A medida que las capacidades de inteligencia artificial continúan expandiéndose, las universidades ahora enfrentan preguntas complejas y urgentes sobre cómo afrontar desafíos cada vez mayores, así como nuevas oportunidades. Ahora se presta mucha atención a esto, incluido un informe del MIT sobre IA y educación publicado este verano.
Un nuevo ensayo de la directora del Centro de Estadística y Ciencia de Datos del MIT, Sasha Rakhlin, profesora distinguida de Datos, Sistemas y Sociedad, IDSS y Ciencias Cerebrales y Cognitivas, sintetiza debates y lecturas recientes sobre cómo la IA está cambiando el mundo académico, en particular las matemáticas, la estadística, el aprendizaje automático y la ingeniería. Aquí, centrándose principalmente en la investigación y la educación de posgrado, describe cuestiones clave en las que los departamentos y universidades deben pensar, y cómo pueden trabajar mejor con la IA en el futuro.
P: ¿Qué está cambiando en la investigación y por qué está sucediendo tan rápidamente?
R: Las matemáticas ilustran lo rápido que avanzan las capacidades de la IA. El año pasado, un modelo alcanzó la medalla de oro en la Olimpiada Internacional de Matemáticas. Sólo un año después, los modelos están produciendo nuevos resultados de investigación, incluida una solución propuesta recientemente a uno de los Problemas del Premio del Milenio. La IA puede realizar cada vez más tareas que alguna vez demostraron una capacidad matemática avanzada.
Un factor central que determina el ritmo del progreso de la IA en una disciplina particular es la velocidad y confiabilidad de la verificación. Las pruebas formalizadas se pueden comprobar automáticamente; Los programas se pueden ejecutar y probar. Cuando la evaluación es rápida y confiable, los sistemas pueden generar candidatos, aprender de los resultados y mejorar. Esto también se aplica a la propia investigación de la IA: mejorar los modelos, los procedimientos de capacitación y sus herramientas de apoyo. Mejores modelos pueden contribuir a la próxima ronda de desarrollo, creando un proceso compuesto que acelere el progreso.
Para los investigadores experimentados, esto crea oportunidades para abordar cuestiones cuyas exigencias técnicas antes las dejaban fuera de su alcance. También agudiza la distinción entre obtener una solución y comprender por qué funciona, qué se generaliza y qué preguntar a continuación. Sin embargo, no debemos asumir que la abstracción, el juicio o la formulación de problemas quedarán más allá de la IA. Las universidades deberían prepararse para un futuro cercano en el que la IA sea más inteligente que todos nosotros en muchos, quizás en la mayoría, de los aspectos de nuestro trabajo intelectual.
P: ¿Cómo deberían los departamentos repensar el crédito académico y la formación de posgrado?
R: En un número cada vez mayor de campos, un papel pulido se está convirtiendo en una señal cada vez más débil de experiencia individual. Los departamentos deben comenzar ahora a reconsiderar qué recompensan, sin limitarse a definir el trabajo valioso como aquello que la IA aún no puede hacer. Hacer buenas preguntas, la replicación, la síntesis de ideas, los resultados negativos informativos y los conjuntos de datos compartidos pueden merecer un mayor reconocimiento. En términos más generales, la evaluación debe establecer qué contribuyó un investigador y de qué asume la responsabilidad intelectual, incluso cuando partes sustanciales del trabajo fueron realizadas por IA. Estas expectativas deberían guiar la contratación, la promoción y la financiación, y hacerse explícitas para los estudiantes de doctorado actuales y entrantes.
La formación plantea un problema más difícil. Los músculos intelectuales se desarrollan mediante el ejercicio. Los cálculos rutinarios, la codificación, los enfoques fallidos y los pequeños descubrimientos han ayudado durante mucho tiempo a los estudiantes a adquirir intuición y juicio. Delegar este trabajo puede eliminar experiencias formativas, incluso cuando la IA permite a los estudiantes intentar proyectos más ambiciosos. Necesitamos distinguir las fricciones innecesarias del trabajo mediante el cual se desarrolla la experiencia. Los estudiantes deben aprender a formular problemas, auditar los resultados del modelo, reproducir resultados y defender sus elecciones. Los fundamentos pueden volverse más valiosos como base para utilizar bien estas herramientas.
P: ¿Qué deberían construir ahora el MIT y otras universidades?
R: Aquí es donde veo una oportunidad real para las universidades. Primero, dejemos claro el objetivo: las universidades deberían poder abordar cuestiones a largo plazo, compartir resultados abiertamente y evaluar afirmaciones de forma independiente. Las asociaciones con la industria serán esenciales, pero no debemos dar por sentado que las prioridades comerciales cubrirán la amplitud de la ciencia o permanecerán alineadas con ella a lo largo del tiempo. Por tanto, será necesario cierto grado de independencia tecnológica.
El activo estratégico más importante de la academia puede ser el conocimiento y la experiencia acumulados dentro de sus laboratorios. Los artículos publicados presentan un historial selectivo: los experimentos fallidos, las direcciones abandonadas y las razones por las que un enfoque no funcionó a menudo permanecen inéditos. Los científicos e ingenieros poseen conocimientos tácitos, adquiridos a través de la experiencia, sobre qué intervenciones tienen probabilidades de fallar y por qué. Este contexto faltante puede ayudar a explicar por qué los modelos actualmente luchan en algunos dominios, especialmente en las ciencias empíricas, para anticipar consecuencias que son claras para un experto. Estas limitaciones pueden ser temporales, y capturar los resultados negativos y las interpretaciones de los científicos podría hacer que los modelos sean mucho mejores en la exploración científica.
Podemos imaginar un futuro en el que los laboratorios del MIT funcionen más como un único organismo científico vivo, conectado a través de una infraestructura de investigación de IA compartida. Por ejemplo, supongamos que un laboratorio de neurociencia necesita mejores métodos para segmentar neuronas en imágenes de microscopía. Un agente de IA podría reconocer un avance relevante de un grupo de visión por computadora, conectar a los investigadores, proponer puntos de referencia y ayudarlos a iterar. Podría plantear preguntas no resueltas a estudiantes y profesores, y poner las lecciones de un laboratorio a disposición de otros. Para que esto sea posible, debemos crear flujos de trabajo que capturen hipótesis, intervenciones, resultados, fracasos e interpretaciones. Los sistemas compartidos deben conectar estos flujos de trabajo, permitiendo a los agentes utilizar herramientas e información en todos los laboratorios con los permisos adecuados. Esto requerirá una inversión pública e institucional sustancial en computación, sistemas de datos seguros y experiencia en la adaptación y el entrenamiento posterior de modelos de IA.
Seguir este proceso también podría preservar el linaje de ideas y hacer que las contribuciones, incluidas las de los estudiantes de posgrado, sean más fáciles de reconocer. Con reglas acordadas sobre consentimiento y crédito, los investigadores podrían colaborar de manera más abierta y con mayor confianza en que su trabajo sería reconocido. Esto también podría ayudar a responder la pregunta anterior sobre cómo reconocer y recompensar las contribuciones intelectuales.
Los sistemas de IA ya pueden sintetizar y razonar sobre información de más fuentes de las que cualquier investigador individual podría absorber, y su capacidad para establecer conexiones útiles seguirá mejorando. Deberíamos utilizar esta capacidad para unirnos en torno a difíciles problemas científicos y de ingeniería, ayudándonos a aprovechar las fortalezas y los conocimientos de los demás. Para mí, este es un camino prometedor, pero las universidades necesitan invertir ahora para hacerlo posible.