La investigación tecnológica y sus aplicaciones sociales

Por Mark Purdy y Max Klymenko

Según la evidencia disponible, cada vez es más difícil encontrar nuevas ideas. Desde la década de 1990, la proliferación de nuevas patentes -aquellas relacionadas con nuevas tecnologías- no ha crecido mucho en Estados Unidos.

Según un estudio muy citado, la productividad de la investigación en dicho país disminuye un 50% cada 13 años, y eso se debe, en gran parte, a que las nuevas ideas se están agotando. A partir de estos datos, se concluye que EE. UU. necesita duplicar su inversión en investigaciones aproximadamente cada 12 años sólo para evitar un estancamiento. Pero la constante dificultad por descubrir nuevas ideas (el próximo medicamento contra el cáncer, el nuevo grafeno) no es tan sorprendente si consideramos que, en primer lugar, las probabilidades de éxito son pocas para los científicos.

Toda materia sobre la Tierra se compone de una combinación única de los 118 elementos de la tabla periódica. Trillones de combinaciones quedan aún sin descubrir; y, de éstas, la mayoría no tiene propiedades útiles para la industria. Hallar un minúsculo subconjunto de nuevos materiales útiles es como tratar de encontrar una aguja no en un pajar, sino en un campo de pajares; incluso cuando se identifican buenos prospectos, la gran mayoría se pierde en las pruebas, las regulaciones y el desarrollo. En el campo de la salud, por ejemplo, sólo del 1 al 2% de los medicamentos prometedores llegan al mercado, con costos de miles de millones de dólares que aumentan año tras año.

Las nuevas tecnologías como el aprendizaje automático, la robótica, los gemelos digitales y la supercomputación pueden mejorar drásticamente las probabilidades de un descubrimiento exitoso, a través de una selección más rápida y eficiente de las mejores ideas, y la aceleración de pruebas para su desarrollo temprano. Estas tecnologías van pavimentando el camino de los avances revolucionarios en campos tan diversos como la energía, la medicina y la planificación urbana.

La investigación tecnológica

“Estamos acostumbrados a pensar que las máquinas hacen los trabajos aburridos, sucios y peligrosos, mientras que los humanos se dedican a las labores creativas”, comentó en entrevista el escritor de tecnología Luke Dormehl, autor de Thinking Machines. Pero los límites entre los seres humanos creadores y las máquinas ejecutoras se están difuminando: “En la práctica, buena parte de la creatividad humana surge de ideas previas o de experimentos con la fuerza bruta; por ejemolo, un músico puede probar decenas de acordes antes de encontrar una nueva melodía”. Además, “las máquinas pueden sugerir ideas o soluciones impensables para los humanos, lo cual indicaría que son creativas en un sentido amplio”.

Quizás resulta más claro en la búsqueda de nuevos productos químicos y materiales, donde los descubrimientos se realizan tradicionalmente mediante hipótesis: los científicos hacen conjeturas bien fundamentadas sobre los compuestos químicos o materiales que podrían ser útiles, mismos que posteriormente deben testearse una y otra vez de manera amplia. Este método tiene muchos inconvenientes: altas tasas de falsos positivos, desperdicio de materiales costosos para las pruebas y largos tiempos de espera para obtener resultados.

Kebotix, una empresa con sede en Cambridge, Massachusetts, ha revolucionado el método científico. Referida como el primer laboratorio autónomo del mundo, enfocado en el descubrimiento de materiales, esta empresa utiliza una combinación de modelado computacional, robótica, automatización de laboratorio y aprendizaje automático para acelerar la tasa de descubrimientos de productos químicos y materiales avanzados.

Jill Becker, química formada en Harvard y CEO de Kebotix, explica: “Nuestro objetivo es transformar el método científico de toda la vida. Nuestra IA puede procesar de forma rápida y eficiente enormes cantidades de datos moleculares o químicos complejos para descubrir nuevos materiales, o generar nuevas formulaciones de productos específicos que posean las propiedades deseadas. De esta manera el ciclo de investigación se condensa en unos pocos meses, en vez de años”. Tomemos como ejemplo las ventanas inteligentes para nuevos modelos de autos: “Podemos especificar que el material sea transparente, que deje entrar la luz y aísle el calor en verano, que ahorre energía y costos ambientales, etcétera”.

Becker no sólo se concentra en los avances específicos, también alcanza a ver el horizonte de oportunidades: “Estas tecnologías pueden ayudar a abordar algunos de los mayores problemas del mundo, acelerando la búsqueda de materiales más limpios y ecológicos, o hallando medicamentos novedosos”.

Nuevos tratamientos para la salud

Algunos de los desarrollos más interesantes se están produciendo en el sector farmacéutico, donde la búsqueda de nuevos medicamentos, mediante métodos tradicionales, es cada vez más difícil y costosa. Exscientia, una empresa británica de tecnología farmacéutica, encargó a su plataforma de IA el diseño de un medicamento para tratar el trastorno obsesivo compulsivo. Después de examinar millones de estructuras químicas, Exscientia decidió fabricar y probar 350 compuestos, apenas una quinta parte del número habitual de candidatos. En enero de 2020, únicamente 12 meses después, un fármaco diseñado por IA llegó a la etapa de ensayos clínicos, lo cual supone un periodo de tiempo notablemente rápido en comparación con los cuatro años y medio convencionales.

Las nuevas tecnologías no sólo se utilizan para encontrar tratamientos nuevos; con frecuencia proporcionan un sondeo más rápido de las terapias existentes para encontrar mejores soluciones a nuevas enfermedades o condiciones médicas. Un ejemplo es la búsqueda de tratamientos y vacunas durante la pandemia de COVID-19.

Benevolent AI, una compañía de biotecnología con sede en Reino Unido, utilizó sus algoritmos para buscar terapias farmacológicas conocidas en una base de datos y, al final, identificó un buen prospecto que actualmente se utiliza para tratar la artritis reumatoide. El medicamento tiene pocos efectos secundarios y funciona en combinación con otras terapias.

Un desafío importante con este nuevo método es la potencia informática necesaria para realizar búsquedas a gran escala. Una posible solución es VirtualFlow, un sistema desarrollado por un equipo interdisciplinario de científicos, con el fin de descubrir nuevos fármacos. Según un reciente artículo de Nature, la plataforma de código abierto tiene como objetivo atender el problema de la escala para encontrar candidatos útiles.

Si bien las bases de datos refieren más de 1,400 millones de compuestos disponibles en el mercado, los métodos tradicionales sólo podían buscar en un pequeño subconjunto de compuestos, pues no tenían la inmensa potencia informática necesaria.

Al utilizar la computación paralela y sistemas en la nube, la plataforma VirtualFlow ejecuta búsquedas paralelas en el espacio químico: con un solo procesador se necesitarían aproximadamente 475 años para buscar mil millones de compuestos químicos; el sistema VirtualFlow aprovecha el poder de más de 10,000 computadoras conectadas para buscar esa misma cantidad en dos semanas.

Energía limpia

Las soluciones tecnológicas también han surgido en la lucha contra el cambio climático, gracias a que aceleran la búsqueda de fuentes de energía más limpias. Investigadores de la Universidad de Liverpool utilizaron un robot comandado por IA para identificar catalizadores más fuertes en la producción de hidrógeno a partir de agua, los cuales se podrán usar luego en celdas de hidrógeno con un impacto ambiental mucho menor que los combustibles fósiles. Deambulando libremente por el laboratorio mientras manipulaba una serie de diferentes instrumentos y viales, el robot pudo realizar 688 experimentos durante ocho días, mil veces más rápido que los métodos de laboratorio manuales.

Curtis Berlinguette, profesor de química e ingeniería química y biológica en la Universidad de Columbia Británica, advirtió que los hallazgos habilitados por tecnología no servirán para todos los problemas científicos: “Hasta ahora, ha funcionado mejor para la química de moléculas pequeñas, como los medicamentos, que para los materiales”. Berlinguette está interesado en aplicar el aprendizaje automático y la automatización a las tecnologías de película delgada. “Toda tecnología limpia se basa en películas delgadas (celdas solares, baterías, ventanas inteligentes, incluso electrolizadores) para convertir el CO2 en combustible”.

Berlinguette y su equipo diseñaron y construyeron un robot encargado de crear películas sin defectos para paneles solares; esto incluye el análisis y la prueba de varios candidatos para determinar el mejor material a utilizar. En sólo cinco días, el robot de Berlinguette puede completar un proceso que alguna vez tomó nueve meses.

Innovación urbana

Fuera del laboratorio o del estudio de diseño, la generación de ideas y las pruebas en tiempo real se tornan más complejas. Por poner un ejemplo, pensemos en el diseño de ciudades: debido a la dificultad para controlar todas las variables, como las condiciones ambientales, es difícil probar ideas como un control de inundaciones o un sistema de tráfico novedosos.

No obstante, incluso en este caso, podemos disponer de soluciones gracias a los gemelos digitales; es decir, una réplica virtual de un objeto, ser o sistema que se puede actualizar continuamente con datos de su contraparte física.

Phil Christensen, vicepresidente del departamento de Ciudades Digitales de Bentley Systems -una empresa de desarrollo de software con sede en Exton, Pensilvania-, nos explicó: “Los gemelos digitales pueden servir para crear ambientes de prueba en simulaciones a gran escala. Miren, por decir, el cambio ambiental: podemos simular cuál sería el impacto de diferentes patrones de lluvia y cómo las inundaciones afectarían a una ciudad; o podemos simular nuevos planes de tráfico y analizar los cambios en su flujo y la contaminación. Los gemelos digitales se convertirán en recursos invaluables para la experimentación y la toma de decisiones”.

Prepararse para el cambio

A pesar de estos avances, capitalizar los hallazgos y las pruebas automatizadas puede ser más difícil en la práctica por varias razones: los científicos podrían sentirse amenazados por los cambios; la inversión inicial no es baja; y los modelos comerciales podrían no estar a la par de la rapidez de los descubrimientos. Hemos detectado tres acciones que ayudarían a las compañías e industrias a aprovechar la capacidad de la investigación tecnológica.

Que el proceso creativo sea una actividad de equipo entre máquinas y humanos. Sería un error considerar que, con este nuevo método, se automatizarán algunas tareas y las personas serán meros portadores de la chispa creativa. El modelo debería estar más orientado al trabajo en equipo para innovar, con humanos y máquinas en interacción constante de acuerdo con los conocimientos y aptitudes de cada uno.

Sin duda, como apuntó Dormehl, probablemente las personas guiarán las preguntas de la investigación inicial, pero las máquinas pueden complementarlas y mejorarlas a lo largo del camino, pues son susceptibles a encontrar patrones que los humanos no detectarían.

Berlinguette señaló que su equipo usa algoritmos de aprendizaje automático que comienzan buscando combinaciones de ingredientes y pasos de procesamiento sugeridos por los investigadores, pero también identifican combinaciones menos obvias que los científicos pueden pasar por alto. Por su parte, Becker de Kebotix rescata el aspecto más positivo de jugar en equipo con las máquinas: “Veo un futuro en el que los científicos pueden soñar más y ser más curiosos, haciendo bromas sobre sus ocurrencias con la IA”.

Los humanos y las máquinas piensan de diferentes maneras, pero es la colaboración entre ellos lo que produce resultados. Implementar un método automatizado requiere un enfoque interdisciplinario que involucre no sólo a físicos o químicos, sino también a tecnólogos, científicos de datos, ingenieros de software, especialistas en ética y desarrolladores de productos.

Determina la red principal de tecnología. Implementar este nuevo método depende de una compleja gama de herramientas diferentes (algoritmos de aprendizaje automático, sensores y objetos inteligentes, robótica, bases de datos de referencia y redes informáticas de alta velocidad), todas en constante comunicación entre sí. No todas las empresas o laboratorios tendrán los fondos para invertir en sus propios sistemas internos; para proporcionar la red principal de la tecnología necesaria, las organizaciones más pequeñas pueden considerar opciones como la agrupación de recursos informáticos en diferentes centros de innovación o el uso de sistemas de nube pública o híbrida.

Reajusta los modelos comerciales. Los medicamentos o materiales nuevos que eventualmente salen al mercado, por lo regular alcanzan altos precios por unidad para cubrir los grandes costos de experimentación, pruebas y regulaciones durante muchos años. Sin embargo, los descubrimientos con máquinas comienzan a cambiar este modelo, ya que aumenta el número de iniciativas exitosas y, a la vez, se reduce el tiempo de su comercialización. Las industrias con ciclos de innovación “largos” podrían acercarse a los modelos de los bienes de consumo duraderos.

Muchos de los desarrollos automatizados más interesantes tienen grandes beneficios sociales, como la lucha contra el Alzheimer o el cambio climático. Las empresas deberán trabajar en estrecha colaboración con los responsables de la formulación de políticas, los científicos y las organizaciones no gubernamentales para garantizar que los frutos de estas investigaciones puedan llegar a la sociedad, a través de precios adecuados o costos compartidos. De manera más general, las empresas deben considerar la tecnología no sólo como un medio para aumentar sus rendimientos o reducir costos, sino como una piedra angular para impulsar su responsabilidad social.

Marcel Proust dijo: “El verdadero viaje de descubrimiento consiste no en buscar nuevos paisajes, sino en mirar con nuevos ojos”. ¿Cómo verías con ojos frescos las posibilidades de innovación que ofrece la tecnología?

Acerca de los autores

Mark Purdy (@mjpurdyecon) es asesor independiente en economía y tecnología. Max Klymenko (@maxoklymenko) es investigador en las mismas áreas de tecnología y economía.

Artículo traducido por Elvira Rosales Abundiz, a partir de: https://sloanreview.mit.edu/article/how-machine-discovery-can-accelerate-solutions-to-societys-big-problems/?og=Home+Editors+Picks

Síguenos en Google News