciendo sigilosamente la atención de la ciencia en general.
Ese es el mensaje central de un nuevo estudio dirigido por James Evans, codirector de la Facultad de Inteligencia Novel, profesor Max Palevsky de Sociología y Ciencia de Datos, y director del Laboratorio de Conocimiento de la Universidad de Chicago. Al examinar 41.3 millones de artículos de investigación, Evans y sus colegas demuestran que las herramientas de IA están transformando el panorama científico de maneras impactantes y paradójicas.
Por un lado, los beneficios para los investigadores individuales son sorprendentes. Los científicos que utilizan IA publican más del triple de artículos que sus colegas que no la utilizan. Su trabajo se cita casi cinco veces más y se convierten en líderes de investigación reconocidos más de un año antes.
Estos avances reflejan lo que muchos en laboratorios y oficinas ya sienten: la IA puede ayudar a redactar textos, resumir literatura, analizar datos e incluso generar códigos o modelos, lo que permite a los científicos pasar de la idea al resultado mucho más rápidamente.
Pero cuando los investigadores ampliaron su análisis para observar todo el ecosistema científico, surgió un patrón diferente. A medida que aumenta la adopción de la IA, el volumen general de temas científicos específicos se reduce. El estudio, publicado En la revista Nature, se descubre que el uso de IA está asociado con una reducción del 4.63% en la variedad de temas estudiados y una caída del 22% en la interacción entre científicos de diferentes áreas.
En otras palabras, la IA está haciendo que los científicos individuales sean más poderosos y al mismo tiempo haciendo que la empresa colectiva esté más concentrada.
El equipo atribuyó esta contracción a dónde y cómo se utiliza la IA. Los científicos tienden a implementar la IA en campos con datos abundantes y bien estructurados, así como con parámetros claros donde el progreso se puede medir fácilmente. En estos campos, el aprendizaje automático y las herramientas relacionadas destacan, generando avances rápidos y visibles.
Esta dinámica desvía la atención hacia dominios ricos en datos y la aleja de áreas donde los datos son escasos, desordenados o difíciles de estandarizar. Temas potencialmente prometedores, pero menos "preparados para la IA", quedan sin explorar, incluso cuando las áreas populares se vuelven más concurridas.
El estudio describe estas zonas concurridas como "multitudes solitarias", término que los autores utilizan para referirse a temas de actualidad que atraen numerosos artículos, pero con poca interacción significativa entre ellos. En estas zonas, los investigadores suelen citar el mismo trabajo fundacional, pero desarrollan enfoques que se solapan y soluciones similares.
En lugar de diversificarse hacia nuevas preguntas o métodos, los científicos convergen en problemas y herramientas familiares. Esta convergencia puede acelerar el perfeccionamiento de las ideas existentes, pero también corre el riesgo de limitar la diversidad de enfoques que históricamente ha impulsado los grandes avances científicos.
Evans ya advirtió sobre este peligro en su artículo en Science titulado “Después de la ciencia”, donde argumentó que la eficiencia de la IA podría fomentar lo que él llama monocultivos metodológicos. Cuando muchos investigadores dependen de algoritmos, conjuntos de datos y métricas de evaluación similares, el campo puede asentarse demasiado rápido en una forma de pensar dominante, dejando caminos alternativos sin explorar.
El nuevo estudio extiende esa preocupación más allá de los métodos al ámbito mismo de la ciencia. Sugiere que, sin una guía cuidadosa, la IA podría impulsar a la comunidad investigadora a optimizar lo ya conocido en lugar de descubrir lo que aún no se imagina.
Esto no significa que la IA sea perjudicial para la ciencia. Más bien, argumentan los autores, significa que el uso actual de la IA tiende a favorecer la explotación sobre la exploración.
Para contrarrestar esta tendencia, el estudio señala varias oportunidades de diseño y políticas. Las agencias e instituciones de financiación pueden fomentar la recopilación de nuevos datos en áreas poco exploradas, haciéndolos más accesibles a las herramientas de IA. También pueden recompensar el trabajo que plantea nuevas preguntas o conjuntos de datos, no solo los artículos que acumulan citas en campos ya populares.
En el aspecto técnico, los investigadores destacan el potencial de los sistemas de IA diseñados para la exploración. Los mismos modelos que destacan en la predicción de resultados probables también pueden ajustarse para detectar patrones sorprendentes y eventos inusuales. Esta capacidad podría ayudar a los científicos a detectar anomalías, resultados inesperados o combinaciones inusuales de ideas que, de otro modo, podrían pasar desapercibidas.
Los autores sostienen que este cambio de diseño es esencial.
“Para preservar la exploración colectiva en una era de uso de IA”, escriben, “necesitaremos reimaginar sistemas de IA que amplíen no solo la capacidad cognitiva, sino también la capacidad sensorial y experimental, permitiendo e incentivando a los científicos a buscar, seleccionar y recopilar nuevos tipos de datos de dominios previamente inaccesibles en lugar de simplemente optimizar el análisis de datos existentes”.
En términos prácticos, eso podría significar herramientas de IA que sugieran nuevos experimentos en lugar de solo analizar los antiguos, o sistemas que ayuden a diseñar instrumentos y protocolos para capturar datos de fenómenos que rara vez se han medido antes.
El estudio plantea esto como una prueba para el futuro de la IA en la ciencia. Si la IA se centra principalmente en comprimir y reutilizar datos existentes, podría acelerar el progreso a corto plazo, reduciendo lentamente la frontera del descubrimiento. Si, en cambio, se aprovecha la IA para generar nuevos datos, nuevas preguntas y nuevas formas de ver el mundo, podría impulsar un avance científico más abierto y sostenible.
Para estudiantes e investigadores en sus inicios de carrera, los hallazgos son tanto una advertencia como una invitación. La IA puede ser un poderoso aliado para forjar una carrera, pero la salud a largo plazo de la ciencia dependerá de quienes utilicen estas herramientas para adentrarse en territorios menos concurridos.
La próxima ola de innovación, sugieren los autores, no provendrá solo de un análisis más rápido de conjuntos de datos familiares, sino de reimaginar la IA como un socio en la exploración, uno que ayude a la ciencia a mirar donde aún no se ha atrevido a mirar.
Fuente: Instituto de Ciencias de Datos de la Universidad de Chicago