Cómo será la investigación astronómica en el futuro universo de la IA

La investigación astronómica del futuro será más rápida, automatizada, interdisciplinaria y profunda que la actual. Este cambio estará impulsado por tres fuerzas principales: nuevos observatorios, inteligencia artificial y colaboración global. La astronomía avanzará hacia una ciencia hiper instrumentada y guiada por IA, en la que los telescopios operarán con mínima intervención humana, los datos circularán en tiempo real y los descubrimientos surgirán tanto de observaciones tradicionales como de señales nuevas: ondas gravitacionales, neutrinos y anomalías detectadas por algoritmos.

En este documento he tratado de combinar una visión científica prospectiva con escenarios algo especulativos sobre el futuro de la astronomía y  la inteligencia artificial. Algunas proyecciones se apoyan en tendencias actuales, mientras que otras funcionan como hipótesis de futuro para imaginar posibilidades todavía no confirmadas.

Algunas precisiones sobre la IA

Es necesario hacer algunas aclaraciones respecto a la nomenclatura informática que rodea a la IA porque la cultura disciplinar argentina confunde cualquier automatización con "IA".  La inteligencia artificial es la disciplina que dentro de la informática desarrolla sistemas capaces de realizar tareas que, cuando son realizadas por seres humanos, requieren ciertas capacidades:  inteligencia, percibir información, aprender, razonar, tomar decisiones, resolver problemas, comprender lenguaje y generar contenido.

Desde un punto de vista más técnico, un sistema de IA puede considerarse un sistema computacional que recibe información de su entorno, la procesa mediante algoritmos y modelos, y produce predicciones, decisiones, recomendaciones o acciones orientadas a alcanzar determinados objetivos.

Hoy la IA no necesariamente "piensa" como un ser humano. Por ejemplo, los sistemas actuales de IA pueden aprender relaciones estadísticas a partir de enormes cantidades de datos y utilizarlas para producir resultados muy sofisticados, sin poseer necesariamente conciencia, emociones o comprensión humana.

Por eso conviene distinguir la IA específica diseñada para determinadas tareas, como reconocer imágenes, traducir idiomas o jugar al ajedrez y la IA generativa capaz de producir texto, imágenes, audio, vídeo o código a partir de patrones aprendidos.

Así podemos distinguir los Modelos Grandes de Lenguaje (LLM), que es un sistema de inteligencia artificial entrenado con enormes cantidades de texto para comprender y generar lenguaje natural. Entonces, LLM puede realizar tareas como: responder preguntas, escribir textos, correos o informes, traducir idiomas, resumir documentos, generar y explicar código de programación y mantener conversaciones de forma natural.

LLM aprende patrones del lenguaje durante su entrenamiento. Cuando uno escribe una pregunta, el modelo predice cuál es la siguiente palabra más probable una y otra vez, generando una respuesta coherente. Ejemplos pueden ser OpenAI GPT (como ChatGPT). Google Gemini. Meta Llama. Anthropic Claude.

 La diferencia con un programa tradicional es que ese sigue reglas escritas por un programador: por ejemplo, si (IF) A ocurre → haz B. En cambio, LLM no sigue reglas fijas para cada caso. En su lugar, utiliza lo aprendido durante el entrenamiento para generar una respuesta adecuada al contexto.

Dentro de la inteligencia artificial, podemos distinguir los conceptos de ML y DL especializados que son conceptos relacionados: ML = Machine Learning (aprendizaje automático) es una rama de la IA en la que una computadora aprende patrones a partir de datos, en lugar de que el programador tenga que establecer todas las reglas. Por ejemplo, un sistema de ML puede analizar miles de radiografías y aprender a distinguir entre imágenes normales y aquellas que presentan determinadas anomalías. ML especializado significa que el modelo está diseñado para una tarea concreta. Por ejemplo, detectar fraude bancario, predecir el precio de una vivienda, clasificar correos como spam, o predecir la demanda de electricidad.

DL = Deep Learning (aprendizaje profundo) es un subconjunto del ML que utiliza redes neuronales artificiales con muchas capas. Es especialmente potente para trabajar con Imágenes, voz, video y texto y también con grandes cantidades de datos.

Un ejemplo de DL especializado sería una red neuronal entrenada específicamente para detectar tumores en imágenes médicas, o una diseñada para reconocer determinadas especies de estrellas a partir de sus espectros.

Los LLM son un tipo particular de modelo de Deep Learning, especializado en lenguaje.

La diferencia importante es que un LLM es de propósito relativamente general para el lenguaje, mientras que un ML/DL especializado suele estar optimizado para una tarea específica. En el resto del texto me referiré generalmente a IA cuando estrictamente correspondería referirse a DL o ML según el caso. Volvamos entonces a la Astronomía y como será modificada por la tecnología descripta.

 Observatorios del futuro: más grandes, más sensibles, más coordinados

Los actuales y próximos telescopios —espaciales y terrestres— ampliarán el volumen del universo observable y ya permiten estudiar épocas cercanas al Big Bang. El James Webb Space Telescope fue lanzado el 25 de diciembre de 2021, el Euclid de la ESA el 1 de julio de 2023 y tiene la misión de estudiar la materia y la energía oscuras mientras que el telescopio espacial Nancy Roman tiene previsto su lanzamiento antes de mayo de 2027 y tendrá un campo de visión enorme, cien veces mayor que el Hubble,  lo que le permitirá realizar censos de diferentes objetos en forma muy eficiente. Estos instrumentos ya están redefiniendo la cosmología, detectando galaxias con z > 11, es decir, del universo primitivo o sea, con apenas 200 millones de años.

La astronomía será multi mensajero: fotones, ondas gravitacionales (LIGO, Virgo, KAGRA), neutrinos y señales de radio se combinarán en campañas coordinadas.

Lo que cambiará fuertemente es que los eventos hoy raros, como colisiones de agujeros negros, supernovas y estallidos de rayos gamma, dejarán de ser hallazgos aislados y pasarán a monitorearse de manera rutinaria mediante redes coordinadas de observatorios.

 Inteligencia Artificial: el nuevo “telescopio digital”

La IA será tan importante como los instrumentos físicos. El telescopio Vera C. Rubin ubicado n el norte chico chileno, generará 20 TB de datos por noche, obligando a usar IA para clasificar galaxias, detectar exoplanetas y encontrar transitorios en tiempo real.

Algoritmos de DL ya identifican morfologías galácticas, candidatos a exoplanetas y señales de ondas gravitacionales con latencia mínima. En teoría, la IA acelerará simulaciones cosmológicas por órdenes de magnitud, permitiendo explorar modelos del universo que hoy son computacionalmente imposibles. La detección de anomalías sin categoría previa será una nueva vía de descubrimiento. La IA no solo procesará datos; también ayudará a descubrir fenómenos que los investigadores humanos no sabemos buscar.

 Colaboración global e interdisciplinaria

La astronomía futura será un esfuerzo planetario. Grandes proyectos como SKA(radioastronómico), JWST, Europa Clipper y misiones a Marte dependen de consorcios internacionales.

La investigación se mezclará con biología (astrobiología), geología planetaria, física de partículas y ciencias computacionales.

La ética y la accesibilidad serán temas centrales: quién accede a los datos, cómo se comparten y cómo se evita la exclusión de países con menos recursos pero con investigadores de buen nivel.

La astronomía será más democrática, pero también más compleja. El desafío no será solo observar más, sino gestionar datos masivos, compartir infraestructura y coordinar equipos internacionales de manera eficiente. El estudio de ciencias de datos en las universidades será crucial.

Durante décadas, hacer astronomía significaba viajar a un observatorio, esperar noches despejadas y operar un telescopio con las propias manos. Ese modelo ya no existe más  Y sin embargo, buena parte de nuestra infraestructura institucional, y de nuestros planes de estudio, actúa como si nada hubiera cambiado. El principal telescopio de la Argentina ubicado en CASLEO con una infraestructura enorme: dormitorios para 25 de personas y comedor para 50 ya no se usa como ocurre también en otros observatorios del mundo porque la observación presencial ya no existe más.

Tenemos en el país tres facultades de Astronomía (La Plata, Córdoba y San Juan) y mi impresión es que no existe una integración seria de ML/DL/IA  en los currículos. Hay algunas excepciones como un grupo argentino que colabora con el programa del observatorio Vera Rubin pero son casos excepcionales que se apartan de la generalidad. Si no adecuamos programas de estudio a la nueva realidad quedaremos al margen de la investigación de punta.

Tres escenarios posibles para el futuro de la astronomía

Escenario optimista

Detectamos vida microbiana en exoplanetas o en lunas como Europa. Se reconstruye la historia completa de la formación de galaxias. La IA descubre fenómenos físicos desconocidos. Observatorios completamente autónomos. Descubrimiento rutinario de fenómenos desconocidos. Simulaciones cosmológicas casi instantáneas. La IA ayuda a identificar biofirmas en exoplanetas.

Escenario realista

Se perfecciona la cosmología de precisión. Se catalogan millones de exoplanetas y miles de eventos de ondas gravitacionales. La IA automatiza el 80% del análisis de datos. IA integrada en todos los grandes observatorios. Clasificación automática de la mayoría de los eventos. Cosmología de precisión mejorada gracias a modelos híbridos físico‑IA.

Escenario disruptivo

Se detecta una señal artificial (SETI). Se descubre nueva física en el sector oscuro (materia/energía oscura). Telescopios orbitales gigantes como la pantalla estelar denominada “Starshade” que permitirá bloquear la luz de una estrella y poder observar los planetas que orbitan a su alrededor o interferómetros espaciales que permitirán obtener imágenes directas de continentes en exoplanetas.

La astronomía con IA será uno de los pilares centrales de la investigación del universo en las próximas décadas. La inteligencia artificial no será solo una herramienta auxiliar, sino que se convertirá en un nuevo tipo de telescopio, capaz de descubrir patrones invisibles para los humanos, acelerar simulaciones y operar observatorios enteros de manera autónoma. La IA transformará la astronomía en tres frentes: observación, procesamiento de datos y teoría..

Observatorios autónomos y “telescopios digitales”

La IA ya está integrándose en observatorios como el Vera C. Rubin Observatory, que como hemos dicho generará unos 20 TB de datos por noche y esto obliga a que la detección de eventos transitorios (supernovas, estallidos de rayos gamma) sea automática y en tiempo real. La automatización del descubrimiento y clasificación de transitorios es una prioridad en la era Rubin. La IA también se usa en óptica adaptativa, ajustando espejos en tiempo real para mejorar la calidad de imagen. El impacto será tremendo. Los telescopios funcionarán como sistemas autónomos que deciden qué observar, cuándo y cómo, sin intervención humana directa y los terrestres compensarán a partir de la óptica activa automática los efectos nocivos de La atmósfera terrestre.

Procesamiento masivo de datos: la IA como infraestructura científica

La astronomía moderna enfrenta un “diluvio de datos” que supera la capacidad humana de análisis manual. La IA se vuelve indispensable para clasificar galaxias, exoplanetas y eventos transitorios; detectar ondas gravitacionales con latencia mínima; calcular corrimientos al rojo fotométricos; analizar lentes gravitacionales débiles; e integrar datos heterogéneos, como imágenes, catálogos y alertas.

En el Rubin, la IA ya está incrustada en todos los flujos de trabajo científicos, desde la cosmología de energía oscura hasta la clasificación de transitorios. En definitiva, la IA permitirá que los astrónomos se concentren en interpretar resultados, no en procesar datos.

 Teoría y simulaciones: aceleración extrema

También la IA está revolucionando la astrofísica teórica. Emuladores basados en DL aceleran simulaciones cosmológicas por órdenes de magnitud, permitiendo explorar modelos que antes eran computacionalmente imposibles. Redes neuronales gráficas ayudan a estudiar la materia oscura y estructuras a gran escala. La IA permite generar “universos sintéticos” para comparar con observaciones reales. El impacto es enorme. La teoría avanza más rápido que nunca, con simulaciones que antes requerían semanas y ahora se ejecutan en minutos.

 Descubrimiento de lo desconocido: anomalías

Una de las fronteras más emocionantes será la detección de anomalías. Algoritmos no supervisados pueden encontrar señales que no encajan en ninguna categoría conocida.

Esto abre la puerta a descubrir fenómenos nuevos: tipos de supernovas, estructuras galácticas raras, o incluso señales tecnológicas (SETI). La literatura reciente destaca esta capacidad como una de las áreas más disruptivas de la IA en astronomía. Entendiendo disruptiva como algo que rompe el molde de lo establecido o introduce una innovación que puede producir una transformación. En un artículo futuro especularé en este punto respecto a la detección de vida en otros planetas.

Desafíos: interpretabilidad y confianza

La IA también trae problemas. Por ejemplo, la interpretabilidad ya que muchos modelos son “cajas negras”. La robustez es necesario controlarla porque los modelos pueden fallar si cambian las condiciones de observación. La validación requiere marcos rigurosos para integrar IA en pipelines científicos. La IA debe ser al menos tan confiable como los métodos tradicionales para que la comunidad la adopte plenamente y rápido.