Cambiar la línea de tiempo de los descubrimientos mediante el uso de la Inteligencia Artificial (IA)

De la investigación manual a la automatización con IA

Durante un tiempo, los avances científicos dependieron únicamente del ingenio de brillantes científicos y no de la Inteligencia Artificial (IA). Entonces tenían que diseñar y probar sus hipótesis manualmente mediante experimentos personalizados. Esto era, en la mayoría de los casos, un proceso extremadamente lento, que tomaba años desde las ideas iniciales hasta los resultados reales.

Recientemente, niveles más altos de automatización han permitido una reducción del trabajo manual en la investigación fundamental. Por ejemplo, la Secuenciación de Nueva Generación (NGS) ha permitido la secuenciación del genoma en solo unos pocos días y a un costo menor, cuando la primera secuenciación del genoma humano en 2003 costó $3B y tomó una década para lograrlo.

Secuenciador NGS – Fuente: Illumina

La automatización ha permitido que los pasos físicos de la investigación se realicen a gran escala y a menores costos. Pero el esfuerzo intelectual, por ejemplo, el análisis de los datos provenientes de la secuenciación del genoma, seguía dependiendo únicamente del cerebro humano y de modelos matemáticos asistidos por computadora. Eso fue hasta que la IA se convirtió en un nuevo factor de cambio.

Asistiendo al cerebro humano

Cuanto más avanza la ciencia, más complejos se vuelven los datos. Encontrar nuevos materiales depende de un proceso relativamente simple, como mezclar elementos que no se habían probado juntos antes.

Pero las ciencias de materiales avanzadas, por ejemplo en la tecnología de baterías o semiconductores, requieren la manipulación de componentes a nivel nanométrico, y a veces a nivel de átomos individuales. Esto hace que la modelización y comprensión del proceso sea demasiado compleja para que el cerebro humano pueda asimilar todos los datos disponibles.

Por ejemplo, encontrar el material adecuado para un nuevo diseño de batería podría implicar decidir cuál elegir entre 32 millones de materiales inorgánicos potenciales. Esta era la tarea que enfrentaba Vijay Murugesan, líder del grupo de ciencias de materiales en PNNL.

Anteriormente, se requerían conjeturas fundamentadas, modelos informáticos aproximados y pruebas manuales para reducir las posibilidades, lo que habría tomado años. En su lugar, PNNL estableció una colaboración con Microsoft para aprovechar la experiencia en IA del gigante tecnológico.

Enseñando química a múltiples IA

Microsoft ha trabajado durante mucho tiempo en esas aplicaciones, a través de su programa AI4Science. Por ejemplo, su IA generativa MatterGen “permite un amplio diseño de materiales guiado por propiedades”.

Fuente: Microsoft

En colaboración con PNNL, Microsoft ha desarrollado específicamente varias IA diferentes para evaluar todos los elementos utilizables y sus combinaciones.

También cuenta con una IA dedicada a encontrar qué materiales son estables. Y luego una IA que evalúa moléculas según su reactividad. Y otra IA que juzga la capacidad de las moléculas para conducir energía.

Esta combinación de IA no está diseñada para encontrar todas las soluciones posibles a un problema dado. En su lugar, examina el enorme conjunto de posibilidades (en decenas de millones) y trata de reducirlo a unos pocos candidatos prometedores.

Este enfoque redujo los 32 millones de materiales potenciales a 500 000 candidatos, y luego a 800.

Difiere fundamentalmente de un enfoque basado puramente en modelos matemáticos computacionales, que intenta calcular con “fuerza bruta” las propiedades químicas de un material, a menudo simulándolo átomo por átomo. En cambio, la IA hace una “conjetura” educada de lo que debería funcionar usando analogías, prácticamente de la misma manera que lo haría un humano. Excepto que el equipo de IA pudo examinar 32 millones de ideas en menos de 80 horas.

Reducir meses o años de trabajo a unos pocos días o semanas es una revolución completa en el ritmo del progreso científico.

Si se aplicara de manera más amplia, esto podría cambiar por completo el ritmo del progreso tecnológico en las sociedades humanas.

Ahorrando recursos valiosos

Una vez que la lista se redujo a solo 800 candidatos, los investigadores pudieron emplear el método más estándar de Computación de Alto Rendimiento (HPC). Permitió calcular todos los posibles estados de energía de los 800 candidatos. Luego, una combinación de IA dedicada y HPC se utilizó para simular los movimientos de cada átomo y molécula dentro de cada material.

Al usar HPC solo en unos pocos cientos de candidatos, esto ahorró a PNNL mucho tiempo y dinero, ya que es un método que consume gran cantidad de potencia de cálculo. Esto redujo la lista de candidatos a solo 150.

A partir de ahí, una evaluación de costos, disponibilidad y otras consideraciones prácticas redujo la lista inicial de 32 millones de candidatos a solo 23. Curiosamente, de los 23, 5 ya eran conocidos, lo que demuestra la pertinencia del método, ya que “redescubrió” estos 5 materiales de forma independiente.

La metodología de investigación anterior habría dependido en gran medida de HPC costoso y lento. El método de IA, en cambio, redujo el uso de HPC a solo el 10 % del tiempo total de cálculo. El hecho de que el cómputo de IA fuera basado en la nube, en lugar de usar el tiempo de supercomputadoras de institutos de investigación preciados y escasos, también ayudó a hacerlo más eficiente.

Los próximos pasos

La colaboración entre Microsoft y PNNL sobre materiales de baterías fue solo el comienzo de un acuerdo de colaboración de varios años. En última instancia, la idea sería generar suficientes datos para que saber con qué nuevo material diseñar una nueva batería sea tan simple como preguntar al sistema de IA al respecto.

“La visión con la que estamos trabajando es materiales generativos donde pueda solicitar una lista de nuevos compuestos de batería con los atributos que deseo,” – Nathan Baker, Product Leader for Azure Quantum Elements.

También vale la pena prestar atención a que el método actual depende de la computación clásica. Pero la programación y el software de IA de Microsoft están diseñados para actualizarse a computación cuántica tan pronto como esta tecnología esté lo suficientemente madura.

Esto proporcionaría una potencia de cálculo sin precedentes para temas como simulaciones químicas y biológicas, aumentando la capacidad de cómputo en varios órdenes de magnitud (x100‑10 000). Por lo tanto, todavía estamos en una etapa muy temprana de la IA trabajando en el diseño de nuevas moléculas y materiales.

Campos de aplicación

El primer experimento se centró en materiales de baterías. Pero muchos otros campos probablemente se beneficien de este conocimiento avanzado en química, así como de la aplicación de IA a otras ciencias, todas ya en la hoja de ruta de Microsoft:

• Semiconductores.
• Computación cuántica y criptografía.
• Visual and audio
• Biología molecular y genómica.
• Biotecnología y farmacéuticos en general.
• Energías renovables y cambio climático.
• Agricultura y Ecología.
• Economía.
• Ciencias sociales.
• Matemáticas teóricas.

Cada uno de estos campos ha visto que la investigación se enfrenta a dificultades debido a la enorme cantidad de datos y la complejidad de los problemas. De manera similar al proyecto piloto de baterías, cada uno podría beneficiarse del conocimiento de las IA.

Acciones científicas impulsadas por IA

1. Microsoft

(MSFT )

Microsoft ha estado en el centro de la industria tecnológica casi desde sus inicios con su todavía dominante sistema operativo Windows. Ahora también es líder en software empresarial (Office365, Teams, LinkedIn, Skype, GitHub), en videojuegos (Xbox y múltiples adquisiciones de estudios de videojuegos) y en la nube (Azure).

Más recientemente, ha avanzado significativamente en IA. Esto incluye IA de consumo como Bing Image Creator y su asociación cada vez más profunda con OpenAI. También incluye iniciativas más orientadas a los negocios, como Copilot para Microsoft 365 y Microsoft Research. Copilot ahora se está desplegando en el comercio minorista y en pequeñas empresas también.

Microsoft ha adquirido una reputación de ser el gigante tecnológico centrado en la empresa, en comparación con compañías más orientadas al consumidor como Apple o Facebook. Con la IA convirtiéndose en un elemento cada vez más importante en los modelos de negocio, la presencia previa de Microsoft en la nube y los servicios empresariales debería darle una ventaja inicial para desplegar IA a gran escala y en la adquisición de clientes.

La colaboración/propiedad parcial con líderes en desarrollo de IA como OpenAI también consolidará la posición de Microsoft como una potencia de IA.

2. NVIDIA

(NVDA )

NVidia inicialmente tenía una posición dominante en el mercado de tarjetas gráficas (GPU), usadas mayormente para juegos de alta gama y modelado 3D. Las GPU pueden ejecutar cálculos en paralelo y difieren en ese aspecto de los procesadores (CPU).

El diseño de su hardware resultó muy adecuado para la minería de criptomonedas (especialmente Bitcoin), creando una fuerte ola de crecimiento para la empresa.

Ahora, parece que es igualmente potente para entrenar IA, convirtiendo el hardware de Nvidia en la columna vertebral de la revolución de IA.

NVidia ahora está desarrollando sistemas informáticos personalizados para diferentes aplicaciones de IA, desde coches autónomoss, a IA de voz y IA conversacionales, IA generativas, o ciberseguridad.

Es probable que Nvidia no haya terminado de encontrar nuevos casos de uso para su hardware de IA, como lo muestra la investigación de Microsoft con PNNL. Por ejemplo, NVidia está desarrollando ahora toda una gama de soluciones para el descubrimiento de fármacos, así como dispositivos médicos impulsados por IA y imágenes médicas asistidas por IA.

Fuente: NVidia

Es probable que a muy largo plazo, los competidores de NVidia empiecen a desafiar seriamente la ventaja inicial de la empresa. Pero en el futuro previsible, considerando la explosión de la demanda de potencia de cálculo dedicada a IA, NVidia seguirá siendo el principal proveedor de todos los nuevos centros de datos de entrenamiento de IA que se están construyendo.

3. CrowdStrike

(CRWD )

Cuanto más depende el mundo de la IA y la digitalización, más importante será la ciberseguridad conectada.

CrowdStrike se fundó con un enfoque cloud-first para la ciberseguridad. La oferta de la empresa cubre todas las categorías de amenazas de ciberseguridad, y entre sus clientes se encuentran 15 de los 20 bancos más grandes de EE. UU., 70 de las empresas Fortune 100 y 556 de las Global 2000.

El crecimiento de CrowdStrike está respaldado por un mercado total direccionable (TAM) que se expande rápidamente, con una expectativa de crecimiento del 13 % CAGR en los próximos 2 años. Con ofertas adicionales aún en desarrollo, la empresa espera expandir su TAM de los actuales $76 mil millones a $158 mil millones para 2026.

Fuente: CrowdStrike

Otro factor de crecimiento para CrowdStrike es la expansión del negocio con clientes preexistentes. Cuando un cliente comienza con al menos un módulo de ciberseguridad, suele continuar integrando más módulos, con un 62 % de los clientes usando 5 o más módulos y un 23 % usando 7 o más módulos.

Esta dinámica crea un entorno que permite a CrowdStrike aumentar sus márgenes cuando la relación se ha desarrollado lo suficiente, con un impresionante margen bruto total del 78 % en 2023.

La transición a la nube sigue en gran parte en curso para muchas grandes empresas. Esto crea una gran oportunidad para un líder de mercado como CrowdStrike para ayudarles a trasladar su estrategia de ciberseguridad a la nube también.

La empresa también debería ver crecer su negocio internacional, ya que todavía tres cuartas partes de las compañías Global 2000 no han ingresado al ecosistema de CrowdStrike.

El enfoque cloud-first de CrowdStrike le ha permitido ganar cuota de mercado rápidamente y ahora es replicado por todas las grandes compañías de ciberseguridad. Por lo tanto, los inversores querrán prestar atención a la capacidad de CrowdStrike para mantener su ventaja a pesar de los crecientes contraataques de la industria.

4. Adobe

(ADBE )

A primera vista, la aparición de la IA generativa, especialmente la generación de imágenes, podría ser una amenaza para el propietario de importantes software gráfico como Photoshop, InDesign, After Effects, Lightroom o Illustrator.

Esto sería olvidar que Adobe ha sido pionera en la industria del software, siendo una de las primeras en pasar a un modelo de suscripción basado en la nube, cuando la práctica de la industria era vender la última versión del software por miles de dólares.

Lo mismo ocurre con la IA, con Adobe Firefly. Esta herramienta de generación de imágenes IA ahora se integra sin problemas con los demás programas de Adobe, permitiendo generar imágenes a partir de texto simple, crear una imagen rica a partir de un modelo 3D sencillo, o incluso “relleno generativo”, ampliando una imagen existente de forma fotorrealista.

Fuente: Adobe

Con la IA reduciendo la barrera de habilidades requerida para crear logotipos, revistas o para modificar imágenes, la oferta y la demanda de contenido original probablemente crecerán.

Al adoptar el cambio y la IA, Adobe probablemente mantendrá su posición como paquete de software líder para todas las obras creativas visuales, e incluso ampliará aún más su alcance.

5. Upstart

(UPST )

Upstart es un mercado de préstamos impulsado por IA, lanzado mucho antes de que la IA se convirtiera en el centro de la conversación tecnológica en 2023.

El proceso de Upstart está mayormente automatizado, con un 87 % de los préstamos concedidos decididos completamente mediante automatización.

La idea detrás de Upstart es que el sistema de puntuación crediticia existente es ineficiente y obsoleto. Con mucho más datos disponibles, es posible identificar mejor los riesgos de préstamo y, como resultado, ofrecer préstamos más baratos a una gran parte de la población.

Esto significa que el método de Upstart puede identificar a personas con altos puntajes FICO que, en la práctica, tienen un alto riesgo de incumplir sus préstamos. Y, a la inversa, las personas con bajos puntajes FICO no son tan propensas a incumplir.

Fuente: Upstart

El mercado total direccionable es grande, con $4 billones anuales provenientes de préstamos personales, automotrices, hipotecarios y para pequeñas empresas.

Debido al aumento de las tasas de interés y a la reducción de la demanda de préstamos, Upstart ha experimentado cierta disminución en los ingresos y pérdidas en 2023, junto con el resto de su industria.

Este retroceso temporal en el volumen de préstamos no ha ralentizado la expansión de la red de socios de préstamo de Upstart, con 100 bancos, frente a 71 el año anterior y solo 10 en la OPI de 2020, y 61 concesionarios, frente a 39 a principios de 2023.

Los inversores en Upstart deberán esperar que la creciente red sea una señal clara del valor de la tecnología de Upstart y de su potencial para convertirse en un gran originador de préstamos en el mercado estadounidense.

El progreso continuo en el cálculo de IA también podría darle una ventaja en un mercado de calificación de préstamos muy competitivo.