La Inteligencia Artificial ganó dos premios Nobel este 2024. ¿Significa esto que se van a desarrollar más y mejores investigaciones con atención a sus repercusiones medioambientales? En este texto, Agustín B. Ávila Casanueva presenta las contradicciones de AlphaFold2, la IA que resuelve el plegamiento de proteínas.
Texto de Agustín B. Ávila Casanueva 22/10/24
La Inteligencia Artificial ganó dos premios Nobel este 2024. ¿Significa esto que se van a desarrollar más y mejores investigaciones con atención a sus repercusiones medioambientales? En este texto, Agustín B. Ávila Casanueva presenta las contradicciones de AlphaFold2, la IA que resuelve el plegamiento de proteínas.
La verdad es que cada vez deberíamos de darle menos y menos atención a los premios Nobel. Aunque tal vez yo no sea el mejor predicador de esa propuesta. En un par de grupos de WhatsApp inicié la conversación para intentar adivinar a los ganadores: sí mencionamos Alpha Fold, el proyecto que terminaría ganando el Nobel de química, pero fue nombrado en la lista de los que seguro no se lo ganaban. Bueno, está bien, yo dije que seguro no se lo ganaba. Y toda la semana de los premios, a las 6:00 de la mañana después de apagar el despertador, lo primero que checaba era quién había ganado el premio del día.
Pero aún cuando los premios desatan múltiples —y en ocasiones, bastante sabrosas— discusiones, año tras año se sienten como una decepción. La más clara de este año, y que además lleva ya lustros denunciándose, es la de la disparidad de género. Una vez más, ninguno de los siete galardonados en ciencias fue una mujer. También hay una cuestión geográfica —e incluso racial—: todos los galardonados nacieron en Estados Unidos o Europa.
Otra de las críticas que se realizan a los premios Nobel —en las ciencias— es que son de los más claros ejemplos del efecto Mateo: darle más a los que más tienen. Prácticamente todas y todos los ganadores —incluso de manera histórica— son científicas y científicos que ya se encuentran posicionados en sus campos, que ya son referentes y que otros varios grupos de investigación desean colaborar con ellas y ellos. Es decir, a gente de ciencia que ya tiene la carrera resuelta y ya han sido reconocidos en sus campos. A esas personas, a las que tienen más, se les otorga el premio más grande. Si bien el premio se otorga a quien o quienes hayan realizado algún descubrimiento que implica un enorme beneficio para la humanidad, imaginen otorgar el dinero del premio —aproximadamente un millón de dólares— a las jóvenes promesas de la ciencia, a quienes puedan invertir esa suma en un posible beneficio de la humanidad, y que, además, el prestigio del Nobel les permita vencer las inequidades en la ciencia y formar tanto una carrera, como a estudiantes.
La sorpresa de este año para los Nobel de ciencia —y que yo perjuraba que no iba a suceder, al menos no ahora— fue el reconocimiento a proyectos de Inteligencia Artificial. El premio Nobel de física fue entregado a John J. Hopfield y a Geoffrey E. Hinton por “descubrimientos e invenciones fundacionales que permitieron el desarrollo de aprendizaje automático (machine learning) con redes neuronales artificiales”. Mientras que el premio Nobel de química se entregó a dos investigaciones independientes: David Baker fue galardonado por “el diseño computacional de proteínas”, mientras que Demis Hassabis y John M. Jumper fueron premiados por la “predicción de la estructura de proteínas”. Desdoblemos esta última investigación.
“La elucidación de la estructura de una sola proteína es un proyecto que puede tomar meses o incluso años para un laboratorio especializado.”
En el 2020, Hassabis y Jumper presentaron un modelo de Inteligencia Artificial llamado AlphaFold2. Este programa ha logrado atacar y resolver en gran medida uno de los mayores problemas de la biología molecular: el plegamiento de proteínas. Las proteínas son las trabajadoras de la célula: casi todo lo que sucede dentro de una célula es gracias a que una proteína estuvo ahí para hacerlo. Y debido a sus múltiples funciones, abarcan múltiples formas. Cada proteína es una cadena de aminoácidos, y aunque ahora es relativamente sencillo conocer su secuencia —que está codificada en el genoma de cada organismo—, conocer su estructura, su forma, es increíblemente complicado. No hay un manual de instrucciones para el plegado y hay varias conformaciones que pueden suceder que en apariencia tendrían una función parecida. La elucidación de la estructura de una sola proteína es un proyecto que puede tomar meses o incluso años para un laboratorio especializado. AlphaFold2 ha logrado predecir la estructura de prácticamente todas las 200 millones de proteínas que conocemos, y ha sido usada por más de dos millones de personas de 190 países distintos.
“Un estudio inglés calculó que el entrenamiento de AlphaFold generó 3.92 toneladas de equivalentes de CO2”
Si bien esto ha permitido tener un mejor entendimiento de proteínas relacionadas a otros grandes problemas de la actualidad —como la resistencia a antibióticos o la degradación de plástico— también ha generado preocupación sobre la huella de carbono de estas implementaciones computacionales. Un estudio inglés calculó que el entrenamiento de AlphaFold generó 3.92 toneladas de equivalentes de CO2 —una unidad de medida que suma la producción de distintos gases de efecto invernadero (como el metano, el óxido nitroso o los hidrofluorocarburos) y los reporta como un total de dióxido de carbono—. Los gases de efecto invernadero producido van cambiando dependiendo de su uso: para una proteína pequeña —de 384 aminoácidos, por ejemplo—, se generan 24 g de equivalentes de CO2, mientras que para una proteína de 2500 aminoácidos, AlphaFold generó 3 kilogramos de equivalentes de CO2. Y recordemos que AlphaFold ha predicho la estructura de casi 200 millones de proteínas. Así que sumamos una enorme cantidad de gases de efecto invernadero.
Ahora, hay que contextualizar un poco estos cálculos. Un grupo intencional de investigación utilizó AlphaFold para predecir la estructura de una proteína relacionada con un tipo de cáncer de hígado —carcinoma hepatocelular—, posteriormente, utilizaron otra Inteligencia Artificial para diseñar distintas moléculas que pudieran modificar la actividad de esa proteína y combatir el cáncer. De las casi nueve mil moléculas sugeridas, se seleccionaron, sintetizaron y evaluaron siete de ellas. Así, en menos de 30 días las y los investigadores lograron llegar a una propuesta de relevancia biológica. Un proceso que, de nuevo, puede tardar meses o años. Al ponderar el uso de la Inteligencia Artificial y su enorme huella de carbono, contra la de tener un laboratorio funcionando durante cerca de un año, tal vez el uso de la IA resulte favorable en el gasto energético de los centros de investigación.
De manera general, la academia debe preocuparse por su huella ambiental. Un estudio del 2015 midió que, a nivel mundial, los laboratorios desechan 5.5 millones de toneladas de plásticos anualmente, lo que equivale al dos por ciento de los desechos mundiales. Aunque, por fortuna, hay propuestas sencillas de implementar que pueden ayudar a disminuir los desperdicios así como las emisiones de gases de efecto invernadero. Simplemente algo tan sencillo como actualizar el software puede disminuir gastos energéticos computacionales hasta por un setenta por ciento.
Pero volvamos a los Nobel. En principio se otorgan por haber generado o sentado las bases de uno de los “más grandes beneficios a la humanidad”. Por eso los premios suelen darse a investigaciones que tienen años o incluso décadas de haberse realizado, para que con la prueba del tiempo podamos juzgar cuál fue realmente su beneficio. En parte, por eso pensaba que las IAs no iban a ser galardonadas este año. Porque aún es complicado juzgar de manera completa su aporte a la humanidad. Espero que, dentro de un par de décadas, realmente las podamos celebrar como una herramienta que no sólo nos permitió hacer más y mejor ciencia, sino que además logró hacerla de tal manera que las repercusiones medioambientales fueran menores. Sin embargo, el amplio uso de las IAs para distintos rubros, generando cada vez más modelos y por lo tanto competencias, no parece decantarse hacia un recorte en los gastos ambientales, ya muy lejos quedaría el beneficio ambiental. Pero, al igual que con mi predicción de los premios de este año, espero equivocarme.
Ligas ligables
A continuación, una serie de recomendaciones de material con el que me he encontrado este mes y, aunque no necesariamente tiene que ver con la inteligencia artificial y la huella de carbono, sí tiene que ver con el medio ambiente. Tengan, para que se entretengan:
Gracias por leer. EP
DOPSA, S.A. DE C.V
