Investigadores chinos logran un gran avance en la creación de "verdaderos científicos de IA"

Recientemente, investigadores chinos de la Universidad de Pekín y el Instituto Tecnológico del Este (EIT) presentaron un marco innovador diseñado para entrenar modelos de aprendizaje automático con conocimiento previo, lo que supone un cambio con respecto al enfoque convencional basado únicamente en datos. Los investigadores destacan el impacto transformador de los modelos de aprendizaje profundo en la investigación científica, destacando su capacidad paratracrelaciones significativas de grandes conjuntos de datos. El marco aborda las limitaciones de los modelos existentes, como Sora de OpenAI, que tiene dificultades para simular ciertas interacciones del mundo real con precisión debido a la falta de comprensión de leyes físicas como la gravedad.

Los modelos de aprendizaje profundo, reconocidos por revolucionar la investigación científica, se basan principalmente en datos extensos para su entrenamiento, en lugar de incorporar conocimientos previos como leyes físicas o lógicamatic. Sin embargo, investigadores de la Universidad de Pekín y el Instituto Tecnológico del Este proponen un cambio de paradigma. El equipo sugiere que combinar datos con conocimientos previos durante el entrenamiento podría resultar en modelos de aprendizaje automático más precisos y fundamentados.

El desafío radica en determinar qué aspectos del conocimiento previo, incluyendo relaciones funcionales, ecuaciones y lógica, deben integrarse para facilitar un mejor preaprendizaje sin provocar el colapso del modelo. El profesor Chen Yuntian enfatiza que saturar los modelos con un gran volumen de conocimiento y reglas a menudo genera dificultades o fallas en los modelos actuales de aprendizaje automático bien fundamentados.

Un marco para evaluar la importancia de las reglas

Para superar este desafío, los investigadores desarrollaron un marco que evalúa el valor de las reglas y determina las combinaciones óptimas que mejoran la capacidad predictiva de los modelos de aprendizaje profundo. Xu Hao, primer autor e investigador de la Universidad de Pekín, explica que su marco calcula la "importancia de las reglas" analizando cómo ciertas reglas o combinaciones afectan la precisión predictiva de un modelo.

Este enfoque busca equilibrar la influencia de los datos y el conocimiento, mejorando la eficiencia y la capacidad de inferencia de los modelos de aprendizaje profundo. El equipo prevé que integrar el conocimiento humano en los modelos de IA podría mejorar significativamente su capacidad de reflexión en el mundo real, haciéndolos más aplicables en los ámbitos científico y de ingeniería.

Los investigadores probaron su marco optimizando un modelo para resolver ecuaciones multivariantes y otro para predecir los resultados de un experimento químico. Chen sugiere que, a corto plazo, este marco encontrará sus aplicaciones más útiles en modelos científicos donde la coherencia con las reglas de la física es vital para evitar posibles consecuencias adversas.

A pesar de los prometedores resultados, el equipo reconoce que existe un desafío. A medida que se añaden más datos a un modelo, las reglas generales adquieren mayor relevancia que las reglas locales específicas. Sin embargo, esta observación no ofrece beneficios significativos en campos como la biología y la química, donde a menudo faltan reglas generales.

Hacia científicos de IA autónomos

De cara al futuro, el equipo de investigación aspira a llevar su marco de trabajo un paso más allá, permitiendo que la IAdentsu conocimiento y reglas directamente a partir de los datos, sin intervención humana. El objetivo final es crear un circuito cerrado que transforme el modelo en un auténtico científico de IA. Chen prevé este desarrollo como un paso significativo hacia la autonomía en la IA, y el equipo trabaja activamente en una herramienta de código abierto para desarrolladores de IA que facilite esta transición.