Hay algo profundamente paradójico en esta nueva forma de utilizar la inteligencia artificial para la arqueología. Para encontrar algo que existe realmente en el paisaje, los investigadores están enseñando a las máquinas con estructuras que nunca existieron. Construyen mediante código formas arqueológicas artificiales, las insertan en datos reales obtenidos mediante LiDAR y utilizan esas escenas híbridas para entrenar modelos capaces de reconocer señales extremadamente sutiles. A primera vista parece una contradicción. ¿Cómo puede una máquina aprender a descubrir el pasado utilizando objetos inventados? Sin embargo, cuanto más lo pienso, más me parece que detrás de esta estrategia existe una idea filosófica mucho más profunda sobre cómo aprendemos a percibir la realidad.
El problema que intenta resolver esta metodología es fundamental. Los sistemas de inteligencia artificial necesitan ejemplos para aprender. Cuando queremos enseñar a un modelo a reconocer una determinada estructura arqueológica, necesitamos imágenes o datos donde esa estructura aparezca claramente identificada. Pero en arqueología muchas de las cosas que queremos encontrar son precisamente aquellas de las que apenas tenemos ejemplos. Algunos asentamientos son extremadamente raros. Determinadas estructuras se encuentran ocultas bajo la vegetación, erosionadas por el tiempo o confundidas con las irregularidades naturales del terreno. No podemos simplemente proporcionar a la máquina miles de ejemplos porque esos miles de ejemplos no existen.
Aquí aparece una idea extraordinariamente fértil: si la realidad no nos proporciona suficientes ejemplos, podemos construir simulaciones plausibles de aquello que buscamos.
La máquina aprende entonces de una realidad que nunca ocurrió para poder encontrar una realidad que sí ocurrió.
Esta frase contiene, para mí, una de las paradojas epistemológicas más interesantes de la inteligencia artificial contemporánea. Durante mucho tiempo pensamos que aprender significaba acumular experiencias del mundo. Ahora estamos descubriendo que también podemos aprender generando mundos posibles y utilizando esos mundos para entrenar nuestra capacidad de reconocer el mundo real.
No se trata de engañar a la máquina. Se trata de proporcionarle una diversidad de posibilidades que la realidad, por pura estadística, no puede ofrecernos.
El LiDAR hace posible esta estrategia porque permite observar el relieve del terreno incluso cuando la vegetación oculta gran parte de la superficie. Una estructura arqueológica que para nuestros ojos desaparece bajo un bosque puede dejar una pequeña alteración geométrica en el suelo. Una elevación casi imperceptible, una depresión, una línea demasiado regular para ser completamente natural. Durante siglos, un arqueólogo podía caminar por ese paisaje sin percibir nada extraordinario. Ahora una combinación de sensores, procesamiento computacional y aprendizaje automático puede transformar esas pequeñas irregularidades en señales susceptibles de ser investigadas.
Pero la máquina no sabe inicialmente qué es una señal arqueológica.
Tiene que aprenderlo.
Y aquí aparece una diferencia importante entre ver y reconocer. El paisaje siempre estuvo delante de nosotros. Las estructuras estaban allí. Las huellas permanecían en el terreno. Lo que faltaba era una forma suficientemente poderosa de distinguirlas dentro de la complejidad del paisaje.
La arqueología asistida por IA está convirtiéndose, de alguna manera, en una ciencia de las diferencias mínimas.
Una estructura humana puede ser casi indistinguible de una formación natural. Una alteración del terreno puede haber perdido casi completamente su forma original. El tiempo borra, la vegetación oculta, la erosión deforma. Lo que queda no es el objeto original, sino una huella.
Y la inteligencia artificial aprende a buscar huellas.
Esto me lleva a una idea que considero esencial: la arqueología no busca solamente cosas; busca desviaciones.
Una civilización desaparecida deja señales porque modificó un paisaje que, sin ella, habría tenido otra forma. Una zanja, un montículo, una plataforma o una estructura de tierra son pequeñas interrupciones en la continuidad natural del territorio. El pasado aparece como una perturbación.
Y quizá la inteligencia consiste precisamente en aprender a detectar perturbaciones significativas dentro de sistemas complejos.
Por eso resulta tan interesante utilizar estructuras sintéticas. Los investigadores pueden crear mediante simulación diferentes tamaños, formas, orientaciones, niveles de erosión y condiciones del terreno. Después pueden insertar esas estructuras artificiales dentro de datos LiDAR reales, donde aparecen mezcladas con árboles, pendientes, accidentes geológicos y ruido. El modelo aprende así no solamente a reconocer una forma ideal, sino a reconocerla cuando está deformada por el mundo.
Esto se parece mucho más al aprendizaje humano de lo que podría parecer.
Cuando aprendemos a reconocer un rostro, no aprendemos una fotografía perfecta de esa persona. Aprendemos una distribución de posibilidades. Reconocemos el rostro con diferentes luces, edades, expresiones, ángulos y condiciones. Aprendemos una estructura que puede cambiar sin dejar de ser reconocible.
La inteligencia no consiste en memorizar una forma.
Consiste en reconocer una identidad a través de sus transformaciones.
Y aquí aparece una conexión profunda con la propia naturaleza del conocimiento. La realidad nunca se presenta dos veces exactamente de la misma manera. Si nuestro aprendizaje dependiera únicamente de ejemplos idénticos, fracasaríamos ante cualquier variación. Aprender significa abstraer patrones suficientemente estables como para sobrevivir a las diferencias.
Los datos sintéticos pueden desempeñar precisamente esa función.
No enseñan a la máquina una estructura concreta.
Le enseñan un espacio de posibilidades.
Y quizá ésta sea una de las grandes transformaciones introducidas por la inteligencia artificial: podemos comenzar a entrenar sistemas no solamente con lo que ocurrió, sino también con lo que podría haber ocurrido.
La distinción es enorme.
Los datos reales describen el mundo.
Los datos sintéticos exploran mundos posibles.
Cuando ambos se encuentran, aparece una tercera cosa: una máquina capaz de reconocer en el mundo real patrones que ha aprendido explorando posibilidades artificiales.
Esto me hace pensar que la imaginación, lejos de ser lo contrario de la ciencia, puede convertirse en uno de sus instrumentos.
Durante mucho tiempo hemos separado cuidadosamente realidad y ficción. Lo real era aquello que había sucedido; lo ficticio, aquello que habíamos construido. Pero en determinados procesos científicos la simulación ocupa una posición intermedia extraordinariamente poderosa. No pretende sustituir la realidad. Construye modelos posibles para comprender mejor la realidad.
Una simulación no tiene que haber ocurrido para enseñarnos algo sobre lo que ocurrió.
Y ésta es una idea profundamente filosófica.
La ciencia siempre ha utilizado modelos. El átomo que dibujamos no es el átomo. La órbita idealizada no es un planeta real. La célula simplificada de un libro de texto no es una célula concreta. Los modelos son construcciones que nos permiten detectar estructuras que de otro modo serían demasiado complejas.
La inteligencia artificial lleva esta lógica a otra escala.
Puede producir enormes cantidades de ejemplos sintéticos, explorar variaciones y descubrir qué características permanecen constantes cuando cambia la apariencia superficial.
En cierto sentido, estamos enseñando a las máquinas a imaginar para que puedan ver.
Y aquí la arqueología adquiere una dimensión casi poética.
Imaginemos un bosque de Luisiana. Desde nuestra perspectiva solamente vemos árboles, sombras, vegetación y terreno. Debajo de esa apariencia contemporánea pueden existir estructuras construidas por personas hace cientos o miles de años. El paisaje actual es una superposición temporal.
El bosque pertenece al presente.
Las alteraciones del terreno pertenecen al pasado.
El LiDAR atraviesa parcialmente esa separación.
La inteligencia artificial intenta interpretarla.
De repente, el paisaje deja de ser únicamente paisaje.
Se convierte en un palimpsesto.
Una superficie sobre la que diferentes épocas han escrito unas encima de otras.
Y quizá ésta sea una de las imágenes que mejor representan nuestra relación con el pasado. La historia rara vez desaparece completamente. Se transforma en capas. Una civilización construye sobre otra. La vegetación cubre una estructura. La erosión modifica una forma. El tiempo deposita nuevas señales encima de las antiguas.
Nosotros vivimos sobre esas capas sin percibirlas.
La tecnología empieza a desarrollar una mirada capaz de atravesarlas.
Pero hay algo todavía más interesante en este caso. El objetivo no es simplemente encontrar estructuras conocidas. En las pruebas realizadas, los modelos también pueden señalar candidatos nuevos. Esto significa que el sistema no se limita a confirmar aquello que ya sabemos que existe. Puede ayudarnos a encontrar anomalías que posteriormente tendrán que ser investigadas.
Aquí aparece una transición fundamental.
Pasamos de una arqueología de confirmación a una arqueología de descubrimiento asistido.
El investigador ya no tiene que recorrer necesariamente cada hectárea del territorio buscando pequeñas diferencias visuales. Puede recibir un mapa de probabilidades y decidir dónde merece la pena concentrar la atención.
La máquina reduce el territorio.
El ser humano profundiza en los lugares señalados.
No es una sustitución.
Es una redistribución de la atención.
Y quizá éste sea uno de los efectos más importantes de la inteligencia artificial en la ciencia: no necesariamente hacer innecesario al investigador, sino liberar su tiempo de determinadas tareas para que pueda dedicarlo a las preguntas más difíciles.
La máquina puede decir: «Aquí hay algo».
Pero todavía necesitamos preguntar: «¿Qué es?».
Puede detectar una forma.
No necesariamente puede reconstruir su historia.
Puede encontrar una anomalía.
No puede garantizar por sí misma que esa anomalía tenga significado arqueológico.
Puede reducir millones de posibilidades a unas pocas.
La interpretación sigue siendo una actividad humana y científica.
Esta distinción me parece fundamental porque existe una tentación recurrente de convertir cualquier resultado algorítmico en una verdad. Pero un modelo de aprendizaje automático no descubre directamente el pasado. Produce inferencias a partir de patrones. Y esas inferencias tienen que ser comprobadas.
La verdadera potencia aparece precisamente cuando combinamos las dos capacidades.
La IA amplía la percepción.
La arqueología aporta contexto.
La historia aporta temporalidad.
La antropología aporta interpretación cultural.
La investigación de campo aporta verificación.
La tecnología abre una puerta.
El conocimiento decide qué significa aquello que encontramos detrás.
Y entonces regreso a la paradoja inicial: estamos utilizando estructuras inventadas para encontrar estructuras reales.
Cuanto más pienso en ella, menos me parece una anomalía y más un símbolo de nuestro tiempo.
La inteligencia artificial está empezando a operar en un espacio intermedio entre memoria e imaginación.
Puede utilizar el pasado para construir modelos.
Puede utilizar modelos para descubrir el pasado.
Puede aprender de lo que existe imaginando variaciones de lo que podría existir.
Es casi como si estuviéramos construyendo una nueva relación entre realidad y posibilidad.
Y quizá esto tenga consecuencias mucho más allá de la arqueología.
Si podemos generar ejemplos sintéticos para detectar estructuras arqueológicas raras, podemos imaginar aplicaciones similares en campos donde los datos reales también son escasos. En medicina, en astronomía, en climatología, en ingeniería, en biología o en detección de fenómenos extremadamente poco frecuentes, el problema puede ser parecido: aquello que queremos reconocer ocurre tan raramente que no disponemos de suficientes ejemplos.
La simulación puede entonces convertirse en una forma de multiplicar la experiencia.
La máquina puede vivir millones de situaciones virtuales antes de encontrarse con una situación real.
No porque las experiencias virtuales sean reales, sino porque permiten explorar el espacio de posibilidades.
Esto modifica nuestra idea tradicional de aprendizaje.
Un estudiante aprende observando ejemplos.
Un investigador aprende estudiando casos.
Una máquina puede aprender explorando universos de casos posibles.
Y quizá ahí aparezca una nueva forma de inteligencia: una inteligencia que no depende únicamente de la experiencia acumulada, sino de la capacidad de generar escenarios y aprender de sus variaciones.
Hay algo casi darwiniano en este proceso. Generamos múltiples formas posibles, las sometemos a una tarea de reconocimiento y descubrimos cuáles contienen características útiles. Variamos, comparamos, descartamos y refinamos. El aprendizaje se convierte en un proceso de exploración de un espacio de posibilidades.
No aprendemos únicamente del mundo.
Aprendemos también de nuestras hipótesis sobre el mundo.
La diferencia es crucial.
Porque una hipótesis puede ser falsa y, sin embargo, resultar útil si nos permite diseñar una prueba que revele algo verdadero.
Una estructura arqueológica sintética nunca estuvo allí.
Pero puede enseñarle a una máquina qué buscar cuando encuentre una estructura que sí estuvo allí.
La falsedad de la simulación no invalida necesariamente su utilidad epistemológica.
Lo importante es que sepamos dónde termina el modelo y dónde comienza la evidencia.
Y aquí encuentro una lección que considero especialmente importante para la era de la inteligencia artificial: imaginar no significa inventar la verdad; significa ampliar el espacio desde el que podemos buscarla.
La IA sintética puede crear miles de paisajes que nunca existieron.
Pero su finalidad no es hacernos creer que existieron.
Es preparar nuestra percepción para reconocer aquello que podría existir dentro de los datos reales.
La imaginación se convierte así en una herramienta de detección.
Y esto me lleva nuevamente al bosque.
Quizá dentro de unos años caminemos por un territorio arqueológico y sepamos que debajo de nuestros pies existen estructuras que nuestros antepasados no podían ver. No porque fueran invisibles en sentido absoluto, sino porque sus señales eran demasiado débiles para nuestros sentidos y demasiado numerosas para nuestra atención.
La máquina habrá aprendido a reconocerlas.
Nosotros habremos aprendido a preguntar dónde mirar.
Y entonces el paisaje cambiará.
No físicamente.
Cambiará nuestra percepción de él.
El mismo bosque que ayer parecía vacío aparecerá lleno de historia.
El terreno que parecía natural revelará geometrías humanas.
La superficie aparentemente silenciosa comenzará a hablar.
Quizá eso sea lo que realmente significa ampliar la conciencia mediante la tecnología: no añadir simplemente más información a nuestra mente, sino descubrir que el mundo siempre contenía más de lo que nuestros sentidos podían revelar.
La inteligencia artificial puede convertirse en una nueva capa de percepción colectiva.
Una especie de ojo estadístico.
Una mirada capaz de reconocer patrones demasiado débiles, extensos o complejos para la observación humana directa.
Pero ese ojo necesita algo que ningún algoritmo puede proporcionar por sí solo: una pregunta.
Alguien tiene que decidir qué merece ser buscado.
Alguien tiene que imaginar que debajo de aquel bosque puede existir una historia.
Alguien tiene que construir una hipótesis.
Alguien tiene que mirar el resultado y preguntarse qué significa.
La máquina puede explorar.
El ser humano todavía tiene que otorgar dirección.
Y quizá en esa relación se encuentre una de las formas más interesantes de inteligencia futura: no una inteligencia artificial separada de nosotros, sino una inteligencia distribuida entre percepción humana, simulación computacional, datos, sensores, memoria histórica e interpretación.
Una inteligencia que aprende del mundo imaginando mundos posibles.
Una inteligencia que utiliza lo artificial para descubrir lo real.
Una inteligencia que convierte la simulación en instrumento de revelación.
Cuando pienso en esta metodología, termino regresando a una idea sencilla.
Durante siglos, para encontrar el pasado tuvimos que excavar.
Después aprendimos a fotografiarlo, cartografiarlo y escanearlo.
Ahora empezamos a enseñar a las máquinas a imaginar cómo podría haber sido para ayudarnos a descubrir dónde sigue estando.
El arqueólogo ya no mira solamente lo que queda.
Puede mirar también las formas posibles que podría haber dejado aquello que desapareció.
Y quizá éste sea uno de los grandes saltos epistemológicos de nuestra época.
La inteligencia artificial no solo aprende de las huellas del pasado.
Puede aprender a reconocer una huella antes de que nosotros sepamos verla.
El bosque permanece.
La tierra permanece.
Las estructuras permanecen, aunque deformadas.
Lo que cambia es la mirada.
Y tal vez la verdadera revolución no consista en que las máquinas estén empezando a descubrir ruinas.
Consista en que están empezando a enseñarnos algo mucho más profundo:
que para encontrar lo que existe, a veces primero necesitamos aprender a imaginar lo que podría existir.
No hay comentarios:
Publicar un comentario