Víctor Gómez Pin
Hubo pasmo, en las décadas finales del pasado siglo, cuando entes maquinales se mostraron aptos a reconocer dígitos manuscritos. Mayor estupor todavía cuando se revelaron capaces de catalogar con acuidad aspectos del rostro (una nariz, una boca), o un rostro por entero, distinguiendo, si es el de un animal o el de una persona. Hoy entes maquinales hacen previsiones que los científicos no habían sido capaces de hacer. Me detengo en este aspecto, considerando un caso de performance predictiva, en la intersección de la inteligencia artificial y la genética. Me refiero a Alpha–Fold 2, artefacto que fue capaz de prever el repliegue sobre sí mismos de los polipéptidos, a fin de alcanzar la estructura tridimensional que es necesaria para el correcto funcionamiento de las proteínas.
Es bien sabido que prever no es explicar y no está claro que la acuidad predictiva de Alpha-Fold 2 sea consecuencia de que ha alcanzado una intelección plena, es decir, un conocimiento de la causa o razón. Recordaré al respecto que la gravitación newtoniana preveía importantísimas cosas y sin embargo no se explicaba (pues de hecho era inexplicable, de ahí la importancia filosófica de sus sustitución por la gravitación relativista). Así que, aún no teniendo Alpha-Fold2 explicación de sus previsiones, dado que ello le ocurre en ocasiones también a un científico, desde el punto de vista práctico cabe homologar la performance del primero a la del segundo. Pero digo homologar la performance y no homologar Alpha -Fold 2 a un científico, en razón de lo siguiente:
La inteligencia de todo ser humano, científico o no científico supone una imbricación de sintaxis y semántica que (como el pensador americano John Searle viene recordando desde hace decenios) no es seguro en absoluto que quepa atribuir a un artefacto maquinal por importantes que puedan ser sus logros (en todo caso el asunto está en discusión). Muchas son las cosas susceptibles de sorprendernos y hasta de dejarnos estupefactos sin necesidad de que el agente productor este dotado de una inteligencia semántica. Piénsese simplemente en la acuidad descriptiva en el código de señales de muchos animales, empezando por el siempre mencionado caso de la abeja.
El científico tiene sin duda en todo momento ideas, pero su acción concreta no siempre es resultado del despliegue de tales ideas. El aprender de un algoritmo es desde luego homologable a ciertos aspectos del aprender de un científico, pero no hay seguridad de que se trate de esos momentos del aprendizaje científico en los que del manejo de parámetros conocidos surge literalmente una nueva idea.