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 Baker, Demis Hassabis y John Jumper por su uso de la IA. . El problema del plegamiento de proteínas, un gran desafío científico desde hace 50 años.
Un nuevo artículo, escrito por investigadores de la Universidad Carnegie Mellon y Calculation Consulting, examina la intersección de la física, la química y la IA destacada por el reciente Premio 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 habilitados para la IA para cerrar la brecha entre el progreso teórico y la aplicación práctica, impulsando el progreso hacia la inteligencia artificial general. El artículo está publicado. patrón.
“Dado que la IA se reconoce en la intersección de la física y 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”, explicó Ganesh Mani, profesor de práctica de innovación y director Carnegie Fellow en IA. Mellon’s Tepper School of Business, coautor del artículo. “A medida que avanzamos, es crucial reconocer la convergencia de diferentes enfoques para formar sistemas de IA modernos basados en IA generativa”.
En su artículo, los autores exploran el desarrollo histórico de las redes neuronales. Al examinar la historia del desarrollo de la IA, afirman, podemos comprender más a fondo las conexiones entre la informática, la química teórica, la física teórica y las matemáticas aplicadas. La perspectiva histórica ilumina cómo los descubrimientos e innovaciones fundamentales en estas disciplinas permitieron el aprendizaje automático moderno con redes neuronales artificiales.
Luego vuelven a los avances y desafíos clave en este campo, comenzando con el trabajo de Hopfield, y explican cómo la ingeniería a veces precedió a la comprensión científica, como en el trabajo de Jumper y Hassabis.
Los autores concluyen con un llamado a la acción, sugiriendo que el rápido avance de la IA en todos los sectores presenta oportunidades sin precedentes y desafíos importantes. Para cerrar la brecha entre las exageraciones y los avances reales, dicen, se requiere una nueva generación de pensadores interdisciplinarios.
Estos “Leonardo da Vincis modernos”, como los llaman los autores, serán fundamentales para desarrollar teorías prácticas de aprendizaje que los ingenieros puedan aplicar inmediatamente, impulsando el campo hacia el ambicioso objetivo de la inteligencia artificial general.
Esto exige un cambio de paradigma en cómo se abordan la investigación científica y la resolución de problemas, dicen los autores, uno que abrace la colaboración holística e interdisciplinaria y el aprendizaje 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 para desafíos globales complejos como el cambio climático. A través de esta síntesis de diversos conocimientos y perspectivas, la IA puede catalizar un progreso significativo y permitir que el campo alcance todo el potencial de sus aspiraciones tecnológicas.
“Este enfoque interdisciplinario no sólo es beneficioso sino esencial para abordar los numerosos y complejos desafíos que tenemos por delante”, aconseja Charles Martin, consultor principal de Calculation Consulting, coautor del artículo. “Necesitamos aprovechar el actual impulso de progreso basado en la realidad práctica”.
Autores Scott E. Fahlman, profesor emérito de la Escuela de Ciencias de la Computación de Carnegie Mellon, reconoce las contribuciones.