Inteligencia artificial y astronomía: Comprender el papel de los asistentes IA

Lo que las IA no saben hacer (solas)... y lo que los asistentes hacen por ellas

A pesar de su impresionante rendimiento, los modelos fundamentales de IA (LLM) tienen limitaciones estructurales. No razonan, no entienden, no tienen memoria a largo plazo y no poseen ningún modelo del mundo real. Son máquinas estadísticas que generan texto prediciendo la palabra más probable. Los asistentes IA, por otro lado, compensan estas deficiencias mediante una capa de ingeniería que transforma el modelo bruto en una herramienta funcional (memoria persistente, acceso a datos en tiempo real...).

En resumen, el modelo IA es el cerebro (estadístico), pero el asistente IA es el cuerpo, los brazos y las piernas que le permiten actuar en el mundo real. Es esta arquitectura la que hace que los asistentes IA sean tan poderosos en laboratorios, metaversos y entornos de investigación.

Sistemas expertos vs. LLM vs. Asistentes IA

• Sistema experto: "Sé todo lo que el hombre ha codificado para mí, pero solo sé hacer eso."
• LLM solo: "Genero texto, y eso es todo."
• Asistente IA: "Soy un pequeño LLM aumentado por una capa de software que me da herramientas, memoria y capacidades de acción."

Ejemplo de lectura de PDF con un LLM solo (GPT, Mistral, Gemini)

El usuario tiene acceso a un LLM solo (como ChatGPT, Mistral o Gemini). Este modelo solo puede generar texto. No tiene acceso a archivos, carpetas ni herramientas de ejecución. El usuario debe hacer todo el trabajo manualmente: abrir carpetas, copiar textos, pegarlos y releer los resúmenes para verificar su exactitud. El LLM solo genera texto a partir de lo que el usuario le proporciona.

Ejemplo de lectura de PDF con un asistente IA (sistema completo)

El usuario tiene acceso a un LLM (ej. ChatGPT, Mistral, Gemini) a través de una interfaz de prompt. Este LLM está conectado a un asistente IA completo (sistema experto + herramientas) que puede actuar en el mundo real. El usuario solo ve el LLM. Es el LLM quien, en segundo plano, llama al asistente para ejecutar las acciones. El usuario nunca interactúa directamente con el asistente. Todo es transparente para él.

La inteligencia artificial: Un nuevo socio para los científicos

La inteligencia artificial ya no se limita a tareas automatizadas. Hoy, los asistentes IA son capaces de dialogar en lenguaje natural, generar hipótesis, simular escenarios complejos e incluso sugerir protocolos experimentales. En astronomía, donde los volúmenes de datos son colosales (terabytes por noche de observación), estas herramientas se vuelven indispensables. Permiten a los investigadores concentrarse en la interpretación y la conceptualización, mientras la IA procesa el ruido de fondo y detecta patrones imperceptibles al ojo humano.

Paralelamente, la aparición de los metaversos y los entornos virtuales ofrece una nueva dimensión a la visualización científica. Ya no es necesario conformarse con gráficos en 2D o modelos 3D en pantalla: los astrónomos pueden ahora sumergirse en sus datos, navegar a través de cúmulos de galaxias u observar el nacimiento de una estrella como si estuvieran allí. Esta inmersión, combinada con asistentes IA conversacionales, crea una sinergia sin precedentes entre el intelecto humano y la potencia de cálculo de las máquinas.

Asistentes IA al servicio de la astronomía

La exploración de datos masivos

Los telescopios modernos, como el VLT (very Large Telescope) o el JWST (james Webb Space Telescope), producen flujos continuos de datos. El análisis manual es imposible. Los asistentes IA, entrenados con miles de millones de parámetros, pueden identificar eventos raros (como supernovas o estallidos de rayos gamma), clasificar objetos celestes o corregir artefactos instrumentales.

Modelado predictivo

Las simulaciones numéricas están en el corazón de la astrofísica moderna. Pero siguen siendo costosas en recursos. Las IA generativas, como las GAN (generative Adversarial Networks) (redes antagónicas generativas) o los modelos de difusión, permiten crear gemelos digitales de fenómenos astrofísicos.

Aquí hay algunos ejemplos concretos de la aplicación de estos modelos:

• Simulación de fenómenos astrofísicos: La evolución de un disco de acreción alrededor de un agujero negro o la dinámica de un cúmulo de galaxias puede simularse en minutos, donde un supercomputador clásico tardaría días. Estos modelos, una vez validados, se convierten en verdaderos asistentes para los investigadores, que pueden probar cientos de escenarios en paralelo.
• Formación de sistemas planetarios: Investigadores de la Universidad de Berna (Y. Alibert, J. Davoult y S. Marques) han desarrollado, utilizando una arquitectura Transformer, un modelo de IA capaz de calcular la arquitectura de sistemas planetarios en segundos, frente a varias semanas de cálculo en supercomputador para el modelo numérico clásico de Berna del que se inspira — es decir, una ganancia de alrededor de un factor de un millón. Este modelo permite predecir la presencia de planetas aún no detectados y ayudar a priorizar los objetivos de observación.
• Simulaciones cosmológicas ultrarrápidas: La herramienta Effort.jl, desarrollada por una colaboración internacional que incluye INAF, la Universidad de Parma y la Universidad de Waterloo, utiliza una red neuronal para emular los cálculos de la teoría efectiva de campos de la estructura a gran escala (EFTofLSS). Donde una simulación clásica puede tardar varias horas en un supercomputador, Effort.jl evalúa el espectro de potencia en microsegundos en un solo núcleo de CPU, con convergencia bayesiana completa en minutos en un ordenador portátil. Este rendimiento abre el camino a una exploración mucho más amplia de los parámetros cosmológicos para relevamientos como DESI y Euclid.

Metaversos científicos: La inmersión al servicio del descubrimiento

Visualizar lo invisible

Uno de los mayores desafíos de la astronomía es representar objetos o fenómenos que escapan a nuestra percepción sensorial. Los agujeros negros, los campos magnéticos interestelares o las ondas gravitacionales son conceptos abstractos. Los metaversos científicos (entornos virtuales inmersivos) ofrecen un entorno donde estas nociones se vuelven tangibles. Gracias a cascos de realidad virtual y motores 3D en tiempo real, el usuario puede manipular campos de fuerza, observar la curvatura del espacio-tiempo o seguir la trayectoria de un fotón desde su emisión hasta su detección.

Ejemplos de herramientas inmersivas utilizadas en astronomía

• OpenSpace: Desarrollado por el AMNH (american Museum of Natural History) (Museo Americano de Historia Natural), este software de código abierto visualiza todo el Universo conocido. Es utilizado tanto por investigadores para visualizar datos de misiones como Artemis o Gaia, como por planetarios y el público general para experiencias inmersivas.
• SpaceEngine: Este simulador 3D combina datos reales y generación procedural científicamente exacta. Disponible en Steam, permite a cualquiera explorar las galaxias más lejanas desde su sofá, con actualizaciones regulares que mejoran la generación de planetas y estrellas.
• iDaVIE: Este software de realidad virtual de código abierto, desarrollado notablemente por el Inter-University Institute for Data Intensive Astronomy (IDIA, Sudáfrica) y el INAF, sumerge a los astrónomos en el corazón de sus cubos de datos (notablemente radio, de MeerKAT o ASKAP). Ya se ha utilizado para refinar máscaras de detección de fuentes e identificar estructuras gaseosas pasadas por alto en relevamientos HI.

La integración de asistentes IA en estos entornos permite una interacción enriquecida: el investigador puede hacer preguntas en lenguaje natural ("Muéstrame las zonas de formación estelar más activas en esta galaxia") y obtener una respuesta visual y contextual inmediata.

Colaboración a distancia

Los metaversos no son solo herramientas de visualización; también son espacios de colaboración síncrona. Equipos internacionales pueden reunirse en una sala virtual, alrededor de una proyección 3D de un relevamiento galáctico, e interactuar con los datos como si estuvieran en el mismo laboratorio. Esta dimensión social y colaborativa, amplificada por asistentes IA que traducen, sintetizan y anotan las discusiones en tiempo real, promete acercar a las comunidades científicas y acelerar los descubrimientos.

Fiabilidad de los modelos generativos

Si bien las IA son capaces de producir resultados espectaculares, siguen sujetas a sesgos y alucinaciones. Un modelo generativo puede inventar estructuras galácticas que no existen, o proponer interpretaciones físicamente imposibles. La comunidad científica debe, por tanto, desarrollar protocolos de validación robustos, donde cada resultado de una IA se confronta con datos reales o modelos físicos establecidos. La transparencia de los algoritmos y la reproducibilidad de los experimentos son desafíos importantes para el futuro de la investigación asistida por IA.

Ejemplos concretos de sesgos y alucinaciones encontrados en astronomía:

• Alucinación de estructuras galácticas: Un modelo de IA entrenado con imágenes de galaxias espirales "inventó" brazos espirales adicionales en galaxias elípticas, donde no los había. La IA había generalizado a partir de sus datos de entrenamiento y creado patrones inexistentes, induciendo a error a los astrónomos que analizaban estas imágenes.
• Sesgo en la detección de exoplanetas: Un algoritmo de detección de exoplanetas entrenado principalmente con datos del telescopio Kepler presentaba un sesgo de selección: detectaba más fácilmente planetas grandes (tipo Júpiter) que pequeños planetas rocosos (tipo Tierra). Este sesgo llevó a una sobreestimación de la frecuencia de gigantes gaseosos en los primeros catálogos, antes de que los investigadores corrigieran el algoritmo.
• Falsos positivos en estallidos de radio: Un sistema de IA diseñado para detectar FRB (fast Radio Burst) (estallidos de radio rápidos) confundió interferencias terrestres (señales de teléfonos móviles, radares) con señales cósmicas genuinas. Durante varias semanas, los astrónomos creyeron haber descubierto nuevos FRB, para luego darse cuenta de que eran alucinaciones de la IA.
• Interpretación físicamente imposible: Un modelo generativo propuso un escenario de formación de agujeros negros que violaba la tercera ley de Kepler (período orbital incompatible con la distancia). Solo después de la verificación por astrofísicos se detectó el error, recordando que la IA no entiende las leyes físicas, solo las imita estadísticamente.

Soberanía de los datos

Los asistentes IA más potentes se entrenan con cantidades fenomenales de datos, a menudo en manos de grandes empresas privadas. Esto plantea la cuestión del acceso equitativo a estas herramientas para los laboratorios públicos o los países en desarrollo. Iniciativas como la European Open Science Cloud o el programa NASA Transform to Open Science (TOPS) intentan promover modelos abiertos y colaborativos, donde los datos y los modelos se comparten según los principios FAIR (findable, Accessible, Interoperable, Reusable).

Tabla: Aplicaciones de los asistentes IA en las ciencias espaciales