La científica argentina de Harvard que usa IA para buscar vida fuera de la Tierra

Estudiar el universo es, quizás, uno de los principales desafíos de la humanidad. Si bien el esfuerzo y los avances de la comunidad científica a lo largo de las últimas décadas son innegables, aún hay una infinidad de preguntas que llevan años sin resolverse.En este contexto, la inteligencia artificial (IA) empieza a transformar la manera en que los científicos buscan respuestas. “Tenemos la posibilidad de descubrir cosas nuevas de otra manera. Cambia mucho lo que uno puede hacer, cómo hacerlo y las preguntas que se pueden plantear”, asegura Cecilia Garraffo, fundadora y directora del Instituto AstroAI del Centro de Astrofísica de Harvard y Smithsonian. Garraffo es licenciada en Astronomía por la Universidad Nacional de La Plata y doctora en Física por la Universidad de Buenos Aires. En 2025, fue galardonada con el Premio Presidencial a la Trayectoria Temprana para Científicos e Ingenieros (Pecase), el máximo reconocimiento otorgado por el gobierno de Estados Unidos a científicos e ingenieros en las primeras etapas de su carrera. Hoy, su trabajo se centra en el desarrollo de técnicas de IA aplicadas a la astrofísica y las ciencias en general, con un especial interés en aspectos vinculados a agujeros negros, gravedad, estrellas e incluso la posibilidad de hallar vida en lugares remotos del universo. En el marco del seminario Current AI Techniques for Scientific Discovery, dictado en el Instituto Tecnológico de Buenos Aires (ITBA), la experta conversó con LA NACION sobre el potencial de esta tecnología, sus desafíos y el rol de los científicos. -¿Qué aporta la IA a la astrofísica y la ciencia en general? ¿Estamos ante una nueva era de la ciencia?-Sí, absolutamente estamos en una nueva era de la ciencia, hay nuevas técnicas que son muy poderosas. No es un cambio incremental, es bastante más revolucionario. Justamente en astrofísica lo que tenemos también es una revolución en datos. Tenemos una cantidad de datos a una velocidad que no había antes, y entonces simplemente ya procesar los datos aunque lo quisiéramos hacer de manera tradicional, no llegaríamos a hacerlo. Pero eso es lo menos interesante.Tenemos la posibilidad de descubrir cosas nuevas de otra manera. Por ejemplo, la IA es muy buena en buscar patrones y, tradicionalmente, siempre buscamos patrones que predecíamos de una teoría, de lo que esperábamos. Ahora, podemos intencionalmente buscar patrones que no conocemos ni sabemos que están ahí. También podemos encontrar soluciones a problemas matemáticamente muy complicados. Simplemente cambia mucho lo que uno puede hacer, cómo hacerlo y las preguntas que se pueden plantear. -¿Qué elementos o aspectos pueden detectar los sistemas de IA que el ojo humano no?-Patrones sutiles y complejos. Por ejemplo, predecir cuál es el spin de un agujero negro, que es la velocidad de rotación. También podemos mirar cómo lo hizo, es decir, aprender de cómo aprenden. -Con estas nuevas herramientas, ¿qué tanto se pueden acelerar los descubrimientos científicos?-Solo con machine learning, cosas que podrían llevarnos semanas ahora nos llevan menos de un segundo. Pero si hablamos de modelos de lenguaje, no sé ni qué decirte, porque es un poco aterradora la velocidad con la que avanzan estos modelos que razonan. Si sigue avanzando así, no sé cuál va a ser la tarea científica.-¿Cómo creés que tienen que reinventarse los científicos en esta nueva era tecnológica?-Se discute un montón y la idea en la que estamos todos de acuerdo es que, en vez de sacarnos trabajo, la IA —si la sabés desarrollar, usar y hacer investigación con ella— nos dio más trabajo. Yo nunca estuve tan ocupada. Lo que está bueno es que podemos abordar preguntas que nunca hubiésemos podido antes, y podemos hacer un montón de cosas que no hubiésemos podido antes. Ahora podemos delegar el hacer cuentas y pensar, tener ideas y preguntas. Es lo que uno se imagina cuando quiere ser científico.También está bueno poder entrenar a los astrónomos y físicos nuevos de otra manera, es decir, cómo interpretar, analizar y guiar estas máquinas de hacer cuentas, de alguna manera.-Hablás de que hay vida en otros lugares del universo, ¿la IA puede acercarnos a afirmar esta idea? ¿De qué manera?-Sí, puede acercarnos a abordar un problema que es muy complejo, que nos falta completitud. Para hacerlo bien, tendríamos que considerar todas las moléculas posibles en una atmósfera, y eso lo hace computacionalmente incalculable. Lo que nos ayuda a hacer la IA es resolver estos problemas inversos en espacios de parámetros muy altos. Es decir, dada cierta atmósfera, con cierta abundancia de agua y de carbono, y con cierta temperatura y presión, sabemos cómo se verían los datos de una atmósfera. Lo que no sabemos es, dada la atmósfera, cuáles son esa infinitud de combinaciones que nos lleva a esos datos. La IA y el machine learning nos ayuda en el problema inverso.-¿Hay descubrimientos que hoy serían directamente imposibles de hacer sin IA?-Hay un montón de esos problemas que no se podrían resolver y también encontrar cosas nuevas. Vemos una imagen del telescopio Vera Rubin y la mayoría de lo que está ahí no lo conocemos. Una imagen tiene como 40 millones de observaciones. Se combina esto de tener telescopios nuevos que pueden ver más lejos, con esta nueva manera de buscar cosas que no sabemos que están intencionalmente. Me parece una oportunidad inmensa de descubrimientos, descubrimientos de nuevos patrones que, sin IA, se hacía por accidente. -¿Cómo se valida un descubrimiento realizado con IA? ¿Qué tiene que hacer un científico para determinar que el sistema encontró algo real y no simplemente un patrón o una correlación equivocada?-Si es un modelo de lenguaje, tiene que ser uno que yo pueda hacer lo mismo y corroborarlo. Por ejemplo, yo le digo a la IA: “Necesito resolver este sistema de ecuaciones muy complejo que lleva décadas sin resolverse”. Cuando nos da la solución, uno puede meter esa solución en las ecuaciones y ver si las satisface. Lo difícil es encontrar la solución, no verificarla. Siempre verificamos, la investigación nunca está liderada por la IA.Por otro lado, lo que hacemos en el Instituto AstroAI es construir modelos físicos que podemos interpretar porque los modelos de caja negra no nos sirven en ciencia. No creo que ningún científico siga por un camino que no entiende. -¿En qué consisten específicamente estos modelos que diseñan ustedes?-Usamos distintas técnicas. Son redes neuronales y usamos la tecnología que viene de la IA pura, pero la diseñamos con algunos trucos para que tenga y no le quede otra opción que solamente buscar entre las soluciones que son físicamente posibles.-¿Qué riesgos introduce la utilización de IA en la investigación científica? -Si se utiliza bien, no veo riesgos. Lo importante es hacer modelos físicos. El riesgo está en aplicar modelos que ya existen y aplicarlos con los ojos cerrados y confiar en ellos.-¿Qué cosas todavía la IA no puede hacer bien en astrofísica?-Hay mucha discusión sobre eso y creo que el consenso al que llegamos con mi grupo más cercano es que no desarrolló mucha capacidad del buen gusto para problemas científicos. Puede agarrar cualquier problema y tratar de resolverlo, pero no tiene la capacidad de elegir el problema más interesante. -¿Qué temas están trabajando o estudiando actualmente en el Instituto AstroAI?-Estamos trabajando en detectar biosignaturas [NdE: las biosignaturas son señales, por ejemplo, determinados gases en la atmósfera de un planeta, que podrían indicar la existencia presente o pasada de vida] y hace poco encontramos la solución de agujero negro rotante en una teoría de gravedad con correcciones que vienen de una teoría cuántica. Fue un problema abierto por décadas, acabamos de mandar el paper y ahora está bajo referato [NdE: el trabajo sobre agujeros negros busca describir matemáticamente cómo se comportan estos objetos cuando se incorporan efectos provenientes de teorías que intentan compatibilizar la gravedad con la física cuántica].También estamos trabajando también en modelos multimodales, que es importante en astronomía porque tenemos distintos instrumentos observando los mismos fenómenos. Queremos poder analizarlos todos juntos porque nos da una riqueza mayor. Nos estamos perdiendo un montón de información que vive en este espacio de más alta dimensión, como la correlación entre lo que pasa en un planeta y lo que pasa en sus estrellas [NdE: un modelo multimodal puede procesar y relacionar distintos tipos de datos al mismo tiempo. En astronomía, por ejemplo, permitiría combinar imágenes, espectros y otras mediciones obtenidas por diferentes instrumentos para encontrar relaciones que pueden pasar inadvertidas cuando cada conjunto de datos se analiza por separado].-¿Cómo imaginás el trabajo de un científico dentro de diez o 20 años? -Es imposible imaginarlo dentro de un año. Estamos viendo el avance de los modelos de lenguaje a un paso que asusta y creo que, como mínimo, la tarea del científico va a cambiar mucho. Siempre estuve convencida de que hago ciencia por la respuesta. No me interesa el proceso, entender es a lo único que apuntamos. Pero en este estado en el que estamos con la IA, mostrando que podría terminar encontrando las respuestas que nosotros buscamos, es donde me pregunto qué tan cierto es que no me importaría no poder más trabajar en esto, ¿no? El placer de ir tras una pregunta y descubrirla. ¿Va a ser lo mismo cuando lo entienda un modelo de lenguaje y nos lo explique? La verdad no lo sé. No me queda muy claro hasta dónde vamos a llegar.