
La Sociedad de Alumnos de Geofísica de la Facultad de Ingeniería (SAGFI-UNAM), vinculada a la Society of Exploration Geophysicists (SEG) y a la Asociación Mexicana de Geofísicos de Exploración, organizó el pasado 3 de septiembre en el auditorio Javier Barros Sierra de la FI-UNAM, la conferencia The Good, the Bad and the Ugly with AI in Geosciences (Lo bueno, lo malo y lo feo con la inteligencia artificial, IA, en las geociencias), impartida por el doctor Gerard Schuster.
El alumno Ricardo Magallanes, presidente de la SAGFI, acompañado por Sergio Delgado, vicepresidente, presentó una breve semblanza del ponente: el doctor Schuster se doctoró en la Universidad de Columbia, es "un referente mundial en el ámbito de la geofísica de exploración", cuyo trabajo pionero en interferometría sísmica lo hizo acreedor a la Medalla de Oro Virgil Kauffman (SEG, 2026), editor de la revista Geophysics, investigador del Department of Geology & Geophysics of the University of Utah, fundador del Utah Tomography and Modeling/Migration Consortium, profesor en KAUST (codirigió el Center for Fluid Modeling and Seismic Imaging), en 2026 se le nombró North America Honorary Lecturer-SEG y es autor de Seismic Inversion y Machine Learning Methods in Geoscience.
El doctor Schuster examinó el impacto de la IA en las geociencias —interpretación sísmica, caracterización de yacimientos, exploración mineral y modelado climático— desde una perspectiva equilibrada: lo bueno, lo malo y lo feo, al afirmar: "Definitivamente hay beneficios y también hay riesgos claros [aunque] la mayoría de las primeras charlas se centran en los riesgos". Respecto de lo bueno, destacó la capacidad de la IA para extraer patrones sutiles de datos geofísicos de alta dimensionalidad, acelerar los flujos de interpretación, mejorar la detección de fallas y horizontes, clasificar el atributo AVO, generar materiales educativos de forma rápida y apoyar la toma de decisiones en tiempo real. Subrayó particularmente el machine learning informado por física, como las inversiones de ecuación de onda con autoencoders o componentes principales, que en algunos casos puede superar a los métodos tradicionales.
En el apartado dedicado a lo malo, alertó sobre los riesgos del sobreajuste, los sesgos en los datos, la falta de cuantificación de incertidumbre, los modelos de caja negra sin restricciones físicas, la validación deficiente, la fuga de datos y los fallos que ocurren al aplicar modelos fuera de su distribución de entrenamiento. Sobre lo feo, trató problemas de interpretabilidad, preocupaciones éticas, brechas de reproducibilidad y la pérdida de intuición física cuando los modelos sustituyen, en lugar de complementar, el razonamiento geológico, además de los posibles impactos laborales de estas tecnologías.
Al explicar qué es la IA, el doctor Schuster ofreció el ejemplo del termostato en una habitación, que "está programado, ya sea digital o mecánicamente, para ajustar la temperatura" ante los cambios externos (viento o lluvia). Luego precisó que el aprendizaje automático, a diferencia de otros tipos de IA, no se basa en reglas deterministas programadas, sino que "dejas que la computadora aprenda por experiencia, por ejemplos". Para ilustrar el funcionamiento de los modelos de lenguaje, propuso al público completar la frase "el perro está persiguiendo..." y recogió distintas respuestas (gato, pájaro, etc.) para señalar que un modelo de lenguaje humano "no usó solo el contexto de la oración", sino también su experiencia de vida y lo que típicamente suele ocurrir.
El doctor Schuster ofreció además un panorama histórico de la IA, fundamentado en el libro de Goodfellow y estructurado en tres periodos de interés. Indicó que McCulloch y Pitts, biólogos, describieron el funcionamiento fundamental de una neurona, a partir de lo cual se derivó un modelo matemático simple; a finales de los años cincuenta, Rosenblatt, científico de IBM, construyó una máquina capaz de reconocer letras y números escritos a mano, y en los años sesenta se desarrolló el método de backpropagation para ajustar los pesos de las redes neuronales. Añadió que, a partir de 2010, un pequeño grupo de investigadores de Google impulsó el uso de redes neuronales para la traducción automática, la cual había evolucionado de métodos basados en reglas gramaticales programadas —que debían adaptarse a las diferencias estructurales entre idiomas, como el orden de sustantivos y modificadores en árabe frente al inglés— hacia enfoques estadísticos basados en datos, y posteriormente hacia las redes neuronales recurrentes de principios de la década de 2000, que aún tenían dificultades para conservar el contexto de fragmentos extensos de texto. Señaló que este impulso produjo una mejora notable en la traducción automática entre 2015 y 2016, reconocida en su momento por un artículo publicado en The New York Times. Asimismo, el interés por la inteligencia artificial creció de forma exponencial a partir de 2022, con la llegada de ChatGPT.
Más allá del entusiasmo tecnológico, la conferencia dejó entrever una conclusión central: la IA no reemplaza al criterio geológico, sino que lo potencia cuando se usa con disciplina. El doctor Schuster insistió en que el valor real de estas herramientas depende de la calidad de los datos, de la transparencia de los modelos y de la capacidad del intérprete para formular preguntas geológicamente significativas. En un campo donde las decisiones implican riesgos económicos y ambientales considerables, adoptar la IA sin validación ni incertidumbre cuantificada equivale a perforar a ciegas. El reto final, advirtió, no es sólo técnico, sino formativo: las nuevas generaciones de geocientíficos deberán dominar tanto la física del subsuelo como los fundamentos del aprendizaje automático para distinguir cuándo una predicción es confiable y cuándo es sólo una correlación afortunada.