La Inteligencia Artificial en Ecología
Este elemento es una profundización de los cursos y guías de Lawi. Ofrece hechos, comentarios y análisis sobre “Inteligencia Artificial en Ecología”. [aioseo_breadcrumbs]
La inteligencia artificial tiene el potencial de revolucionar la investigación ecológica proporcionando nuevas herramientas y técnicas para analizar y simular sistemas ecológicos, automatizando tareas que requieren mucho trabajo y generando nuevos conocimientos.
Inteligencia Artificial en Ecología
Inteligencia Artificial y Protección de la Biodiversidad
La biodiversidad es la variedad de toda la vida en la Tierra, desde los genes hasta las poblaciones, las especies, las funciones y los ecosistemas. Además de su propio valor intrínseco y sus funciones ecológicas, la biodiversidad nos proporciona agua limpia, servicios de polinización, materiales de construcción, ropa, alimentos y medicinas, entre otras muchas contribuciones físicas y culturales que las especies hacen a los servicios de los ecosistemas y a la vida humana. La contradicción es que nuestros esfuerzos por maximizar los beneficios a corto plazo se han vuelto insostenibles, agotando la biodiversidad y amenazando los medios de vida a largo plazo de la humanidad. Esto puede ayudar a explicar por qué, a pesar de los riesgos, vivimos en una era de extinción masiva.
La necesidad de alimentar y albergar a una población humana en rápido crecimiento -se calcula que habrá 2.400 millones de personas más en 2050-, combinada con las crecientes perturbaciones derivadas del cambio climático, ejercerá una enorme presión sobre los últimos ecosistemas autóctonos del mundo y las especies que contienen. Dado que no se ha alcanzado plenamente ni una sola de las 20 Metas de Aichi para la Biodiversidad acordadas por 196 naciones para el periodo 2011-20206 , existe ahora una necesidad urgente de desarrollar políticas más realistas y eficaces para un futuro sostenible que ayuden a alcanzar los objetivos de conservación del Marco Global para la Biodiversidad después de 2020, tema central de la 15ª Conferencia de las Partes del Convenio sobre la Diversidad Biológica (COP 15).
Ha habido varios marcos teóricos y prácticos subyacentes a la conservación biológica8 desde la década de 1960. Inicialmente, el campo se centró en la conservación de la naturaleza por sí misma, sin interferencia humana, pero gradualmente incorporó los vínculos bidireccionales con los humanos, reconociendo nuestro impacto omnipresente en la naturaleza y los múltiples beneficios que obtenemos de ella, incluido el uso sostenible de las especies.
A lo largo de este progreso, un paso fundamental ha sido la identificación de áreas prioritarias para la protección selectiva, la planificación de la restauración, la evitación de impactos y la minimización de pérdidas, lo que ha desencadenado el desarrollo de los campos de la priorización espacial de la conservación y la planificación sistemática de la conservación. Aunque los seres humanos y las especies salvajes comparten cada vez más el mismo espacio, la preservación de la naturaleza en gran parte intacta sigue siendo fundamental para la conservación de muchas especies y ecosistemas, como las selvas tropicales.
Se han desarrollado varias herramientas y algoritmos para facilitar la planificación sistemática de la conservación . A menudo permiten explorar y optimizar compensaciones entre variables que no están fácilmente disponibles en los sistemas de información geográfica, lo que puede dar lugar a importantes beneficios económicos, sociales y medioambientales. Aunque el enfoque inicial se ha centrado en maximizar la protección de las especies minimizando los costes, a veces pueden modelizarse parámetros adicionales, como la rareza y la amenaza de las especies, la superficie total protegida y la diversidad evolutiva.
El método más utilizado hasta la fecha, Marxan, utiliza un algoritmo de optimización de recocido simulado para identificar un conjunto de áreas protegidas que juntas puedan cumplir objetivos de conservación específicos con un coste mínimo. A pesar de su utilidad y popularidad, Marxan y otros métodos similares se diseñaron para optimizar una política única, no tienen en cuenta directamente los cambios a lo largo del tiempo y asumen una única recopilación inicial de datos sobre biodiversidad y costes (aunque los aspectos temporales pueden explorarse actualizando manualmente y volviendo a ejecutar los modelos con diferentes objetivos). Además, la planificación optimizada de la conservación no incorpora explícitamente el cambio climático, la variación de la presión antropogénica (aunque las recientes ampliaciones del software de Marxan abordan las probabilidades variables de amenaza), ni las sensibilidades específicas de las especies a dichos cambios.
Especialmente desde el años 2022, algunos estudios han abordado el reto de optimizar la planificación de la conservación en un mundo complejo y en rápida evolución aprovechando el poder de la inteligencia artificial (IA).
Inteligencia Artificial en Ecología
La comprensión ecológica es esencial para abordar una serie de fenómenos interrelacionados, como la creciente frecuencia de los brotes de enfermedades, la pérdida exponencial de biodiversidad global y los profundos impactos del cambio climático. Estas crisis tienen algo en común: surgen de perturbaciones de sistemas complejos cuya alta dimensionalidad sustenta dinámicas no lineales difíciles de predecir. Los avances en inteligencia artificial tienen el potencial de transformar nuestra comprensión de los sistemas ecológicos. Al mismo tiempo, los sistemas ecológicos son en sí mismos un impulso para el progreso de la IA. Los retos habituales en los sistemas ecológicos multiescala, dependientes del contexto e imperfectamente observados, proporcionan un conjunto de problemas a través de los cuales la IA se acerca a la realización de todo su potencial. Predecir y gestionar intencionadamente los resultados de las perturbaciones de los sistemas naturales complejos es uno de los principales retos de nuestro tiempo, que requiere una audaz convergencia sinérgica de la IA y la ciencia ecológica para lograr una comprensión más holística que informe la acción, creando sabiduría sistémica para un futuro resiliente.
Al igual que los humanos aprenden patrones a partir de los datos para construir razonamientos inteligentes sobre un sistema, el ML sustenta la IA moderna, cuyo objetivo inmediato es realizar tareas o tomar decisiones en un dominio concreto. La aplicación de herramientas de IA a dominios ecológicos ha ampliado enormemente nuestra capacidad de cuantificar fenómenos que antes eran incuantificables o difíciles de observar, y ofrece la posibilidad de realizar predicciones más rápidas y precisas sobre los sistemas ecológicos.
Algunos ejemplos recientes son:
- el estudio de las interacciones entre los organismos y su entorno mediante datos acústicos y de cámaras;
- la destilación de datos de satélites del sistema terrestre en funciones ecológicas significativas (por ejemplo, la productividad);
- el análisis del comportamiento animal mediante el aprendizaje profundo y la estimación de poses; y
- la bioinformática para predecir y validar si los nuevos virus son capaces de infectar a los humanos y qué especies animales tienen más probabilidades de albergarlos.
Estos son ejemplos de «IA para la ecología»: la aplicación de las herramientas de IA existentes a los problemas ecológicos. Pero la otra dirección, en la que la ciencia ecológica inspira nuevos paradigmas en la IA, es igualmente importante. Un objetivo último de la investigación en IA es lograr una Inteligencia Artificial General (IAG) que pueda extrapolar y razonar sobre otros dominios y sistemas de forma similar a la inteligencia humana. Es probable que la AGI requiera una combinación de ML basado en datos y nuevas formas de representar y razonar sobre distintos tipos de conocimiento para afrontar el reto de hacer predicciones fiables sobre futuros no analógicos, como los que prevemos en un planeta que cambia rápidamente. La superación de estos retos podría verse favorecida por un cambio fundamental en la forma en que la IA y la investigación ecológica se impulsan mutuamente.
Revisor de hechos: Mox
Inteligencia Artificial en China: Trabajar con Recursos Limitados
Privadas de tecnología punta por Estados Unidos, empresas chinas de nueva creación como DeepSeek y ModelBest están demostrando su inventiva para afrontar los retos de la inteligencia artificial.
Cuando se trata de inteligencia artificial, los mejores modelos se basan en un gran número de procesadores de última generación conocidos como unidades de procesamiento gráfico (GPU). La mayoría de las empresas occidentales no tienen problemas para adquirirlas. Pero esto es un sueño lejano para las empresas tecnológicas chinas. Desde octubre de 2022, Estados Unidos ha bloqueado la venta de procesadores de alto rendimiento a China. Al parecer, algunas empresas chinas están recurriendo al mercado negro para hacerse con estos codiciados chips. La mayoría, sin embargo, ha decidido aprovechar al máximo sus limitados recursos. Su rendimiento está dando que pensar a las empresas occidentales.
«China es la más avanzada en más áreas de las que pensábamos. Es el país líder en 37 de las 44 tecnologías evaluadas. Estados Unidos mantiene sus puntos fuertes en el diseño y desarrollo de dispositivos semiconductores avanzados y lidera las áreas de investigación de la informática de alto rendimiento y el diseño y fabricación de circuitos integrados avanzados», afirman los autores. A corto plazo, este liderazgo podría permitir a China hacerse con el control del suministro mundial de ciertas tecnologías críticas.
El informe muestra también que Estados Unidos es el principal innovador en sólo siete tecnologías: computación de alto rendimiento, diseño y fabricación de circuitos integrados avanzados, procesamiento del lenguaje natural, computación cuántica, vacunas y contramedidas médicas, pequeños satélites y sistemas de lanzamiento espacial.
Entre los innovadores está DeepSeek, una start-up china con sede en Hangzhou. Su último modelo, DeepSeek-v2.5, lanzado a principios de septiembre, supera a los principales modelos de código abierto en retos de codificación, así como en tareas en inglés y chino.
236.000 millones de parámetros
Este progreso no se debe al tamaño de la empresa: se dice que DeepSeek tiene algo más de 10.000 de las antiguas GPU de Nvidia, lo que es mucho para una empresa china, pero no mucho en comparación con sus competidores estadounidenses.
DeepSeek llena este vacío de varias maneras. En primer lugar, su enfoque se basa en varias redes, cada una adaptada a un problema específico. Esto reduce el tiempo de procesamiento. Aunque DeepSeek tiene 236.000 millones de parámetros, utiliza menos de una décima parte de ellos a la vez para cada nueva información que procesa.
MiniCPM aprovecha al máximo los recursos limitados
DeepSeek no es el único en encontrar soluciones creativas a la escasez de GPU. MiniCPM, un modelo de código abierto desarrollado por la Universidad de Tsinghua, y ModelBest, una start-up de IA, están disponibles en dos versiones con 2.400 millones y 1.200 millones de parámetros.
A pesar de su pequeño tamaño, MiniCPM ofrece un rendimiento comparable al de los grandes modelos lingüísticos (LLM), que tienen entre 7.000 y 13.000 millones de parámetros. Sin embargo, al igual que otros modelos pequeños con menos parámetros, MiniCPM no rinde bien en ámbitos ajenos a su campo de entrenamiento específico.
MiniCPM se adapta bien a los dispositivos personales. En agosto, sus creadores publicaron una versión del modelo para teléfonos móviles, que admite varios idiomas y funciona con distintos tipos de datos, desde texto hasta audio e imágenes. Para las empresas chinas, a diferencia de las occidentales, hacer más con menos no es opcional.
China aspira a convertirse en la primera superpotencia científica y tecnológica del mundo
Ésta es sólo una de las docenas de innovaciones en las que China quiere asegurar su supremacía. Las administraciones Trump y Biden han hecho todo lo posible para frenar esta expansión con sanciones y embargos: desde TikTok en el mundo de las aplicaciones hasta Huawei en los equipos de telecomunicaciones, los gigantes chinos están pagando un alto precio. Y, sin embargo, a pesar de este duro fuego, la tecnología china sigue extendiendo su dominio.
La innovación tecnológica está en el centro de la visión a largo plazo de Xi Jinping para su país. Atormentado por las humillaciones sufridas bajo el yugo colonial en el siglo XIX, el presidente chino lleva varios años organizando una movilización general para lograr la autosuficiencia tecnológica y obtener una ventaja sobre Estados Unidos en decenas de sectores sensibles. A riesgo de que esta planificación extrema cree puntos ciegos y le haga perderse ciertas olas tecnológicas.
«Es pura propaganda»
Se trata de dos enfoques radicalmente opuestos: mientras Estados Unidos confía en sus start-ups y fondos de capital riesgo para alimentar su máquina de innovación, Pekín establece las áreas prioritarias y las financia de su propio bolsillo. El 5 de marzo, el primer ministro chino Li Qiang presentó un plan para contrarrestar el embargo de Washington. Este ambicioso programa aumentará el gasto en investigación científica y tecnológica en un 10% este año, hasta más de 47.000 millones de euros, con el fin de promover a los campeones nacionales. Esta suma ya estaba prevista para aumentar un 8% en 2023.
«Pondremos en común la fuerza científica y tecnológica estratégica de nuestro país y los recursos de innovación no gubernamentales para lograr avances en tecnologías básicas en áreas clave», proclama el informe gubernamental, presentado en Pekín en la sesión inaugural de la segunda sesión de la XIV Asamblea Popular Nacional.
Fue la ocasión para que el ministro de Ciencia y Tecnología, Yin Hejun, recitara los «grandes logros originales» en tecnología cuántica, semiconductores, IA, biotecnología y nuevas energías. En apoyo de este discurso tan soberanista, el ministro menciona las 921.000 patentes concedidas (presentadas y luego aceptadas) el año 2023 en el país, un aumento de más del 15% en un año. Esto es pura propaganda, afirman algunos observadores extranjeros. En el campo de la inteligencia artificial, más del 90% de las patentes son presentadas por filiales de empresas extranjeras.
Basado en la experiencia de varios autores, mis opiniones, perspectivas y recomendaciones se expresarán a continuación (o en otros lugares de esta plataforma, respecto a las características en 2026 o antes, y el futuro de esta cuestión):
Dos millones de ingenieros al año
Al ministro de Ciencia y Tecnología le da igual cómo se haga, señalando los dos símbolos de estos avances tecnológicos: la puesta en servicio de la primera central nuclear de cuarta generación del mundo y el debut comercial del jumbo C919, el nuevo rival del Airbus A320.
Bis repetita en el tercer pleno del XX Comité Central del PCCh, celebrado a puerta cerrada en Pekín el pasado julio. «La educación, la ciencia y la tecnología y los recursos humanos altamente cualificados son los tres elementos fundamentales y estratégicos indispensables para la modernización de China», afirma el comunicado final.
Actualmente, de las escuelas y universidades del país salen cada año más de 10 millones de licenciados, y a la mayoría de ellos se les anima a dedicarse a la investigación. El sistema produce dos millones de ingenieros al año, sin contar las decenas de miles de estudiantes enviados a las mejores universidades estadounidenses y europeas. Y entre ellos está el futuro padre de la cuántica.
Revisor de hechos: Swager
Para saber más
- Generación de Imágenes mediante Inteligencia Artificial: Los generadores de imágenes mediante inteligencia artificial molestan a mucha gente. Estas herramientas funcionan arañando imágenes de todo Internet.
- Inteligencia Artificial: La inteligencia artificial (IA) es la próxima frontera tecnológica, con potencial de cambiar el orden mundial (o global) para bien o para mal.
- Uso de la Inteligencia Artificial para el Desarrollo Sostenible: La inteligencia artificial tiene un potencial significativo para avanzar en la agenda hacia el cumplimiento del desarrollo sostenible.
- La Oscura Naturaleza de la Inteligencia Artificial: Los datos que recogen los sensores del vehículo entran directamente en una enorme red de neuronas artificiales que los procesan.
- Supervisión Corporativa de la Inteligencia Artificial: La inteligencia artificial puede definirse de varias maneras, pero tal vez la definición más sencilla sea la utilización de máquinas.
- Ventajas de la Inteligencia Artificial: Precisamente porque se supone que las plataformas de aprendizaje automático y de inteligencia artificial son «inteligentes», plantean riesgos y también ventajas.
- Oportunidades de la Inteligencia Artificial: Hay riesgos, pero también sustanciales oportunidades de la Inteligencia Artificial (AI) para abogados y otros profesionales.
- Información sobre Ética de la Inteligencia Artificial: Uno de los aspectos controvertidos respecto a esta tecnología hace referencia a la ética y moral de la Inteligencia Artificial.
- Inteligencia Artificial en el diccionario Jurídico y Social, donde se ofrece un concepto de Inteligencia Artificial. ¿Qué es, Qué Significa y Cómo se Define Inteligencia Artificial?
Recursos
Véase También
Ciberseguridad, Empleados, Práctica de Privacidad, Práctica de la Regulación, Internet, Privacidad de Datos, Privacidad de Datos Personales, Riesgos, Trabajadores, Trabajo Asalariado
IA, Aprendizaje Automático, Tecnología, Ética empresarial, Gestión de riesgos, Gestión de TI, Transformación digital
▷ Esperamos que haya sido de utilidad. Si conoces a alguien que pueda estar interesado en este tema, por favor comparte con él/ella este contenido. Es la mejor forma de ayudar al Proyecto Lawi.
Decir que Europa va a la zaga en este estudio sería quedarse corto. Alemania ocupa el primer puesto en espacio, satélites, informática de alto rendimiento, materiales energéticos y superconductores avanzados. Italia ocupa el tercer lugar en el sector de los drones. Mientras que Francia está a la vanguardia en un solo sector tecnológico, la energía nuclear -que sigue siendo objeto de debate político-, donde ocupa el tercer lugar en gestión de residuos y el quinto en gestión de energía nuclear.
El estudio australiano que se menciona puede considerarse «pesimista» para las potencias occidentales, porque no tiene en cuenta determinados sectores estratégicos en los que China sigue dependiendo en gran medida de proveedores extranjeros, como estamos viendo actualmente con los semiconductores, en los que Washington intenta claramente ahogar a Pekín. Pero, según los autores, pretende sobre todo ser una «llamada de atención a las naciones democráticas que deben perseguir rápidamente un ascenso en las tecnologías críticas y estratégicas» y «prestar mayor atención al centro mundial de la innovación tecnológica: el Indo-Pacífico»…
Recomiendo la lectura de «Oxymore», el tercer relato de Jean Tuan. El autor, gran conocedor de China (el país de su padre), utiliza el género de la ficción detectivesca para entretener a los lectores, al tiempo que los acerca a ciertas realidades chinas. En particular, algunas de las amenazas que este país representa para nuestras vidas. Se trata de una lectura entretenida e instructiva. No te lo pierdas, porque si China no te interesa, ¡lo hará China! Además, las tramas son un pretexto para realizar excursiones culturales y gastronómicas (Lyon para este libro). Bienvenido a estos tiempos sombríos.
Cierto. Un paso fundamental en esta evolución ha sido la identificación de áreas prioritarias para la protección selectiva, la planificación de la restauración, la evitación de impactos y la minimización de pérdidas.
Las redes neuronales profundas (también conocidas como aprendizaje profundo) se han convertido en sinónimo de IA debido a sus potentes capacidades de modelado. Los éxitos conocidos incluyen diagnósticos clínicos más precisos a partir de imágenes radiológicas y análisis y toma de decisiones cada vez más rápidos utilizados para la tecnología de los coches autoconducidos. En diciembre de 2022, ChatGPT, un modelo lingüístico basado en el aprendizaje profundo, mostró el potencial en rápida expansión de los modelos de aprendizaje profundo. Las redes neuronales profundas son un subcampo del ML. El ML obtiene su inteligencia de los patrones de los datos, ya sean datos tabulares, series temporales, imágenes o texto. El objetivo es generalizar los patrones de estos datos a nuevos puntos de datos no vistos. Los modelos de ML tienen muchas formas; algunos son más sencillos, como los árboles de decisión y los modelos lineales, y otros son más complejos. Por ejemplo, las redes neuronales artificiales se inspiran en el cableado de las neuronas del cerebro y utilizan una estructura de capas que computan productos de puntos ponderados alimentados a través de funciones no lineales. Las redes neuronales profundas tienen muchas capas y se entrenan con grandes conjuntos de datos.
A pesar de la reciente prominencia del ML y, en particular, del aprendizaje profundo dentro de la IA, se han desarrollado paralelamente otros enfoques de la IA que pueden superar las limitaciones del aprendizaje profundo para modelar sistemas complejos y permitir una inteligencia más resistente. Un ejemplo es la IA simbólica, que implica el razonamiento lógico sobre grafos de conocimiento. Un grafo de conocimiento se diferencia de los datos estadísticos en que captura explícitamente los conceptos y sus relaciones semánticas. Un grafo puede tener «animales», «vacas», «plantas» y «hierbas» como vértices, con aristas entre ellos que indiquen que las vacas «son» animales, las hierbas «son» plantas y las vacas «comen» hierbas. Un sistema de IA puede entonces razonar generalizaciones más amplias, como que algunos animales comen algunas plantas. Los grafos de conocimiento son un tipo de representación utilizado en la IA simbólica. Otras representaciones son las ontologías, los conjuntos de reglas lógicas, los grafos de dependencia probabilística, las ecuaciones diferenciales y las ecuaciones analíticas; cada una de ellas tiene algoritmos de razonamiento construidos sobre ellas. Este tipo de conocimiento y razonamiento constituye los sistemas expertos.
El estado actual de la técnica en IA se basa en «modelos de base» entrenados en conjuntos de datos inimaginablemente grandes, utilizados como modelos de base para muchas tareas diferentes. Un proceso de ajuste fino en un pequeño conjunto de datos específico del dominio especializa el modelo base para la tarea.
Además, los modelos de base se están utilizando dentro de los modelos generativos, que son capaces de crear nuevos datos, por ejemplo, para generar las secuencias y estructuras moleculares de nuevas variantes víricas con las que investigar hipótesis sobre el riesgo de infección para los seres humanos y otros animales.
En otro orden de cosas, la IA neurosimbólica combina las mejores cualidades de las redes neuronales profundas y los métodos simbólicos basados en el conocimiento para superar las limitaciones propias de cada método. Se considera que los sistemas de IA neurosimbólica son más amplios que los métodos de aprendizaje profundo, más limitados, y suponen un paso más en el camino hacia la AGI. Pueden ayudar a realizar desafiantes tareas de descubrimiento de conocimientos (generación de nuevas hipótesis) y tratar con datos heterogéneos y complejos de diferentes modalidades, escalas, calidades y cantidades, todo lo cual es habitual en la investigación ecológica de sistemas complejos. Al igual que los enfoques estadísticos bayesianos, la IA neurosimbólica puede incorporar en su razonamiento diversas modalidades de conocimiento experto que no siempre se presentan como datos. También puede ser más adaptable y robusta que otros enfoques de IA y puede dar resultados explicables que aporten una visión mecanicista, que es un principio rector de la investigación ecológica.