Académico Ge Wenan: La mayor limitación de la IA en China es la "mentalidad de seguir y copiar", lo que nos impide convertirnos en líderes.

(Fuente: Turing Artificial Intelligence)

Reproducido del Congreso Mundial de Inteligencia Artificial, solo para compartir académicamente. Si hay infracciones, eliminaré los comentarios.

E WeiNan

• Académico de la Academia de Ciencias de China

• Director del Comité Académico del Instituto de Innovación en Algoritmos de Shanghái

• Director del Centro de Investigación en Aprendizaje Automático Internacional de la Universidad de Pekín

Él introdujo métodos de inteligencia artificial en el campo de la computación científica, promoviendo la formación del paradigma de investigación “IA para la Ciencia”. Ha recibido el Premio Collatz de la Unión Internacional de Matemáticas Industriales y Aplicadas (ICIAM) (2003), el Premio Gordon-Bell de ACM (2020), el Premio Maxwell de la ICIAM (2023), y en 2025, el Primer Premio Lin Jiaqiao en la Primera Conferencia Mundial de Matemáticos Chinos (ICCM).

A continuación, algunos extractos de las opiniones exclusivas de E WeiNan:

China tiene ventaja de partida, pero puede ser arrastrada por el pensamiento de “seguir la corriente”

“Si seguimos sumidos en este pensamiento, será difícil convertirnos en líderes.”

/ 01

Ventaja inicial de AI4S

Falta apoyo a jóvenes investigadores

El mercado de capitales fomenta la competencia desleal

Cuidado con el pensamiento de “seguir la corriente”

Si la comunidad matemática no cambia, será marginada

“Claramente, la inteligencia artificial plantea requisitos completamente nuevos para las matemáticas.”

/ 02

Estado actual de las matemáticas

La comunidad matemática aún sigue el ritmo de la era de Newton

Falta de revisores innovadores

El mayor problema de la IA es la falta de base teórica

“Esto no solo perjudica el desarrollo a largo plazo de la IA, sino que también genera altas barreras y un gran desperdicio de recursos.”

/ 03

El contenido matemático del aprendizaje profundo: estamos manejando problemas de “mil dimensiones, diez mil dimensiones”

“Es, en esencia, una forma de abordar problemas de alta dimensión.”

/ 04

Muchos problemas por resolver

“Todavía no entendemos bien cómo superar la maldición de la dimensionalidad en los métodos de entrenamiento, especialmente en entrenamientos a gran escala. ¿Realmente pueden las estructuras como el espacio de estados y las recientes tendencias como Mamba resolver los problemas de dependencia a largo plazo? Actualmente, aún no hay respuestas claras.”

El éxito de AlphaFold, ¿por qué es difícil de replicar?

“Es el resultado de un momento, condiciones y personas adecuados.”

/ 05

Las personas que hacen IA a menudo no entienden los problemas científicos

“Existe una tendencia peligrosa en la que muchos investigadores en IA carecen de respeto por la ciencia.”

/ 06

Romper con la “únicamente publicar”: un dato de alta calidad es la contribución científica más importante

“Las nuevas ideas, los datos generados y las herramientas desarrolladas deben considerarse logros científicos.”

/ 07

Mecanismo de evaluación multidimensional

Al hablar de apertura de datos, E WeiNan opina que el problema de los mecanismos de evaluación es más destacado que la cultura científica misma. “Nuestro sistema actual de evaluación científica se centra casi exclusivamente en las publicaciones. Muchos científicos no quieren divulgar completamente sus datos, en gran parte porque, mientras tengan los datos en sus manos, pueden seguir produciendo más artículos.” Es necesario romper con esta situación. “Un dato de alta calidad en sí mismo es una de las contribuciones científicas más importantes. En el futuro, debemos establecer un sistema de evaluación multidimensional, no solo basado en publicaciones.”

La investigación en “talleres pequeños” está obsoleta

En cuanto a la cultura científica, opina que aún no hemos creado un ambiente verdaderamente abierto y compartido. “No solo en las publicaciones, sino también en ideas de investigación, datos y herramientas, todo debe ser abierto para facilitar una comunicación eficiente y rápida.” Compara el pasado y el futuro: “En esencia, nuestra investigación pasada era un modelo de ‘taller pequeño’, donde un profesor guiaba a unos pocos estudiantes. Pero eso ha cambiado; la ciencia está entrando en una ‘vía rápida’, y nuestra cultura de intercambio también debe adaptarse. Las nuevas ideas, los datos generados y las herramientas desarrolladas deben considerarse logros científicos y ser integrados en el intercambio académico.”

A los jóvenes: conviértanse en aprendices de por vida, desarrollen tres habilidades clave

“Decirme que mi artículo fue citado 50 veces no es suficiente.”

/ 08

Con estas tres habilidades, no te preocupes por ser reemplazado por la IA

La respuesta de E WeiNan es muy clara: “Cada persona debe convertirse en un aprendiz de por vida, aprender continuamente nuevas cosas, ampliar su pensamiento y mejorar sus habilidades.” Él define a los futuros “líderes” con tres habilidades centrales: primero, pensamiento basado en principios — la capacidad de entender la lógica subyacente de las cosas; segundo, capacidad para identificar problemas reales — reconocer los desafíos clave en el desarrollo social y tecnológico, que es precisamente lo que más falta en nuestra educación actual; tercero, habilidades de ingeniería — la capacidad de evaluar la distancia entre una idea y su implementación práctica, y promover su realización.

Los jóvenes docentes no deben conformarse solo con publicar un artículo en una conferencia

“Espero que puedan tener un impacto sustancial en el desarrollo de la inteligencia artificial.” Pone como ejemplo a su propio equipo: “Nuestro trabajo en algoritmos básicos, plataformas de código abierto, la estación espacial Bohr, etc., ha tenido un impacto tangible. Incluso algunos dicen que el ‘Plan Génesis’ de EE. UU. es como ‘tocar la cuerda’ en nuestro proceso de avance.” Deja una reflexión: “Debemos preguntarnos: ¿qué impacto ha tenido realmente tu trabajo? Sin importar si es grande o pequeño, ¿ha impulsado realmente el progreso? Decirme que mi artículo fue citado 50 veces no es suficiente.”