EscucharAcabamos de ser testigos del comienzo de un cambio de paradigma en la ciencia terrestre. Un artículo publicado en la revista Nature en julio mostró que una red neural (inteligencia artificial) predijo el clima mejor que el Centro Europeo de Pronósticos Climáticos de Alcance Medio, que posee el sistema de pronósticos climáticos más avanzados del mundo. Y, después, en noviembre, DeepMind de Google anunció que su IA de pronóstico del clima había generado predicciones aún más precisas.
Tradicionalmente, el enfoque para predecir el clima es usar observaciones tomadas en un punto del tiempo como condiciones iniciales para realizar ecuaciones basadas en principios físicos.
En contraste, una IA procesará datos recolectados a lo largo del tiempo y luego “aprenderá” la dinámica que las ecuaciones tradicionales deben describir explícitamente. Ambos métodos dependen de supercomputadoras, pero la IA no tiene necesidad de teorías desarrolladas formalmente.
Los pronósticos climáticos determinan los destinos de las aeronaves, las rutas de los barcos y ayudan a manejar todo tipo de riesgos civiles y militares causados por un ambiente cambiante. Eso importa. Si bien estos son días relativamente tempranos para las aplicaciones de IA en este ámbito y todavía hay mucho margen que desarrollar, tanto en este como en otros sectores, los pronósticos impulsados por IA pueden desplazar los empleos de profesionales humanos, puesto que las redes neurales no precisan de conocimientos de meteorología dinámica (los autores del artículo de Nature son ingenieros sin ese tipo de formación). Pero las implicaciones no se detienen allí.
En sus escritos acerca del problema de los pronósticos estadísticos de la década de los cincuenta, Norbert Wiener, el padre de la cibernética, observó que si ya conocemos la historia de un sistema que exhibe determinadas propiedades, añadir conocimientos a las ecuaciones que lo rigen no necesariamente mejorará sus predicciones.
Wiener, en ese momento, se refería a un tema en gran medida teórico, ya que las limitaciones de las observaciones, los datos, la potencia de procesamiento informático y otros factores no permitían mucho más que eso. Pero ahora su argumentación va al corazón del problema y capta las implicaciones mayores de los recientes avances de la IA.
Infraestructura espacial
Apenas en unos cuantos años, hemos aumentado ampliamente nuestros datos observacionales de la Tierra. Entre 1993 y el 2003, se lanzaron al espacio 25 satélites de observación, pero entre el 2014 y el 2022 la cifra ascendió a 997, llevando la flota total de satélites de observación terrestre y otros en órbita a cerca de 7.560.
Con una vasta infraestructura espacial que transmite de regreso datos de casi todo, desde el crecimiento del planeta, el vapor de agua y las instalaciones, la altura de la cubierta boscosa y mediciones del estado de la atmósfera, hemos entrado a una edad de oro de la observación de la Tierra.
Este creciente archivo de datos describe casi todo lo que la naturaleza y nosotros hacemos sobre la Tierra. Si se combina con nuevos modelos de IA y con nuestra infraestructura de procesamiento computacional en constante expansión, podría dar un vuelco en nuestra comprensión del planeta y nuestro papel en este.
Pensemos en el cambio climático. En los últimos 40 años, la respuesta de la humanidad a la crisis climática se ha guiado por el Panel Intergubernamental sobre el Cambio Climático, cuerpo científico compartimentado por disciplinas: las ciencias físicas usan grandes modelos de la Tierra con mucho en común con los que se utilizan para pronosticar el clima, mientras que, por separado, economistas y geógrafos cuantifican los efectos y el énfasis del papel de las políticas de adaptación y mitigación sobre nuestras sociedades.
Esta división del trabajo —reflejada en los grupos de trabajo tripartitos del IPCC— se corresponde con una división de metodologías. Mientras que los modelos de los sistemas terrestres basados en la física se sustentan en ecuaciones de primeros principios, los economistas y modeladores de efectos usan una cartera de métodos empíricos y teorías irreductibles.
La IA podría alterar todo esto. Si bien es poco probable que reemplace por completo a los modelos climáticos tradicionales (nuestro registro observacional no es lo suficientemente prolongado como para ofrecer una imagen estadísticamente abundante de los fenómenos climáticos a lo largo de los siglos), ya está desempeñando un papel importante en este campo.
Uso práctico
Yendo más a lo concreto, lo que más nos importa no es cómo se comporta el sistema climático, sino cómo afecta al mundo en el que vivimos los seres humanos y otras criaturas. Los modelos de IA, independientes de cualquier teoría científica o paradigma disciplinario actual, podrían ayudarnos a inferir y, posiblemente, predecir los cambios de la biomasa en el paisaje a lo largo del tiempo.
Esto, a su vez, podría mejorar la forma en que administramos los bosques y la agricultura, construimos herramientas de diagnóstico y sistemas de alerta temprana para el riesgo de incendios o inundaciones, comprendemos cómo la economía energética se vincula con estos cambios, o predecimos sus efectos en la economía más en general e incluso en las negociaciones climáticas. Todo esto en forma adicional a cómo la IA puede acelerar la transición hacia una economía baja en consumo de carbono.
Por supuesto, la IA no es un sustituto de la comprensión científica. La ciencia ha de seguir siendo un impulso quintaesencialmente humano, en que el valor radica más en hacer las preguntas correctas que en solo la extracción de una respuesta a partir de los datos.
De todos modos, deberíamos aprovechar al máximo el cambio epistemológico que está siendo iniciado por la IA: puede ayudarnos a identificar nuevos fenómenos observables hasta ahora no detectados por las lentes disciplinarias. Puede asistirnos en gestionar sistemas de escala de paisajes demasiado complejos como para ser expuestos a la teorización. Es el instrumento exploratorio definitivo para eliminar fronteras entre disciplinas.
Este cambio, además, plantea un profundo desafío de políticas. La infraestructura que lo impulsa (satélites que observan la Tierra y procesamiento computacional) está cada vez más controlada por el sector privado. La mayor propietaria de satélites de observación terrestre es una compañía llamada Planet Labs.
Las grandes tecnológicas (como IBM, Nvidia, DeepMind o Huawei, cuyos empleados escribieron el artículo publicado en julio en Nature) se encuentran a la vanguardia del aprendizaje automático. Con acceso a capitales y recursos sin paralelo, son empresas que fácilmente pueden superar el desempeño de la mayoría de los centros de investigación estatales. Algunas pueden ser muy filantrópicas, pero no están obligadas a entregar bienes públicos ni preocuparse del acceso equitativo a su infraestructura.
A medida que nos esforzamos por hacer frente a las implicaciones de la revolución digital y un entorno natural que cambia ante nuestros ojos, la IA puede ser clave para desentrañar parte de la complejidad que nuestra comprensión no ha podido abarcar. Sin embargo, puesto que los medios de investigación se encuentran firmemente en manos de privados, quienes se encarguen de formular las políticas deberán estar atentos a garantizar que estas nuevas herramientas proporcionen bienes públicos en lugar de solo beneficios privados, y que las preguntas que se les hagan produzcan respuestas que ayuden a dar forma a los legítimos objetivos políticos de los países.
Giulio Boccaletti, director científico del Centro Euromediterráneo sobre el Cambio Climático, es autor de Water: A Biography.
© Project Syndicate 1995–2024
