La innovación se está haciendo cada vez más difÃcil. No es solo que las empresas gasten cada vez más en investigación, sino que los investigadores son cada vez menos productivos. Esas son las conclusiones de un estudio americano publicado en 2020 que se aplica tanto al campo IT como a la agricultura o la medicina. Pero los LLM (Large Language Models) ofrecen nuevas esperanzas que prometen revolucionar las investigaciones. La productividad de los investigadores que recurran a estos LLM podrÃa aumentar enormemente.
La ley de Moore, el ejemplo perfecto del descenso en la productividad
La ley de Moore asume que la densidad de transistores se dobla cada 2 años. Esto se corresponde con un aumento anual constante del 35% en la densidad. Entre 1970 y 2020, la ley de Moore se ha respetado a la perfección (ver gráfico más abajo). Sin duda se ha convertido en un objetivo para los fabricantes, que han hecho esfuerzos sin precedentes en términos de investigación para lograrlo (lo que en sà mismo es una aplicación virtuosa de la ley de Goodhart).
Los 4 autores del artÃculo muestran que el número de investigadores necesarios para duplicar el número de transistores es 18 veces más alto que en 1970. Para cumplir los requisitos, la ley de Moore indica que debe haber un aumento constante anual del 35% en la densidad de transistores. Entre 1970 y 2015 los autores analizaron los gastos del personal de investigación de todas las empresas involucradas en el desarrollo de chips; los resultados se muestran claramente en el siguiente gráfico, extraÃdo del artÃculo.
Tal y como escriben los autores de la investigación:
«El esfuerzo de investigación ha aumentado por un factor de 18 desde 1971. Este aumento se produce de la mano de una tasa de crecimiento en la densidad de los chips más o menos estable: el crecimiento exponencial constante implicado por la ley de Moore se ha logrado solo gracias a un enorme aumento en la cantidad de recursos dedicados a seguir avanzando».
Esta multiplicación por 18 en los investigadores se corresponde en última instancia con una caÃda media anual de la productividad del 6,8%.
¿Por qué se produce? Lograr los objetivos de la ley de Moore significa expandir cada vez más los lÃmites técnicos y fÃsicos (fineza del grabado, dispersión del calor). Bajo esta «caÃda de la productividad» yace un reto tecnológico exponencial a medida que pasan los años. Podemos darle las gracias a Gordon Moore, cuya predicción de 1965 sin duda se ha convertido en un objetivo industrial subconsciente que ha ayudado a hacer avanzar la ciencia computacional.
La investigación en agricultura no está a la altura de los retos productivos
Por supuesto, los retos frente a la investigación no se limitan a los ordenadores. La agricultura es otro campo en el que la investigación es fundamental para hacer frente a los desafÃos a los que se enfrenta el planeta. Tomando toda clase de cultivos, los autores muestran que la capacidad de llevar a cabo aumentos de rendimiento (lÃnea azul) está disminuyendo, mientras que al mismo tiempo el esfuerzo de investigación aumenta (lÃneas verdes).
Debemos admitir que este gráfico tiene una lectura menos sencilla que el relacionado con la ley de Moore, pero las conclusiones son las mismas. Por decirlo con sencillez, cada vez hacen falta más investigadores para llevar a cabo menos investigaciones que antes. Entre 1970 y 2007, el descenso en la productividad de la investigación en agricultura tuvo una media del 3,7% anual.
Los autores han analizado los esfuerzos de investigación en más detalle según el tipo de cultivo: maÃz, trigo, soja, y algodón. Y, por supuesto, los resultados también son consistentes a este nivel (ver imagen a continuación). En el caso del maÃz y la soja, el número de investigadores se multiplicó por 24 entre 1970 y 2010.
La medicina les da cada vez menos esperanza a los pacientes
Si existe un campo en que los esfuerzos de investigación son visibles frente al público general, ese es el campo del a investigación médica. Encontrar curas para enfermedades que evitan que lleguemos a la vejez es una prioridad.
- El número de años de vida «salvados» para los distintos tipos de enfermedad (cánceres, cáncer de pecho, afecciones cardÃacas)
- El número de publicaciones cientÃficas sobre estas distintas enfermedades como indicador del esfuerzo investigador
Ambos datos muestran que el esfuerzo de investigación aumenta linealmente, mientras que los resultados de las investigaciones disminuyen. Sea cual sea la enfermedad estudiada, los resultados son los mismos.
Conclusiones
Cada vez cuesta más trabajo mantener el ritmo de innovación. Da igual cómo midas los resultados (número de transistores, cantidad de cultivos, años de vida salvados), siempre hay más investigadores trabajando.
El «rendimiento» de la investigación disminuye constantemente porque, simplemente, cada vez es más complicado conseguir «hallazgos». Estamos forzando los lÃmites de la materia, los lÃmites de la vida, intentando mejorar todo aquello que puede mejorarse, pero forzar estos lÃmites cada vez se hace más difÃcil. Esto explica por qué los investigadores individuales son cada vez menos eficientes, asà que cada vez se hacen más estudios para mantener el ritmo (ley de Moore), y en ocasiones ni siquiera eso es suficiente (agricultura, medicina).
Ahà es donde los LLM (Large Language Models) aportan esperanza. Esta tecnologÃa disruptiva puede permitir que estos mismos investigadores logren aumentar su productividad. Las pruebas iniciales han sido prometedoras. Un hackatón ha identificado varios aumentos de productividad en la búsqueda de nuevos materiales. Los LLM también pueden simplificar el descubrimiento de nuevas medicinas. En resumen, yendo más allá de las implicaciones anecdóticas como puede ser la creación de contenidos, los LLM abren todo un campo de posibilidades que tienen muchos números de ofrecer un empujón a la productividad de los investigadores de todos los campos.
Posted in innovación, Investigación.
