�鶹ֱ��

Como se informa �����í, la IA ha supuesto una transformación para muchos sectores en 2023, entre ellos la biotecnología, la sanidad, las finanzas, la educación y otros. Dicho esto, la IA también se enfrenta a muchos retos y el editorial de Nature que se incluye a continuación analiza el lento progreso del uso de la IA y los sistemas automatizados para la síntesis química. Este debate ofrece lecciones importantes para el uso de la IA en general y puede sugerir que la paradoja de Polyani es un obstáculo significativo para la innovación impulsada por la IA.

Los principales retos del uso de la IA en el desarrollo de procesos de síntesis química nuevos y mejorados incluyen los siguientes:

1. Los sistemas automáticos existentes para probar los resultados de la IA solo pueden probar una gama limitada de reacciones químicas en comparación con un químico humano.
2. Falta de datos suficientes
3. Falta de datos sobre resultados negativos, como condiciones de reacción que no funcionaron.

Los futuros avances en robótica sin duda proporcionarán sistemas automáticos capaces de probar gamas más completas de reacciones químicas, y la cantidad de datos disponibles para entrenar los sistemas de IA aumenta continuamente. La necesidad general de más datos para los voraces modelos de IA también puede resolverse mediante el desarrollo de sistemas de IA especializados, como AlphaFold.

Sin embargo, la falta de datos negativos puede ser difícil de manejar, ya que las revistas científicas rara vez publican datos negativos. Los químicos están abordando este problema mediante iniciativas como la «Base de datos abierta de reacciones», pero sigue siendo un obstáculo importante.

El problema de los datos negativos apunta a un problema más profundo para la IA en la innovación científica, que a menudo se denomina la paradoja de Polanyi, en honor al filósofo científico del mismo nombre. Según Polanyi, los descubrimientos científicos se basan en el conocimiento personal que se adquiere con la experiencia y se interioriza de forma inconsciente. La paradoja de Polanyi se puede resumir en «sabemos más de lo que podemos expresar». 

Los datos negativos suelen ser experiencias internalizadas y no expresadas que pasan a formar parte del conocimiento personal de individuos o grupos de científicos. Por lo tanto, es posible que la información, los conocimientos y las experiencias fundamentales para la innovación nunca se expresen verbalmente o en una forma proposicional tangible de la que puedan aprender los modelos de IA. Los datos negativos y la paradoja de Polanyi pueden ser, por lo tanto, puntos ciegos cruciales de ciertas aplicaciones de la IA y es esencial tenerlos en cuenta al utilizar modelos de IA, ya sea para descubrimientos científicos o para cualquier actividad humana, como la resolución de problemas legales. Para superar a un químico humano, tal y como solicita el editorial de Nature, los modelos de IA deben superar de alguna manera la paradoja de Polanyi.

Las aplicaciones químicas requieren modelos informáticos que sean mejores que el mejor científico humano. Solo tomando medidas para recopilar y compartir datos, la IA podrá cumplir las expectativas en el campo de la química y evitar convertirse en un caso de exageración por encima de la esperanza.