La inteligencia artificial GPT-4 demuestra cierta competencia en química
GPT-4 podría ayudar a los investigadores en química, pero sus limitaciones revelan la necesidad de mejoras
GPT-4, siglas de Generative Pre-trained Transformer 4, pertenece a una categoría de sistemas de inteligencia artificial conocidos como grandes modelos lingüísticos. Éstos pueden recopilar y analizar ingentes cantidades de información en busca de soluciones a los retos planteados por los usuarios. Uno de los avances de GPT-4 es que, además de texto, puede utilizar información en forma de imágenes.
Aunque sus creadores no han revelado los conjuntos de datos concretos utilizados para entrenar a GPT-4, está claro que ha aprendido una cantidad significativa de conocimientos químicos detallados. Para analizar sus capacidades, los investigadores plantearon al sistema una serie de tareas químicas centradas en la química orgánica, es decir, la química de los compuestos basados en el carbono. Estas tareas abarcaban la teoría química básica, el manejo de datos moleculares, la predicción de las propiedades de las sustancias químicas, el resultado de los procesos químicos y la propuesta de nuevos procedimientos químicos.
Los resultados de la investigación fueron variados y revelaron tanto puntos fuertes como limitaciones significativas. El GPT-4 mostró una buena comprensión de los conocimientos generales de química orgánica a nivel de libro de texto. Sin embargo, se mostró débil cuando se le plantearon tareas relacionadas con contenidos especializados o métodos únicos para fabricar compuestos orgánicos específicos. Sólo mostró una eficacia parcial a la hora de interpretar estructuras químicas y convertirlas a una notación estándar. Resulta interesante su capacidad para predecir con exactitud las propiedades de compuestos para los que no había sido entrenado. En conjunto, superó a algunos algoritmos computacionales existentes, pero se quedó corto frente a otros.
"Los resultados indican que GPT-4 puede abordar una amplia gama de tareas en la investigación química, desde el conocimiento a nivel de libro de texto hasta el tratamiento de problemas no entrenados y la optimización de múltiples variables", afirma Hatakeyama-Sato. "Inevitablemente, su rendimiento depende en gran medida de la calidad y cantidad de sus datos de entrenamiento, y hay mucho margen de mejora en sus capacidades de inferencia".
Los investigadores subrayan que su trabajo no es más que una investigación preliminar y que las investigaciones futuras deberían ampliar el alcance de los ensayos y profundizar en el rendimiento de GPT-4 en escenarios de investigación más diversos.
También esperan desarrollar sus propios modelos lingüísticos de gran tamaño especializados en química y explorar su integración con las técnicas existentes.
"Mientras tanto, los investigadores deberían plantearse la aplicación de GPT-4 a los retos químicos, posiblemente utilizando métodos híbridos que incluyan técnicas especializadas ya existentes", concluye Hatakeyama-Sato.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.