El sueño de encontrar vecinos entre las estrellas es poderoso. ¿Los métodos que utilizamos para encontrarlos? Potencialmente defectuoso.
La inteligencia artificial lucha con cosas que no ha visto antes. Dos investigadores de la Universidad Estatal de Michigan, Christoph Adami y Ankit Gupta, lo demostraron en una simulación. Probaron la capacidad de la IA para detectar vida fuera de los límites de nuestro planeta.
El resultado no fue agradable para la máquina.
La IA tiene un “talón de Aquiles”. Es la tendencia a clasificar erróneamente datos desconocidos. Adami llama a estas muestras “fuera de distribución”. ¿Poner un microbio alienígena frente a un robot entrenado únicamente en la biología de la Tierra? No sabrá lo que está pasando. La máquina podría simplemente alucinar una forma de vida surgida de la nada.
“Habíamos visto anteriormente que la IA tiene un enorme punto ciego cuando maneja datos a diferencia de su conjunto de entrenamiento”, explicó Adami. Es increíblemente fácil engañar al algoritmo para que vea vida donde no la hay.
La biología digital como prueba de estrés
¿Cómo se prueba lo desconocido? Necesitas una verdad fundamental.
Adami utiliza Avida, un entorno evolutivo digital. Lanzado en 1993, alberga programas informáticos que se comportan como organismos. Se replican. Compiten por los ciclos de la CPU. Ellos evolucionan. Es un código que se hace pasar por vida de carbono, pero para fines de prueba, proporciona un conjunto de datos masivo y etiquetado.
Las formas de vida y los programas no-vida comparten estructuras de codificación muy similares. Las diferencias son sutiles. Esto imita la realidad de la astrobiología. Los extraterrestres probablemente no se parecerían a nosotros. Puede que ni siquiera utilicen ADN. Pero la huella digital computacional aún podría parecernos sospechosamente similar a nosotros.
El dúo pasó tres meses analizando 1.000 máquinas paralelas. ¿Su tarea? Enseñe a una IA a distinguir el código que representa vida del código que no la representa.
Comenzaron con secuencias moleculares aleatorias. Luego modificaron una cosa a la vez. El objetivo era infalible: hacer que la secuencia no-vida se pareciera cada vez más a la vida para el algoritmo.
“Con unos 15 cambios… podríamos conseguir que la IA tuviera plena confianza en una clasificación de vida”, dijo Adami.
La confianza alcanzó su punto máximo. La precisión tocó fondo.
Con un 100% de confianza, el programa nunca identificó la vida real. Estaba viendo fantasmas. Sucedió consistentemente en todas las secuencias iniciales.
La manzana, el plátano y el microbio
¿Por qué esto importa?
La IA es fantástica para procesar patrones en datos que entendemos. Es invaluable para filtrar el ruido. Pero requiere contexto.
“Si le preguntas a una IA sobre algo de sus datos de entrenamiento, normalmente es correcto”, señaló Adami. Entrénelo para identificar manzanas. ¿Mostrarle más manzanas? Funciona. ¿Mostrarle plátanos? Confusión. El plátano está “fuera de distribución”. Forma diferente. Diferentes características. La IA carece de puntos de referencia para emitir un juicio válido.
Nos enfrentamos exactamente al mismo problema con los microbios extraterrestres.
No tenemos idea de cómo será biológicamente la vida extraterrestre. Podría ser radicalmente diferente de los organismos terrestres. Por lo tanto, representa datos “fuera de distribución” para nuestros modelos de IA actuales. No hay datos de entrenamiento para eso. La IA no tiene contexto para verificar si un grupo específico de moléculas está realmente vivo o simplemente es químicamente ruidoso.
“Necesitas conocer tus datos de entrenamiento”, dijo Adami. “Si los datos de las pruebas tienen la misma distribución que los del entrenamiento, todo estará bien. No se puede garantizar eso con la biología extraterrestre”.
Misiones espaciales y trampas de espectrometría de masas
Este no es sólo un riesgo teórico. Afecta las próximas misiones.
Imagínese un vehículo explorador en Marte perforando una roca. Encuentra una estructura. Si el robot ve una masa reconocible parecida a una célula, podemos verificarla. Podemos probarlo con baños químicos y microscopía. Los datos son directos.
Pero la visualización directa es la excepción, no la regla.
Las búsquedas futuras se basan en la espectrometría de masas. Buscan procesos moleculares en atmósferas como Venus, bajo el hielo de los océanos de Europa o en exoplanetas distantes observados por el planeado Observatorio de Mundos Habitables de la NASA (destinado a la ventana de lanzamiento de 2040).
Los datos serán firmas químicas complejas, no fotografías de alta resolución.
“Si una IA en una misión analiza datos de espectrometría de masas… podría arrojar un veredicto positivo sobre la vida sin ninguna relación con la vida real”, advirtió Adami. La máquina anunciará con seguridad un descubrimiento. El descubrimiento será falso. La señal es una imitación no biológica, y la IA, al carecer de contexto para una verdadera biología alienígena, se deja engañar.
Próximos pasos en el laboratorio
¿La conclusión?
La IA no puede reemplazar la precaución humana. No puede reemplazar el requisito de verificación práctica tradicional.
Adami y Gupta son los próximos en sacar esta investigación del ámbito puramente digital. Planean realizar las mismas pruebas utilizando conjuntos de datos químicos y biológicos del mundo real. La hipótesis permanece: sin comprender la distribución completa de las posibles formas biológicas, la IA seguirá tropezando con sus propios puntos ciegos.
Está previsto que presenten estos hallazgos en agosto en la Conferencia 2a026 sobre Vida Artificial en Waterloo, Canadá.
Por ahora la búsqueda continúa. Confiamos en nuestras máquinas porque procesan más rápido. Pero un procesamiento más rápido de las suposiciones erróneas es sólo un camino más rápido hacia la decepción. Podríamos mirar a través del ruido y encontrar patrones que parezcan amigos, cuando en realidad son simplemente estáticos.
¿Un patrón se convierte en compañero en el momento en que nuestras computadoras dicen “sí”?
Quizás deberíamos volver a comprobarlo.
