En 2024, el Premio Nobel de Física fue otorgado a John Hopfield y Geoffrey Hinton por su trabajo fundamental en inteligencia artificial (IA), y el Premio Nobel de Química fue otorgado a David Becker, Damis Hassabis y John Jumper por resolver la IA. hacer. El problema del plegamiento de proteínas, un gran desafío científico de 50 años.
Un nuevo artículo, escrito por investigadores de la Universidad Carnegie Mellon y Calculation Consulting, examina la convergencia de la física, la química y la inteligencia artificial, destacada por los recientes Premios Nobel. Traza el desarrollo histórico de las redes neuronales y enfatiza el papel de la investigación interdisciplinaria en el avance de la IA. Los autores abogan por fomentar los eruditos impulsados por la IA para cerrar la brecha entre el desarrollo teórico y las aplicaciones prácticas, impulsando el progreso hacia la inteligencia artificial general. Publicado en el artículo. el patrón.
“Con el reconocimiento de la IA en relación tanto con la física como con la química, los profesionales del aprendizaje automático pueden preguntarse cómo se relacionan estas ciencias con la IA y cómo estos premios podrían afectar su trabajo”, dijo Ganesh Mani, profesor de Práctica de Innovación y Director de IA Colaborativa en Carnegie. explicado. Mellon’s Tepper School of Business, quien escribió este artículo. “A medida que avanzamos, es importante que reconozcamos la sinergia de diferentes enfoques en la construcción de sistemas avanzados de IA basados en IA creativa”.
En su artículo, los autores exploran el desarrollo histórico de las redes neuronales. Al examinar la historia del desarrollo de la IA, afirma, podemos comprender mejor las conexiones entre la informática, la química teórica, la física teórica y las matemáticas aplicadas. La perspectiva histórica ilumina cómo los descubrimientos e invenciones fundamentales en estos campos han permitido el aprendizaje automático moderno con redes neuronales artificiales.
Luego pasan a los principales logros y desafíos en este campo, comenzando con el trabajo de Hopfield, y explican cómo la ingeniería a veces se adelantó a la comprensión científica, como fue el caso con el trabajo de Jumper y Hasabis.
Los autores concluyen con un llamado a la acción, sugiriendo que el rápido desarrollo de la IA en diversos campos presenta oportunidades sin precedentes y desafíos importantes. Para cerrar la brecha entre la exageración y el progreso concreto, dice, se debe fomentar una nueva generación de pensadores interdisciplinarios.
Estos “Leonardo da Vincis modernos”, como los llaman los autores, serán cruciales en el desarrollo de teorías prácticas de aprendizaje que los ingenieros puedan aplicar inmediatamente, y el ambicioso campo de la inteligencia artificial general puede extenderse al objetivo.
Los autores sostienen que se necesita un cambio de paradigma en la investigación científica y la resolución de problemas, uno que abrace la colaboración holística e interdisciplinaria y aprenda de la naturaleza para comprenderla. Al romper los silos entre campos y fomentar una cultura de curiosidad intelectual que abarque múltiples dominios, se pueden identificar soluciones innovadoras a desafíos globales complejos como el cambio climático. A través de esta síntesis de diversos conocimientos y perspectivas, la IA puede lograr avances catalizadores y significativos y el campo puede aprovechar todo el potencial de las aspiraciones tecnológicas.
“Este enfoque interdisciplinario no sólo es beneficioso sino necesario para abordar muchos desafíos complejos”, aconseja Charles Martin, consultor principal de Calculation Consulting, autor del artículo. “Necesitamos aprovechar el impulso del progreso actual sin dejar de basarnos en las realidades prácticas”.
Los autores agradecen las contribuciones del profesor emérito Scott E. Fahlman de la Escuela de Ciencias de la Computación Carnegie Mellon.
