AutoDS usa IA para buscar hipótesis científicas
Ai2 presenta AutoDS, un prototipo de código abierto que genera y prueba hipótesis científicas sin recibir una pregunta inicial de un experto. En 21 conjuntos de datos, encontró entre un 5% y un 29% más de resultados sorprendentes que sus competidores, aunque sus hallazgos todavía necesitan validación humana y revisión por pares.
Ai2 presentó AutoDS, un prototipo de código abierto que usa inteligencia artificial para explorar preguntas científicas sin que una persona tenga que indicarle primero qué investigar. El sistema genera hipótesis, realiza experimentos estadísticos con datos disponibles y utiliza los resultados para decidir qué explorar después.
La mayoría de las herramientas de IA para ciencia parten de una pregunta concreta. Por ejemplo, un investigador puede pedirles que analicen si una variable influye en otra. AutoDS intenta cubrir el paso anterior: decidir qué preguntas merecen ser investigadas.
Cómo funciona AutoDS
El sistema busca resultados que le parezcan inesperados y los usa como punto de partida para nuevas hipótesis. Para medir esa sorpresa emplea una técnica llamada sorpresa bayesiana, que calcula cuánto cambia la confianza en una hipótesis antes y después de observar nuevas pruebas.
En términos sencillos, si los datos contradicen bastante lo que el sistema esperaba, ese resultado recibe más atención. AutoDS puede entonces investigar esa pista, generar otra hipótesis y repetir el proceso de forma continua.
Para elegir entre las distintas líneas de investigación, AutoDS combina esa medida de sorpresa con Monte Carlo Tree Search (MCTS), un método de búsqueda utilizado también en sistemas que juegan a juegos complejos. Además, incorpora una técnica llamada progressive widening para explorar un número potencialmente ilimitado de hipótesis sin intentar analizarlas todas a la vez.
Según Ai2, el uso de MCTS fue importante: el sistema encontró hasta un 29% más de hipótesis sorprendentes que otros mecanismos de búsqueda evaluados.
Qué encontró en las pruebas
Los investigadores probaron AutoDS con 21 conjuntos de datos reales de áreas como economía, biología y finanzas. En estas pruebas, el sistema superó a sus competidores entre un 5% y un 29% al encontrar resultados considerados sorprendentes por un modelo de lenguaje.
Después, más de 500 hipótesis fueron revisadas por evaluadores humanos con títulos de máster o doctorado en áreas STEM. El 67% de los descubrimientos de AutoDS también resultó sorprendente para esos especialistas.
Eso no significa que el sistema haya demostrado nuevas teorías científicas ni que sus resultados sean automáticamente correctos. Que un hallazgo sea inesperado no basta: todavía hay que comprobar que no se deba al azar, a errores en los datos o a una interpretación equivocada.
AutoDS puede explorar sin supervisión directa, pero sus resultados siguen necesitando escrutinio académico y revisión por pares.
Qué cambia para la investigación
El valor principal de AutoDS está en automatizar una parte del trabajo que suele consumir mucho tiempo: revisar resultados, detectar patrones poco obvios y decidir qué experimento hacer a continuación. Un investigador podría usarlo para explorar grandes bases de datos y recibir una lista de pistas que después debe validar.
El sistema no sustituye el criterio científico. No sabe por sí solo si una hipótesis es relevante para la sociedad, si un experimento está bien planteado o si una correlación tiene una explicación razonable. Esas decisiones siguen requiriendo especialistas.
Ai2 describe AutoDS como un prototipo y reconoce que no siempre es rápido. Aun así, el proyecto apunta a una forma distinta de usar la IA en ciencia: no solo como una herramienta que responde preguntas, sino como un sistema que ayuda a encontrar preguntas que todavía nadie había formulado.
Lo importante ahora será comprobar si las hipótesis sorprendentes de AutoDS también son reproducibles, útiles y científicamente sólidas. La capacidad de generar muchas pistas puede acelerar la investigación, pero solo la validación rigurosa permitirá distinguir un descubrimiento real de una coincidencia interesante.