¿Explicar o predecir?
Cómo los algoritmos de inteligencia artificial están cambiando la metodología científica.
Durante siglos, la ciencia ha desempeñado un
papel fundamental en el florecimiento de la civilización gracias a su
capacidad para dotarnos de una explicación acerca de cómo funciona el
mundo y para anticipar las consecuencias de un curso causal determinado.
Explicación cabal y prognosis eficiente son, en suma, las dos palabras
clave que caracterizan los principales activos de la ciencia.
Tradicionalmente, y en especial desde que el
Círculo de Viena analizara esta cuestión, la explicación y la predicción
científicas se han considerado dos caras de la misma moneda: si se
tiene una explicación científica genuina de un fenómeno, entonces habría
sido posible predecirlo, y si puede predecirse científicamente un
fenómeno, entonces es posible explicarlo. Es lo que se denomina la
«tesis de la simetría». De acuerdo con ella, explicación y predicción
comparten la misma estructura lógica. El mismo argumento que nos sirve
para explicar el fenómeno una vez que sabemos que este se ha producido
nos habría permitido predecirlo antes de que se produjera. La diferencia
entre explicar y predecir es, pues, únicamente pragmática. Se reduce al
momento en que se formula el argumento: si se formula antes de conocer
el fenómeno, predecimos; si se formula después, explicamos.
Cabe admitir que, en
ciertos fenómenos, como pueden ser los biológicos —especialmente los
evolutivos— o los sociales, la complejidad de los factores que
intervienen genera dificultades de tipo práctico para realizar
predicciones realmente precisas y podemos tener explicaciones aceptables
que no lleven a predicciones relevantes. Sin embargo, en lo que se
refiere a la posibilidad inversa, es decir, a la de predecir sin tener
capacidad para explicar, se estima que no se dispone de una predicción
científica genuina si no se puede proporcionar con los mismos recursos
teóricos una explicación de los fenómenos concernidos.
Sin embargo, a día de hoy este escenario no es tan firme como lo era
hace unos años. Para empezar, la tesis de la simetría entre explicación y
predicción recibió, ya desde el comienzo, críticas de entidad
considerable. Como han argumentado
diversos autores, la predicción científica podría basarse en un
conjunto de datos sin necesidad de recurrir a ninguna ley, careciendo,
por tanto, de capacidad explicativa. Tomemos el caso de los sistemas
sensibles a las condiciones iniciales o, en lenguaje más popular, el de
los sistemas que presentan el llamado «efecto mariposa». Se trata de
sistemas caóticos cuyo comportamiento puede ser explicado
científicamente mediante leyes deterministas. Sin embargo, su resultado
final es altamente imprevisible en la práctica, debido a los efectos
multiplicadores que experimentan las diferencias infinitesimales en las
condiciones iniciales de las que se parte en cada caso concreto.
Por otro lado, hace ya tiempo que percibimos
señales de que nuestra capacidad de construir modelos científicos que
permitan explicar el mundo se está enfrentando con algunos límites
epistémicos. Esto resulta cada vez más obvio en campos como los de la
astrofísica o la biología. En astrofísica, la teoría inflacionaria del universo
o la propuesta teórica de los multiversos han sido criticadas por la
imposibilidad de ser sometidas a contrastación empírica, lo cual las
alejaría del cumplimiento de un requisito considerado hasta ahora básico
para cualquier teoría científica. En el caso de la teoría inflacionaria
del universo, existen demasiados modelos que no pueden ser
discriminados en función de la evidencia disponible, o como suele
decirse con un tecnicismo, se trata de modelos infradeterminados por la
evidencia empírica. Cierto que estos modelos conducen a predicciones
distintas, pero la flexibilidad de la teoría permite que cualquier dato
empírico pueda ser finalmente acomodado, impidiéndose así la
falsabilidad de dicha teoría. Algo similar puede decirse de la teoría de los multiversos,
al menos en algunas de sus versiones: no conduce a predicciones
contrastables empíricamente y, por tanto, su carácter científico podría ser cuestionado sobre esa base. Esto mismo, por cierto, se ha sostenido con respecto a otra teoría física de gran relevancia, como es la teoría de cuerdas.
En
biología, la investigación actual muestra que el funcionamiento de los
mecanismos genéticos resulta extremadamente más complejo de lo que
suponíamos hace unos años. La posibilidad de dominar nuestro ADN se nos
escapa paulatinamente, no ya solo por las múltiples relaciones entre
unos genes y otros, sino por la conciencia creciente del papel esencial
que desempeña la epigenética en su expresión concreta. De ahí la
dificultad de situar nuestras esperanzas en la aparición de un modelo
científico capaz de proporcionarnos una explicación detallada sobre cómo
funciona el genoma en toda su complejidad y, menos aún, que sea tan
preciso como para confiar ciegamente en su capacidad de prognosis.
Cada
vez resulta más evidente que los métodos empleados tradicionalmente por
la ciencia ya no son adecuados para satisfacer plenamente las
necesidades de la propia ciencia. La complejidad del mundo que se
pretende modelar ha superado esas capacidades. Si durante un tiempo no
hemos procedido a emplear una alternativa a su monopolio, ha sido porque
no la había. Ahora, no obstante, las circunstancias están cambiando.
Hace ya tiempo que conocemos algunos casos de acciones humanas exitosas
basadas en metodologías que no siguen patrones científicos
tradicionales. Quizás un buen ejemplo, tal como señalaba en Wired Chris Anderson, sea la secuenciación génica aleatoria (shotgun gene sequencing),
usada por Craig Venter en Celera Genomics para obtener la secuencia
completa del genoma humano. Esta técnica puede considerarse una pionera
del cambio a gran escala representado por la aparición de unas
herramientas nuevas, los algoritmos computacionales (en este caso
algoritmos ensambladores) y una nueva forma de entender la función de la
computación en la ciencia.
Se hace cada vez más verosímil
una situación en que la fuerza
[predictiva] de la inteligencia artificial
acabe por desplazar a la teorización científica
La aparición de los algoritmos, y
especialmente de algoritmos predictivos, es el resultado del uso
combinado de unas posibilidades de almacenamiento y procesamiento de
datos nunca antes conocidos. Estas herramientas son capaces de desplegar
una capacidad predictiva que supera ya —y en un futuro es previsible
que supere aún en mayor medida— la que puede proporcionarnos cualquier
modelo desarrollado siguiendo los métodos científicos tradicionales. Por
citar un ejemplo que saltó a la prensa en mayo, un equipo japonés ha
presentado en la revista Heart un algoritmo que predice con un 90 por ciento de aciertos la incidencia de paros cardíacos en función de ciertas condiciones meteorológicas.
La metodología científica tradicional se basa
en la contrastación empírica de hipótesis y modelos teóricos acerca del
comportamiento de los fenómenos; hipótesis y modelos que pueden
resultar confirmados o falsados. Los algoritmos predictivos, en cambio,
no siguen ese patrón. Su creación parte de la inferencia de
correlaciones entre diferentes variables sobre la base de un análisis
estadístico automatizado de enormes bases de datos. Los algoritmos nunca
buscan causalidades, sino solo correlaciones. De ahí, por supuesto, que
no expliquen, sino que solo anticipen. Pero algunos predicen con una
exactitud que desafía a lo que ha podido lograr la ciencia hasta este
momento.
La cuestión fundamental que plantea este
escenario es que se hace cada vez más verosímil una situación en que la
fuerza de la inteligencia artificial acabe por desplazar a la
teorización científica en muchos campos, al menos en lo que se refiere a
su función predictiva. Probablemente, el punto de inflexión se produzca
el día en que tengamos que decidir qué curso de acción queremos seguir
cuando ambas estrategias planteen soluciones inconciliables. Si en ese
momento nos decantamos por la opción que recomienda la IA, esto es, la
opción antiteórica, habremos dado un paso difícil de revertir. Porque en
ese momento certificaremos nuestra preferencia por la funcionalidad y
alta precisión de la predicción estadística antes que por las
explicaciones aproximadamente verdaderas proporcionadas por las teorías y
las hipótesis científicas.
Ese momento, de hecho, ha llegado en algunos
ámbitos, en los que la posibilidad de trazar predicciones exactas y
detalladas a través de diversos algoritmos ha provocado que ya no se
profundice en los mecanismos o lazos causales que llevan de un fenómeno a
otro, y, en consecuencia, no se nos proporciona una comprensión cabal
del modo en que acontecen dichos fenómenos. Ciertamente, estas
predicciones exactas pero sin capacidad explicativa pueden servir para
poner a prueba y mejorar modelos explicativos, o incluso orientar
en el hallazgo de otros nuevos. Sin embargo, poner todo el peso en
ellas descuidando la importancia de los modelos causales implica un
abandono claro de una de las dos finalidades principales de la ciencia:
la de proporcionar explicaciones además de predicciones.
El que todavía no nos hayamos dado cuenta de la enorme magnitud del
cambio que se avecina no le resta un ápice de importancia. En suma,
parece que se abre ante nuestros ojos un futuro en que es probable que
la ciencia (tal y como tradicionalmente hemos entendido este concepto)
pase a ser principalmente, si no únicamente, un recurso explicativo,
mientras que su antiguo rol de anticipación de escenarios futuros será
desempeñado por los sistemas basados en la inteligencia artificial. Y no
parece que ese futuro vaya a esperar demasiado para hacerse presente.
PARA SABER MÁS:
Explanation and prediction in evolutionary theory. Michael Scriven en Science, vol. 130, n.o 3374, págs. 477-482, agosto de 1959.
The anatomy of inquiry. Philosophical studies in the theory of science. Israel Scheffler. Knopf, 1963.
The end of theory: the data deluge makes the scientific method obsolete. Chris Anderson en Wired Magazine, junio de 2008.
To explain or to predict? Galit Shmueli en Statistical Science, vol. 25, n.o 3, págs. 289-310, agosto de 2010.
Scientific method: Defend the integrity of physics. George Ellis y Joe Silk en Nature, vol. 516, n.o 7531, págs. 321-323, diciembre de 2014.
https://www.investigacionyciencia.es/revistas/investigacion-y-ciencia/al-rescate-del-coral-837/explicar-o-predecir-20016?fbclid=IwAR2zGN3Kl5mEQK8qR0m0FF1BMTVYM6_hSbCEI5521FhtKygA1Pb0BxuEh54
