Hay un viejo broma que a los físicos les gusta contar: todo ya se descubrió y se informó en una revista rusa en la década de 1960, simplemente no lo sabemos. Aunque hiperbólico, el chiste captura con precisión la situación actual. El volumen de conocimiento es enorme y crece rápidamente: se espera la cantidad de artículos científicos publicados en arXiv (el servidor de preimpresión más grande y popular) en 2021 llegar a 190.000—Y eso es solo un subconjunto de la literatura científica producida este año.

Está claro que no sabemos realmente lo que sabemos, porque nadie puede leer toda la literatura, incluso en su propio campo limitado (que incluye, además de artículos de revistas, tesis de doctorado, notas de laboratorio, diapositivas, informes técnicos, notas técnicas y informes). De hecho, es muy posible que en esta montaña de artículos, las respuestas a muchas preguntas estén ocultas, los descubrimientos importantes se hayan pasado por alto u olvidado y las conexiones permanezcan ocultas.

La inteligencia artificial es una posible solución. Los algoritmos ya pueden analizar texto sin supervisión humana para encontrar relaciones entre palabras que ayuden a descubrir conocimiento. Pero se puede lograr mucho más si dejamos de escribir artículos científicos tradicionales cuyo estilo y estructura apenas ha cambiado en los últimos cien años.

La minería de texto viene con una serie de limitaciones, incluido el acceso al texto completo de los artículos y preocupaciones legales. Pero lo más importante es que la IA no entender conceptos y las relaciones entre ellos, y es sensible a los sesgos en el conjunto de datos, como la selección de artículos que analiza. Es difícil para la IA —y, de hecho, incluso para un lector humano no experto— entender artículos científicos en parte porque el uso de la jerga varía de una disciplina a otra y el mismo término puede usarse con significados completamente diferentes en diferentes campos. La creciente interdisciplinariedad de la investigación significa que a menudo es difícil definir un tema con precisión utilizando una combinación de palabras clave para descubrir todos los artículos relevantes. Hacer conexiones y (re) descubrir conceptos similares es difícil incluso para las mentes más brillantes.

Mientras este sea el caso, no se puede confiar en la inteligencia artificial y los humanos deberán verificar todo lo que genera una inteligencia artificial después de la minería de texto, una tarea tediosa que desafía el propósito mismo de usar la inteligencia artificial. Para resolver este problema, necesitamos hacer que los artículos científicos no solo sean legibles por máquina sino tambiéncomprensible, (re) escribiéndolos en un tipo especial de lenguaje de programación. En otras palabras: enseñar ciencia a las máquinas en el idioma que entienden.

Escribir conocimiento científico en un lenguaje similar a la programación será seco, pero será sostenible, porque los nuevos conceptos se agregarán directamente a la biblioteca de la ciencia que las máquinas entienden. Además, a medida que a las máquinas se les enseñen más hechos científicos, podrán ayudar a los científicos a simplificar sus argumentos lógicos; detectar errores, inconsistencias, plagio y duplicaciones; y resaltar las conexiones. IA con conocimiento de las leyes físicas es más poderosa que la IA entrenada solo con datos, por lo que las máquinas con conocimientos científicos podrán ayudar a futuros descubrimientos. Las máquinas con un gran conocimiento de la ciencia podrían ayudar en lugar de reemplazar a los científicos humanos.

Los matemáticos ya han comenzado este proceso de traducción. Están enseñando matemáticas a las computadoras escribiendo teoremas y pruebas en lenguajes como Lean. Lean es un asistente de pruebas y un lenguaje de programación en el que se pueden introducir conceptos matemáticos en forma de objetos. Usando los objetos conocidos, Lean puede razonar si un enunciado es verdadero o falso, lo que ayuda a los matemáticos a verificar las pruebas e identificar los lugares donde su lógica es insuficientemente rigurosa. Cuantas más matemáticas conozca Lean, más podrá hacer. los Proyecto Xena en Imperial College London tiene como objetivo incorporar todo el plan de estudios de matemáticas de pregrado en Lean. Un día, los asistentes de pruebas pueden ayudar a los matemáticos a investigar comprobando su razonamiento y buscando el vasto conocimiento matemático que poseen.

.



Fuente de la Publicacion AQUI

Por admin

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *