El MIT Technology Review, la revista tecnológica publicada por el Instituto de Tecnología de Massachusetts, publica cada año una selección de las tecnologías más disruptivas del año. En este artículo, hemos seleccionado 5 de ellas en base a su capacidad transformadora, os las presentamos a continuación:

1. Impresión 3D de metal

Aunque la impresión 3D lleva tiempo en el mercado, ha sido generalmente usada por aficionados y diseñadores que básicamente la utilizan para la producción de prototipos. Además, la impresión de objetos formados por algo que no sea plástico, y en particular, metal, ha sido muy costosa, complicada y lenta.

Sin embargo, la impresión 3D de metal se está volviendo cada vez más barata y sencilla, siendo potencialmente una forma muy práctica para la fabricación de piezas, hasta el punto que, si se adopta ampliamente, podría cambiar la forma en que producimos en serie muchos productos.

Los beneficios de este tipo de tecnología serían muchos, aunque los que mostramos a continuación serían los más destacables:

A corto plazo, los fabricantes y consumidores no necesitarían mantener grandes inventarios; simplemente podrían imprimir un objeto cualquiera, como una pieza de repuesto para un automóvil antiguo, siempre que alguien lo necesite, evitando así costes y tiempo en fabricación y transporte.

En el largo plazo, las grandes factorías que producen en serie un rango limitado de piezas podrían ser reemplazadas por otras más pequeñas y variadas, adaptándose a las necesidades cambiantes de los clientes.

Gracias a la tecnología de impresión 3D de metal, podremos crear piezas más ligeras, más fuertes y con formas más complejas, inviables con los métodos de fabricación de metales convencionales. A su vez, puede proporcionar un control más preciso de la microestructura de los metales. En 2017, investigadores del Laboratorio Nacional Lawrence Livermore anunciaron que habían desarrollado un método de impresión 3D para crear piezas de acero inoxidable el doble de resistentes que las fabricadas tradicionalmente.

2. Embriones artificiales

Este es uno de los avances que redefinirá la creación de la vida. Los embriólogos que trabajan en la Universidad de Cambridge han desarrollado embriones de ratón de apariencia realista que utilizan sólo células madre. Sin óvulo y sin esperma, sólo con células extraídas de otro embrión.

Magdelena Zernicka-Goetz, dice que sus embriones «sintéticos» probablemente no podrían haberse convertido en ratones. No obstante, son una pista de que pronto podremos tener mamíferos nacidos sin un óvulo en absoluto.

Ese no es el objetivo de Zernicka-Goetz. Ella quiere estudiar cómo las células de un embrión temprano comienzan a asumir sus funciones especializadas. El siguiente paso, dice, es crear un embrión artificial a partir de células madre humanas, trabajo que se está llevando a cabo en la Universidad de Michigan y la Universidad Rockefeller.

Los embriones humanos sintéticos serían una bendición para los científicos, permitiéndoles desentrañar los misterios que hoy en día se conservan sobre el desarrollo inicial de los embriones humanos. Y dado que dichos embriones comienzan con células madre fácilmente manipulables, los laboratorios podrán emplear una gama completa de herramientas, como la edición de genes, para investigarlas a medida que crecen y se desarrollan.

Los embriones artificiales, sin embargo, plantean cuestiones éticas. ¿Qué pasa si resultan ser indistinguibles de los embriones reales? ¿Cuánto tiempo pueden crecer en el laboratorio antes de que sientan dolor? Necesitamos abordar esas preguntas antes de que la ciencia avance mucho más allá, dicen los bioéticos.

3. Ciudades inteligentes

Han sido muchos los proyectos relacionados con ciudades inteligentes que han experimentado muy malos resultados o continuos retrasos en los lanzamientos, ya sea por marcarse objetivos demasiado ambiciosos o por haber sido enfocados solo a clases altas en lugar de a la mayoría de la ciudadanía. Un nuevo proyecto en Toronto, llamado Quayside, está cambiando ese patrón de fracasos al repensar un vecindario urbano desde cero y reconstruirlo en torno a las últimas tecnologías digitales.

Uno de los objetivos del proyecto es basar las decisiones sobre diseño, políticas y tecnología en la información recopilada por una amplia red de sensores, desde la calidad del aire hasta los niveles de ruido y las actividades de las personas.

El plan exige que todos los vehículos sean autónomos y compartidos. Los robots rondarán por la ciudad haciendo tareas domésticas, como entregar el correo. Sidewalk Labs dice que abrirá el acceso al software y a los sistemas que está creando para que otras compañías puedan construir servicios sobre ellos, al igual que las personas crean aplicaciones para teléfonos móviles.

La compañía tiene la intención de monitorear de cerca la infraestructura pública, y esto ha generado preocupaciones sobre el control de datos y la privacidad. Pero Sidewalk Labs cree que puede trabajar con la comunidad y el gobierno local para aliviar esas preocupaciones.

Otras ciudades de América del Norte ya están clamando por ser las siguientes en la lista de Sidewalk Labs, de acuerdo con Waterfront Toronto, la agencia pública que supervisa el desarrollo de Quayside. «San Francisco, Denver, Los Ángeles y Boston han pedido una presentación», dice el director general de la agencia, Will Fleissig.

4. Inteligencia artificial para todos

La inteligencia artificial hasta ahora ha sido principalmente el juguete de las grandes compañías de tecnología como Amazon, Baidu, Google y Microsoft, así como algunas nuevas empresas. Para muchas otras compañías y partes de la economía, los sistemas de inteligencia artificial son demasiado costosos y demasiado difíciles de implementar.

¿Cual es la solución? Las herramientas de aprendizaje automático basadas en la nube están llevando a la inteligencia artificial a un público mucho más amplio. Hasta el momento, Amazon domina la inteligencia artificial de la nube con su filial AWS. Google lo desafía con TensorFlow, una biblioteca de código abierto de inteligencia artificial que se puede usar para construir otro software de aprendizaje automático. Recientemente Google anunció Cloud AutoML, un conjunto de sistemas pre-entrenados que podrían hacer que la inteligencia artificial sea más fácil de usar.

Microsoft, que tiene su propia plataforma en la nube, Azure, se está asociando con Amazon para ofrecer Gluon, una biblioteca de código abierto de ‘deep learning’. Se supone que Gluon hace que la construcción de redes neuronales -una tecnología clave en inteligencia artificial que imita cómo aprende el cerebro humano- sea tan fácil como construir una aplicación para teléfonos inteligentes.

No está claro cuál de estas compañías se convertirá en el líder en la oferta de servicios en la nube de inteligencia artificial, pero está claro que será una batalla tecnológica cuyo ganador adquirirá un posicionamiento clave. Estos productos cloud serán esenciales si la revolución de la inteligencia artificial se extiende a lo largo de las economías.

5. Duelos de redes neuronales

La inteligencia artificial ha demostrado ser muy potente a la hora de identificar objetos: al mostrarle un millón de fotos, puede decir con asombrosa precisión cuáles representan a un peatón que cruza una calle. Pero la inteligencia artificial no tiene esperanza en generar imágenes de peatones por sí mismo. Si pudiera hacer eso, sería capaz de crear montones de imágenes realistas pero sintéticas que representen a los peatones en varios escenarios, para que un coche sin conductor podría usar para entrenarse sin tener que salir a la carretera.

La solución se le ocurrió por primera vez a Ian Goodfellow, que entonces era estudiante de doctorado en la Universidad de Montreal, durante una discusión académica en un bar en 2014. El enfoque, conocido como Red generativa antagónica, o GAN, toma dos redes neuronales: los modelos matemáticos simplificados del cerebro humano en que sustenta el aprendizaje automático más moderno, y los compara entre sí en un juego digital del gato y el ratón.

Ambas redes están capacitadas con el mismo conjunto de datos. El primero es conocido como el generador y tiene la tarea de crear variaciones en las imágenes que ya se han visto, tal vez una imagen de un peatón con un brazo adicional. El segundo, conocido como el discriminador, debe identificar si el ejemplo que ve es como las imágenes en las que ha sido entrenado o una falsa producida por el generador: básicamente, ¿Esa persona de tres brazos probablemente sea real?

Con el tiempo, el generador puede llegar a ser tan bueno produciendo imágenes que el discriminador no puede detectar falsificaciones. Básicamente, se le ha enseñado al generador a reconocer y luego crear imágenes de peatones de aspecto realista.

La tecnología se ha convertido en uno de los avances más prometedores de la IA en la última década, capaz de ayudar a las máquinas a producir resultados que engañan incluso a los humanos.

Los GAN se usaron para crear sonidos realista y imágenes falsas fotorrealistas. En un convincente ejemplo, los investigadores del fabricante de chips Nvidia prepararon un GAN con fotografías de celebridades para crear cientos de rostros creíbles de personas que no existen. Otro grupo de investigación hizo pinturas falsas convincentes que se parecen a las obras de Van Gogh. Empujados aún más, los GAN pueden reimaginar las imágenes de diferentes maneras: hacer que una carretera soleada parezca nevada o convertir caballos en cebras.