Comprender o delegar en la IA: el dilema de Asimov aplicado a la ciencia

Imagina a un grupo de científicos que obtienen de una inteligencia artificial la solución a uno de los mayores sueños de la humanidad: los viajes interestelares. Pero ni siquiera se molestan en preguntar cómo funciona realmente. Esto no es el futuro: es el núcleo de un relato de Isaac Asimov de 1945, en el que la verdadera anticipación no es el cohete espacial, sino la forma en que los humanos delegan la comprensión profunda en las máquinas. Y hoy, en la ciencia real, este dilema está más presente que nunca. Estamos acostumbrados a pensar que la tecnología de IA es simplemente una herramienta poderosa, algo que nos permite hacer más rápido lo que ya sabemos hacer. Pero ¿qué ocurre cuando la solución que encuentra la IA no solo se nos escapa, sino que se vuelve literalmente incomprensible incluso para sus creadores? El nuevo dilema ya no es «¿podemos resolver este problema?», sino «¿tenemos que entender la solución o nos basta con que funcione?». Pongamos por caso las Kolmogorov-Arnold Networks, o KAN, una nueva arquitectura de redes neuronales presentada en un artículo científico en diciembre de 2025. Los científicos suelen trabajar con redes neuronales en las que cada neurona suma señales y las transmite según reglas fijas, y el aprendizaje se produce modificando los pesos de estas sumas. Sin embargo, en las KAN, la suma sigue siendo sencilla y, en cambio, las neuronas aprenden reglas de transformación cada vez más complejas. Esto significa que, a diferencia de las redes clásicas, en las que el conocimiento está oculto en un mar de números, en las KAN puedes ver e incluso dibujar las funciones que la red ha aprendido. Un detalle alucinante: una KAN ha conseguido por sí sola redescubrir una simetría matemáticamente muy sofisticada, relacionada con la estructura del espacio-tiempo en torno a un agujero negro, que había mantenido ocupadas a generaciones enteras de físicos durante casi veinte años. Aquí lo que está en juego no es solo técnico. Cuando dejamos que la IA resuelva problemas que ya no entiende ningún ser humano, corremos el riesgo de perder el sentido de propiedad del conocimiento. Los científicos que describe Asimov nunca piden explicaciones: aceptan que la complejidad está fuera de su alcance y se conforman con el resultado. Pero la ciencia siempre ha sido, ante todo, un ejercicio de apropiación de la realidad: comprender, no solo aplicar. Un investigador en física que leyó el artículo sobre las KAN afirma que, por primera vez, pudo «ver» lo que la red había aprendido, y no solo constatar que funcionaba. La diferencia parece pequeña, pero es la línea que separa hacer ciencia de delegar a ciegas. Quienes afirman que «lo importante es que funcione» corren el riesgo de caer en una nueva forma de superstición: la fe ciega en el algoritmo, en lugar de la comprensión. Y hay una pregunta que nadie se está haciendo: ¿qué perdemos, como humanidad, cuando dejamos que la explicación se convierta en algo opcional? Y si un día ya nadie es capaz de explicar cómo funcionan las cosas que usamos a diario, ¿por qué deberíamos seguir llamándolo ciencia? Nos acercamos a una encrucijada: delegar la comprensión en las máquinas o pretender comprender de verdad. Quienes se conforman con el resultado se privan de la verdadera alegría del descubrimiento. La IA puede encontrar soluciones sorprendentes, pero la ciencia nace cuando alguien sigue preguntándose: «¿Cómo hemos llegado hasta aquí?». Si esta historia te interesa, en Lara Notes puedes pulsar «I'm In». No es un «Me gusta»; es tu forma de decir: «Esta idea ahora es mía». Y si mañana le cuentas a alguien que la KAN ha resuelto un enigma sobre los agujeros negros, en Lara Notes puedes dejar constancia de ello: Shared Offline es la forma de decir que esa conversación fue importante. Esta idea procede de Le Monde y te ha ahorrado casi cinco minutos en comparación con el artículo completo.