Bernhard Schölkopf

Hay investigadores que resuelven un problema y luego pasan al siguiente. Y luego está Bernhard Schölkopf, que resuelve un problema, lo convierte en un campo entero, y entonces se pregunta si ese campo está mirando la realidad de la manera correcta. Nacido en Alemania en 1968, estudió física y matemáticas antes de aterrizar en las ciencias de la computación, una combinación que le dio una perspectiva inusual: la de alguien que no solo quiere que los algoritmos funcionen, sino que quiere entender por qué funcionan.

Su aporte más reconocido llegó cuando tomó las máquinas de vectores de soporte (SVMs), que Vladimir Vapnik había desarrollado para clasificar datos de forma lineal, y las expandió hacia un mundo no lineal usando funciones matemáticas llamadas "kernels". Esa extensión permitió que las SVMs aprendieran patrones en datos biológicos, médicos y climáticos de una complejidad que antes era imposible de abordar. Luego lideró la creación de todo un campo de métodos kernel, unificando bajo un mismo paraguas matemático docenas de algoritmos que antes vivían dispersos. En 2018 recibió el Premio Leibniz, el mayor honor científico de Alemania, por ese trabajo.

Pero quizás su contribución más audaz es la que está haciendo ahora, combinando aprendizaje automático con inferencia causal. La mayoría de los modelos de IA detectan correlaciones: saben que A y B aparecen juntos, pero no saben si A causa a B o al revés. Schölkopf decidió atacar ese problema de frente, desarrollando métodos para que las máquinas puedan reconocer estructuras causales a partir de datos observacionales. Este trabajo tiene implicaciones directas en medicina, economía y cualquier campo donde una decisión equivocada puede costar vidas. En 2022 recibió el Premio ACM-AAAI Allen Newell, uno de los reconocimientos más prestigiosos en inteligencia artificial, y es Fellow de la Royal Society del Reino Unido.

Lo que me parece fascinante de Schölkopf es que nunca se conformó con que la IA "funcionara". Él quiere que la IA entienda. Y esa distinción, entre un sistema que predice y uno que razona, es exactamente la conversación que todo el mundo debería estar teniendo hoy. Cada vez que usas una herramienta de IA que no solo te da una respuesta sino que puede explicarte el razonamiento detrás, hay un poco de esa obsesión suya empujando desde abajo.