Los académicos de todo el campus están aprovechando la IA para impulsar avances notables en campos que van desde la robótica hasta la neurociencia y la minería, al tiempo que fomentan un enfoque cauteloso en la aplicación de la tecnología.
El laboratorio de la profesora Chelsea Finn impulsa el uso de la IA en robótica, aprovechando hardware económico para producir dispositivos entrenables y adaptables como Mobile ALOHA, que puede, entre otras cosas, cocinar camarones. | Kurt Hickman
«Avanza rápido y rompe cosas» es un lema muy conocido en Silicon Valley. Los investigadores de IA de Stanford optan por el método opuesto: cautela, escrutinio y visión a largo plazo.
Como investigadores, los expertos de Stanford –incluso aquellos que son optimistas y entusiastas acerca del futuro de la IA– mantienen un ojo crítico para los detalles y expectativas exigentes cuando se trata de aplicaciones de IA.
“Me retiré del desarrollo de IA de primera línea en la industria para centrarme en una agenda de investigación a largo plazo y más lenta porque quiero comprender mejor las cuestiones fundamentales”, dijo Yuyan Wang , profesora adjunta de marketing en la Escuela de Posgrado de Negocios , quien llegó a Stanford después de trabajar en IA en Uber y Google DeepMind y darse cuenta de que no se sabe lo suficiente sobre el funcionamiento de estos sistemas de IA. “Siento que la academia me brinda la máxima libertad intelectual para trabajar en cuestiones de investigación a largo plazo”.
Si bien el progreso de la IA en el ámbito académico puede ser más lento y meticuloso que en otros lugares, la esperanza es que este enfoque resulte en un conocimiento nuevo, rico y más sólido que sirva de base para una IA inteligente, sostenible y beneficiosa.
“Siento mucha presión —quizás una buena presión— para generar evidencia rigurosa para las herramientas que estamos desarrollando, lo cual lleva tiempo”, dijo Dora Demszky , profesora adjunta de ciencia de datos educativos en la Escuela de Posgrado de Educación . “Hay industrias que están desarrollando estas herramientas sin pensar ni evaluar cuidadosamente su impacto, y debemos reducir el ritmo”.
Con representación de todas las escuelas de Stanford, aquí hay nueve ejemplos de investigadores que hacen avanzar nuestra comprensión de la IA y crean herramientas de IA diseñadas para cumplir realmente la promesa de esta tecnología omnipresente:
Revolucionando el descubrimiento de recursos
Jef Caers , profesor de Ciencias de la Tierra y Planetarias en la Escuela de Sostenibilidad Doerr de Stanford, fundó Mineral X para centrarse en el abastecimiento resiliente y sostenible de materiales y metales esenciales para la transición energética, como el cobre, el litio, el níquel, el cobalto y las tierras raras. «La industria minera se ha visto inmersa en esta revolución de las energías renovables y desconoce el impacto», declaró Caers.
En julio de 2024, la IA resultó crucial para el descubrimiento de un recurso de cobre de alta ley cuya mineralización ya había demostrado ser prometedora. Esta IA, desarrollada en el grupo de Caers, mostró la secuencia mínima de perforación necesaria para reducir la incertidumbre sobre la presencia del recurso de cobre.
El tipo de IA en la que se basa Mineral X es similar a la IA utilizada para el ajedrez o los coches autónomos, dijo Caers. Por esa razón, colabora estrechamente con Mykel Kochenderfer , profesor asociado de aeronáutica y astronáutica, que diseña sistemas de IA más seguros para entornos que implican mucha incertidumbre. Los datos involucrados en la minería son intrincados e interdisciplinarios, y los investigadores necesitan una gran cantidad de ellos para tener en cuenta los errores. «Nuestro conjunto de datos es toda la Tierra medida de cero a 10 kilómetros de profundidad, e incluye mediciones de teledetección de la superficie, mediciones geofísicas de las propiedades físicas en el subsuelo y mediciones geoquímicas», dijo Caers. Su grupo incluso tiene un conjunto de datos que incluye mapas belgas dibujados a mano del Congo de 1900.
Además de la exploración de recursos, Mineral X también desarrolla tecnologías de IA para la minería y el procesamiento de materiales tras la extracción, y trabaja en la preparación de una fuerza laboral que pueda impulsar la minería hacia una nueva etapa. Esto implica capacitación que abarque los conocimientos necesarios tanto para la minería tradicional como para la impulsada por IA, y garantizar que las personas que viven cerca de las minas desempeñen un papel fundamental en la fuerza laboral.
Añadiendo más detalles a los modelos climáticos
Aditi Sheshadri , profesora adjunta de ciencias del sistema terrestre en la Escuela de Sostenibilidad Doerr de Stanford, y su laboratorio utilizan IA para comprender los efectos de las ondas de gravedad en el clima. «Las ondas de gravedad atmosféricas son omnipresentes en la atmósfera terrestre y desempeñan un papel crucial en la regulación de aspectos del clima terrestre», afirmó Sheshadri. «Algunas son demasiado pequeñas y rápidas para ser resueltas explícitamente en los modelos climáticos, y las aproximaciones realizadas en su representación representan una importante fuente de incertidumbre en las proyecciones climáticas».
Como parte de este trabajo, Sheshadri lidera el proyecto Datawave , un consorcio internacional que intenta combinar observaciones, simulaciones regionales y globales de alta resolución y algoritmos de IA para mejorar nuestra comprensión de las ondas de gravedad atmosféricas y su representación en los modelos climáticos globales.
«Tengo la esperanza de que la IA pueda usarse de manera significativa como una herramienta para aprender de observaciones o simulaciones de alta resolución para hacer que la proyección climática sea más precisa, con incertidumbres cuantificadas», dijo Sheshadri.
Algunos de los desafíos que Sheshadri y sus colegas están abordando incluyen garantizar que los algoritmos que utilizan cuenten con datos suficientes para su entrenamiento, dada la complejidad de la física involucrada en el modelado climático. Quienes utilizan estos modelos también deben ser cuidadosos con la interpretación y la generalización. Por ejemplo, Sheshadri señala que existe una gran cantidad de datos de entrenamiento que pueden brindarnos información sobre el clima actual, pero dependemos de esos mismos datos para predecir el estado futuro del clima, lo que significa que debemos considerar la incertidumbre inherente a dichas predicciones.
Más allá del bombo publicitario de la IA en el ámbito jurídico
Liftlab está dirigido por Megan Ma , directora ejecutiva, y Julian Nyarko , profesor de derecho en la Facultad de Derecho de Stanford. Su misión: aumentar el acceso a servicios legales de alta calidad en el sector privado mediante el aprovechamiento de la IA y otras tecnologías de vanguardia. Liftlab desarrolla, investiga y evalúa enfoques y herramientas basados en IA que están diseñados para reducir el costo y aumentar la calidad de los servicios legales en la educación legal y la práctica privada. «La IA tiene un potencial sin precedentes para transformar los servicios legales. Se está llevando a cabo una actividad significativa en todo el sector, pero necesitamos una verificación clara de la realidad sobre lo que realmente funciona», dijo Nyarko. «Nuestro laboratorio está comprometido a separar la publicidad de la realidad, lo que permite el desarrollo efectivo de la IA para los servicios legales para que sus beneficios puedan realizarse ampliamente».
Algunos ejemplos del trabajo de liftlab incluyen evaluaciones a gran escala en asociación con bufetes de abogados de simulaciones inmersivas que permiten a los abogados jóvenes y estudiantes de derecho practicar la negociación y otras habilidades legales, el desarrollo de nuevas metodologías para utilizar eficazmente las anotaciones en dominios de alto riesgo y alto costo como el derecho, herramientas para permitir que el personal legal escriba mejores contratos que minimicen los costos y enfoques novedosos para identificar y mitigar el sesgo racial.
“La IA legal debería centrarse en el desarrollo del talento humano —cultivando el criterio y la competencia en el área de los abogados— para que la tecnología se adapte a la profesión, en lugar de que la profesión se adapte a la herramienta”, afirmó Ma. “La calidad en el trabajo legal nunca se ha medido únicamente por la eficiencia y la precisión. Se ha definido por la defensa, el razonamiento transparente, el criterio centrado en el cliente y la rendición de cuentas”.
La precaución es clave para la IA en entornos clínicos
En su laboratorio, Roxana Daneshjou , profesora adjunta de ciencia de datos biomédicos y dermatología en la Facultad de Medicina, desarrolla y prueba herramientas de IA —tanto modelos de imagen como de lenguaje— para la atención médica. Le interesan especialmente las posibles desventajas de estas herramientas, como los sesgos hacia grupos específicos.
“Estoy muy entusiasmado con cómo estas herramientas mejorarán el acceso para los pacientes y los flujos de trabajo para los médicos”, afirmó Daneshjou. “Como dijo el difunto Dr. Atul Butte, la IA podría permitir un ‘privilegio escalable’, donde todos tengan acceso a la misma información y atención que quienes tienen un amplio conocimiento del sistema de salud”.
Los proyectos de Daneshjou incluyen chatbots para ayudar a los pacientes a navegar por sus historiales médicos, herramientas que coordinan múltiples flujos de datos (texto e imágenes) para predecir los resultados de los pacientes, y evaluaciones de grandes modelos lingüísticos (LLM) para su uso en la atención médica. Esta última línea de investigación ha incluido una prueba de estrés con 80 expertos de estos LLM en el ámbito de la atención médica y nuevas investigaciones que demuestran que los LLM pueden tener un comportamiento adulador , es decir, pueden decirle al usuario lo que quiere oír en lugar de la verdad.
“Aunque me entusiasma la IA en la atención médica, hay mucha expectación y muchas empresas están impulsando una IA que no está lista para su implementación en entornos clínicos”, dijo Daneshjou. “Si una IA que no está lista para su uso en el mercado termina causando daños, habrá una reacción negativa merecida. Debemos ser reflexivos y cuidadosos, porque no se puede actuar con rapidez y romper cosas cuando hay vidas humanas en juego”.
Dar poder a los docentes en los avances de la IA educativa
Mientras algunos desarrollan IA para estudiantes, el laboratorio de Dora Demszky, profesora adjunta de ciencia de datos educativos en la Escuela de Posgrado de Educación, se centra en cómo la IA puede apoyar a los docentes. «La IA aún no ha alcanzado el nivel necesario para apoyar a los estudiantes de forma más integral», afirmó Demszky. «Por lo tanto, al involucrar a los docentes, podemos garantizar la supervisión».
Algunos ejemplos de proyectos en el laboratorio de Demszky incluyen el uso de modelos lingüísticos para analizar el discurso en el aula —por ejemplo, cuánto hablaban los profesores en comparación con los alumnos— para facilitar la orientación docente; el uso de IA generativa para ayudar a los profesores a adaptar el currículo; la creación de diagramas matemáticos para mejorar las opciones de aprendizaje visual; y el fomento de una retroalimentación más holística y personalizada para los estudiantes. «Estas tres áreas surgieron de lo que los profesores nos dijeron que realmente necesitaban», afirmó Demszky.
El trabajo del laboratorio Demszky considera que los usuarios contarán con una amplia experiencia docente, desde expertos experimentados hasta aquellos con formación mínima. Muchos de los proyectos del laboratorio buscan ayudar a estudiantes con diferentes necesidades de aprendizaje, como aquellos con un nivel inferior al de su grado o que no hablen inglés como lengua materna. El laboratorio también organizó recientemente una Cumbre de Voces de Profesionales sobre la IA en la enseñanza de las matemáticas.
Cómo entrenar a tu robot
Si sueñas con robots domésticos capaces de realizar diversas tareas, necesitas una forma de programar toda la variabilidad que el mundo real les ofrece. Intentar crear manualmente algo que abarque todas las posibilidades —coger una taza con el asa al frente o al costado, o de un armario o de una mesa, al atardecer o en una habitación iluminada— es prácticamente imposible.
“En cambio, una de las técnicas más exitosas para ayudar a los robots a lidiar con toda la variabilidad del mundo es el aprendizaje automático, donde en lugar de intentar modelar el mundo y preprogramar cada escenario, se recopilan muchos datos y se aprenden patrones a partir de ellos”, dijo Chelsea Finn , profesora adjunta de informática e ingeniería eléctrica en la Escuela de Ingeniería.
El laboratorio de Finn ha ampliado recientemente los límites de la robótica con IA al usar hardware económico para producir dispositivos altamente entrenables y relativamente adaptables, como Mobile ALOHA , cuyo impresionante repertorio incluye la famosa capacidad de cocinar camarones. «La desventaja de este trabajo es que aún no podemos cocinar camarones en cualquier cocina», dijo Finn. «La capacidad de hacer algo en cualquier escenario se llama ‘generalización’, y para ello, estos algoritmos de aprendizaje automático necesitan conjuntos de datos y modelos más grandes».
Ante esta necesidad, Finn lideró una iniciativa llamada DROID (Conjunto de Datos de Interacción de Robots Distribuidos), que recopiló datos de entrenamiento de robots de unas 15 instituciones en 50 edificios diferentes y es completamente de código abierto. El laboratorio también está desarrollando modelos de «visión, lenguaje y acción», que combinan grandes modelos basados en algoritmos para que los robots puedan responder a señales textuales o visuales con acciones específicas.
¿Pueden los modelos de lenguaje imitar el cerebro humano?
Laura Gwilliams es profesora adjunta de psicología en la Facultad de Humanidades y Ciencias , investigadora del Instituto de Neurociencias Wu Tsai y miembro del equipo de Ciencias de Datos de Stanford . El laboratorio de Gwilliams estudia cómo el cerebro humano comprende y produce el lenguaje. Para ello, analizan diversos tipos de registros cerebrales. «Podemos observar cómo el cerebro procesa y produce el lenguaje desde la perspectiva de todo el cerebro, a la vez que profundizamos en el análisis, hasta el nivel de una sola neurona», afirmó Gwilliams.
Dado que la investigación de Gwilliams se centra en el lenguaje, puede aprovechar los grandes modelos lingüísticos (LLM) para rastrear, cuantificar y analizar los datos de estas grabaciones cerebrales. El laboratorio incluso está probando la eficacia de los LLM como sustitutos del cerebro humano, de forma similar a como se utilizan ratones de laboratorio en estudios biológicos. Un ejemplo es que un estudiante del laboratorio está estudiando problemas de lenguaje relacionados con accidentes cerebrovasculares mediante la «lesión» de diferentes aspectos de los LLM para ver si el comportamiento del modelo imita el habla afásica.
Gwilliams afirmó que los métodos basados en IA permiten a los investigadores del lenguaje probar múltiples hipótesis con un solo experimento, al pedir a los participantes humanos que interactúen con el lenguaje natural, como escuchar audiolibros. Esto también resulta más natural para los participantes de la investigación. Sin embargo, como en otros trabajos, los investigadores deben procurar comprender cómo funcionan y evolucionan los modelos, y qué tan bien reflejan el funcionamiento del cerebro humano. «Es prácticamente como sondear un sistema alienígena para ver si ha convergido en los mismos tipos de soluciones computacionales que el sistema humano», afirmó Gwilliams.
Cómo sacar la IA de la era de la «caja negra»
Como investigadora de IA en la industria, Yuyan Wang , profesora adjunta de marketing en la Escuela de Posgrado de Negocios, se sentía frustrada porque los algoritmos con los que trabajaba, como los que deciden qué se muestra en la página de inicio de YouTube, son en su mayoría cajas negras. «Los modelos no comprenden en absoluto el porqué de las decisiones de los consumidores, como ‘¿Por qué eliges ver este video? ¿Por qué compras este producto?'», afirmó Wang. En parte, esto se debe a que las decisiones de los consumidores son sumamente complejas, hasta el punto de que los propios consumidores podrían tener dificultades para explicar sus preferencias.
Esto ha motivado a Wang a aprovechar la teoría conductual y psicológica, así como los conocimientos estructurales económicos, para diseñar sistemas de IA más transparentes, robustos, centrados en el ser humano y optimizables a largo plazo. Por ejemplo, Wang ha continuado el trabajo que inició como investigadora en el sector para que los algoritmos de consumo se estructuren en torno a las intenciones previstas de los consumidores, un cambio que ofrece constantemente recomendaciones más satisfactorias y mejora la experiencia del consumidor a largo plazo, sin necesidad de recopilar datos adicionales sobre los consumidores.
“Los modelos de caja negra no nos llevarán a la inteligencia artificial general. Si nos interesa alcanzar la IAG, necesitamos comprender cómo funcionan estos modelos y por qué las personas se comportan de cierta manera”, dijo Wang. “También necesitamos saber qué hacen estos modelos inteligentes y por qué, para saber si están haciendo algo mal y cómo solucionarlo”.
Resolviendo rompecabezas de proteínas
En 2024, el Premio Nobel de Química se otorgó a un modelo de IA que predice la estructura de las proteínas. «Es realmente difícil exagerar el impacto que este avance ha tenido en la comprensión, a nivel atómico, del funcionamiento de los sistemas biológicos», afirmó Brian Trippe , profesor adjunto de estadística en la Facultad de Humanidades y Ciencias. Trippe recibió asesoramiento del premio Nobel David Baker y continúa su propia investigación sobre el uso del aprendizaje automático estadístico para fundamentar el modelado y el diseño molecular.
Para trabajar con proteínas, por ejemplo, para orientarlas en tratamientos médicos, es esencial conocer sus estructuras exactas. Dos problemas complejos que Trippe prioriza son: asegurar que los tratamientos propuestos se ajusten perfectamente a las proteínas diana (para evitar efectos secundarios) y, en consecuencia, obtener la comprensión más detallada posible de la estructura proteica. Las proteínas son tridimensionales y dinámicas, por lo que un modelo de aprendizaje automático que prediga su estructura idealmente también predeciría una gama de conformaciones posibles, manteniendo la precisión, afirmó Trippe.
Al integrar técnicas modernas de aprendizaje automático con la tradición de usar la física y la estadística para determinar las estructuras de las proteínas, Trippe espera evaluar miles de terapias potenciales miles de veces más rápido que las técnicas tradicionales. «Durante la última década, aproximadamente, se ha vuelto cada vez más evidente que los datos serán cruciales para comprender las células y para diseñarlas y desarrollarlas», afirmó Trippe.
Stanford Report News. T. K. Traducido al español
