Armando Bonilla

Ciudad de México.- Carlos Gershenson, investigador de tiempo completo del Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas (IIMAS) de la Universidad Nacional Autónoma de México (UNAM), explicó que la vida artificial estudia a los seres vivos, lo cual permite entender mejor la biología, sus orígenes y su evolución; a su vez, construir sistemas artificiales con las propiedades deseables de los organismos vivos.

En entrevista exclusiva con la Agencia Informativa Conacyt, detalló que el estudio de los seres vivos desde la óptica de la vida artificial se enfoca en cómo podrían ser y no cómo son en realidad y, a partir de esa visión, desarrolla sistemas artificiales que respondan esa gran pregunta: cómo podrían ser los seres vivos.

Agencia Informativa Conacyt (AIC): ¿Qué es y por qué es relevante el estudio de la inteligencia artificial?

Carlos Gershenson (CG): En general, la vida artificial estudia no tanto a los seres vivos como son sino cómo podrían ser. Esto nos permite, por un lado, entender mejor la biología, sus orígenes y su evolución. Por otra parte, al entender mejor los sistemas vivos podemos construir sistemas (sociedades) artificiales con las propiedades deseables de los sistemas vivos.

AIC: ¿Qué son las sociedades artificiales?

CG: De manera similar a la vida artificial (y a la inteligencia artificial que le precedió), estudiar modelos de sociedades nos permite comprenderlas mejor y, al mismo tiempo, diseñarlas para que tengan propiedades deseables.

Es necesario tomar en cuenta que resulta muy complicado hacer experimentos controlados a nivel social, en contra parte, simulaciones por computadora nos permiten explorar el espacio de posibilidades de las sociedades al variar distintos parámetros de nuestros modelos. Claramente son abstracciones, pero precisamente es necesario abstraer para poder hacer esta exploración de posibilidades.

AIC: ¿Cuáles son los avances más significativos que ha logrado en torno a sociedades artificiales?

CG: Trabajé con sociedades artificiales principalmente hace quince años, durante mi tesis de licenciatura. Lo que estudiamos fue la imitación e inducción de comportamientos, lo cual se ha desarrollado bastante en estos años, para entender por ejemplo formación de opiniones.

AIC: ¿Actualmente tiene algún proyecto activo en materia de sociedades artificiales?

CG: Sí claro, varios, pero tal vez los más relevantes son las tesis de tres estudiantes doctorales del posgrado en ciencia e ingeniería de la computación de la UNAM.

AIC: ¿En qué consisten?

CG: Con mi alumno Luis Enrique Cortés Berrueco trabajo en un proyecto en el cual estudiamos el comportamiento de conductores, asociándolos con teoría de juegos. El objetivo es medir el efecto de distintos modos de manejo en el tráfico vehicular.

Entretanto, con Gustavo Carreón estamos construyendo una simulación multiescala del metro de la Ciudad de México. Por un lado, estamos explorando la regulación de los trenes con autoorganización, es decir, cada tren toma decisiones locales para adaptarse a la demanda inmediata de cada estación.

Por otra parte, dentro de este mismo proyecto también probamos cambios a la infraestructura del metro para mejorar el ascenso y descenso de pasajeros (a partir de un modelo clásico de multitudes).

En el último caso, con Jorge Zapotécatl estamos explorando la coordinación autoorganizante de semáforos y vehículos autónomos en tráfico urbano, es decir, una solución que les permita contar con un nivel de movilidad mucho más efectivo.

AIC: ¿Estos proyectos incluyen innovación tecnológica, cómo funcionan?

CG: Sí, se trata de innovación tecnológica con alto impacto social. En los tres proyectos usamos autoorganización.

Para entender la autoorganización es necesario recordar las parvadas de aves, en las cuales no hay un líder y los individuos se coordinan por medio de interacciones locales y alcanzan un comportamiento colectivo al mismo tiempo robusto y flexible.

En estos problemas que tienen que ver con movilidad urbana, la autoorganización es deseable porque los problemas cambian constantemente. Por ejemplo, el número preciso de pasajeros en un tren o en una estación cambia constantemente.

En consecuencia, por estos cambios tan rápidos no es adecuado intentar predecir el mejor funcionamiento de los sistemas. Adaptación constante trae mejores resultados y la autoorganización la facilita.

AIC: ¿Este tipo de conocimiento cuenta con otras aplicaciones potenciales?

CG: Para entenderlo, basta tomar como punto de partida la interrogante de qué problemas cambian constantemente. La respuesta es casi todos; en consecuencia, las aplicaciones potenciales son muchas y muy diversas.

No estoy diciendo que sea necesario estudiar todo desde este enfoque, quiero decir que en todas las áreas hay ejemplos de fenómenos que se describen de una forma más adecuada como sistemas complejos.

AIC: ¿En qué escenario se encuentra México en la generación de este tipo de conocimiento?

CG: Todos estos proyectos caben dentro de las llamadas ciencias de la complejidad. Podríamos decir que hemos crecido bastante en años recientes, con el Laboratorio Nacional de Ciencias de la Complejidad, el Centro de Ciencias de la Complejidad en la UNAM y la organización en 2017 de la Conferencia de Sistemas Complejos (internacional).