Hace dos años, una herramienta de IA le valió a Google DeepMind un Premio Nobel. Ahora, los investigadores se dirigen hacia un nuevo objetivo.
MIT Technology Review/ Durante la presentación principal del Google I/O del martes, Demis Hassabis, CEO de Google DeepMind, proclamó que actualmentenos encontramos “en las faldas de la singularidad”. Fue una declaración impactante: la singularidad es el momento teórico del futuro en el que la IA supera rápidamente la inteligencia humana y transforma drásticamente el mundo. Pero lo que me llamó la atención entre el público fue el contexto en el que pronunció esas palabras.
Subió al escenario para cerrar la sesión con un segmento sobre IA científica, cuyo elemento central fue un video que detallaba cómo el software de predicción meteorológica de la compañía proporcionó una alerta temprana sobre el catastrófico paso del huracán Melissa por Jamaica el año pasado, y potencialmente salvó vidas. Si ese software, llamado WeatherNext, ayudó a alguien a escapar de la tormenta o a reforzar mejor su hogar, es un logro enorme y significativo. Pero difícilmente constituye una prueba de una singularidad inminente.
Hassabis con los resultados reales de WeatherNext puso de manifiesto la tensión entre dos enfoques muy diferentes de la IA aplicada a la ciencia. El primero se centra en herramientas de IA, como WeatherNext, diseñadas y entrenadas para resolver problemas científicos específicos. El segundo se basa en sistemas autónomos, con modelos de aprendizaje automático, que algún día podrían ejecutar proyectos de investigación de vanguardia sin intervención humana.
Esta segunda visión impulsa gran parte del entusiasmo actual por la IA, incluyendo el reciente interés por la auto-mejora recursiva, es decir, la idea de que los sistemas de IA podrían convertirse en los principales impulsores del avance de la IA, un proceso que se aceleraría a medida que los sistemas de IA se volvieran más inteligentes. Y los sistemas autónomos ya están realizando contribuciones reales a la investigación, a veces con una mínima intervención humana.
Esta misma semana, Pushmeet Kohli, científico jefe de Google Cloud, publicó un artículo en un número especial sobre IA y ciencia de la revista Daedalus, donde escribió: «Nos dirigimos hacia una IA que no solo facilita la ciencia, sino que empieza a hacer ciencia». Con científicos de IA autónomos en el horizonte, resulta más difícil justificar los enormes esfuerzos para desarrollar herramientas superespecializadas, incluso una como AlphaFold, por la que los científicos de DeepMind ganaron un Premio Nobel, o un sistema potencialmente vital como WeatherNext. Esto también presagia un futuro mucho más extraño para la ciencia, en el que humanos y sistemas de IA colaboran en igualdad de condiciones, o incluso la IA logra avances científicos por sí sola.
Para que quede claro, Google no parece estar abandonando su trabajo en IA especializada para herramientas científicas. AlphaGenome y AlphaEarth Foundations, entrenadas para aplicaciones en genética y ciencias de la Tierra respectivamente, se lanzaron el verano pasado, y la versión más reciente de WeatherNext salió en noviembre.
Además, estas herramientas siguen siendo extremadamente populares entre los científicos. El año pasado, por ejemplo, Google informó que las predicciones de estructura de proteínas de AlphaFold han sido utilizadas por más de tres millones de investigadores en todo el mundo. E Isomorphic Labs, una filial de Google que busca utilizar AlphaFold y tecnologías relacionadas para desarrollar nuevos fármacos, acaba de recaudar 2 mil millones de dólares en una ronda de financiación Serie B.
Pero existen señales concretas de reorientación, tanto en entusiasmo como en recursos. El mes pasado, Los Angeles Times informó que John Jumper, miembro de Google y ganador del Premio Nobel por AlphaFold, ahora trabaja en programación de IA, no en herramientas de IA específicas para la ciencia. No sorprende que Google esté destinando a sus mejores mentes al problema de la programación, ya que la empresa ha sufrido recientemente un revés en su reputación debido a que sus herramientas de programación no están a la altura de las que ofrecen Anthropic y OpenAI. Pero también podría indicar una priorización de la ciencia de agentes por parte de Google, ya que las capacidades de programación son clave para el éxito de algunos de estos sistemas.
En toda la industria, los sistemas de investigación de agentes están demostrando un gran potencial. Esta semana, OpenAI anunció que uno de sus modelos había refutado una importante conjetura matemática; quizás la contribución más significativa que la IA generativa ha hecho a las matemáticas hasta ahora, según algunos matemáticos.
Es importante destacar que el modelo utilizado por OpenAI no está especializado en la resolución de problemas matemáticos, ni siquiera en la investigación; según la compañía, se trata de un modelo de razonamiento de propósito general similar a GPT-5.5. Si los agentes generales pueden contribuir de forma independiente a la investigación matemática, pronto podrían hacer lo mismo en la ciencia (aunque el hecho de que las ideas científicas deban verificarse experimentalmente lo convierte en un campo más complejo para la IA).
Google está dedicando gran parte de su atención a un futuro científico impulsado por agentes. El anuncio científico más importante en I/O fue el nuevo paquete Gemini for Science, que unifica varios de los sistemas científicos de la compañía basados en LLM bajo una misma marca.
Esto incluye a AI Co-Scientist, generador de hipótesis, y AlphaEvolve, optimizador de algoritmos, que aún no están disponibles públicamente. Sin embargo, dado que Google ahora permite que cualquier investigador solicite acceso a Gemini for Science, es probable que pronto se generalice su adopción en la comunidad científica. Los científicos que participaron en las primeras pruebas se muestran entusiasmados con su potencial: Gary Peltz, genetista de Stanford, comparó el uso de AI Co-Scientist con “consultar al oráculo de Delfos” en un artículo de Nature Medicine.
Gemini for Science no es incompatible con herramientas especializadas; al contrario, los sistemas basados en agentes pueden diseñarse para recurrir a dichas herramientas cuando resulten útiles. Y ningún sistema basado en agentes puede predecir la estructura en la que se plegará una proteína sin la ayuda de AlphaFold (al menos por ahora). Pero la empresa parece estar cambiando su imagen pública —y al menos algunos recursos y personal, como Jumper—, alejándose del desarrollo específico de ese tipo de herramientas. Si bien solo han transcurrido cinco años desde que AlphaFold resolvió el problema del plegamiento de proteínas, tanto la tecnología como el debate han superado rápidamente ese logro que en su momento fue revolucionario.
Google se ha esmerado en posicionar este nuevo conjunto de agentes científicos como un acelerador para los científicos humanos, en lugar de un reemplazo para ellos; la elección del nombre “Co-Científico de IA” en lugar de “Científico de IA”, por ejemplo, parece bastante deliberada. Hassabis utiliza ese mismo enfoque centrado en el ser humano cuando habla de los cambios en el panorama de la IA científica. “Durante la próxima década, aproximadamente, deberíamos pensar en la IA como una herramienta asombrosa para ayudar a los científicos”, dijo Hassabis en una entrevista publicada en la revista Daedalus. “Más allá de ese plazo, es difícil decirlo con certeza, pero quizás estos sistemas se conviertan más en colaboradores”.
Pero nadie puede ser un colaborador científico eficaz sin ser también un científico competente por derecho propio. Y si Hassabis está cerca de la verdad cuando habla de los “albores de la singularidad”, entonces los científicos de IA podrían llegar a superar las capacidades de sus homólogos humanos.
En una conversación con el periodista Mike Allen en I/O, Hassabis habló de cómo se inspiró inicialmente para dedicarse a la IA al observar el estancamiento del progreso en física desde la década de 1970. Se preguntó si la mente humana había alcanzado sus límites en ese campo y si la IA podría ayudar a superar esa barrera. Los científicos con capacidades sobrehumanas encajarían perfectamente en ese perfil. Quizás nunca lleguemos a ese punto, pero Google parece estar apuntando hacia esa cima.
- Anthropic lanza una nueva versión de Mythos con capacidades cibernéticas limitadas
- Google y su nuevo plan de Gemini IA a $5.000 al mes
- IBM Ofrece Entrenamiento Gratuito en español de IA
- Cinematic Video Overviews la función de NotebookLM que transforma tus cuadernos en vídeos cinematográficos
- Estados Unidos tendrá acceso a los modelos de IA 30 días antes de ser lanzados
Akura Yonomoto Anthropic Apple Artículo Científico ChatGPT Chile China Ciencia Claude Cloude Donald Trump Donal Trump Drones editorial El Ciudadano Digital El Ciudadano Inteligente Elon Musk Enfermedades Estados Unidos Etercuanticum IA Gemini Google Guerra IA Inteligencia Artificial Irán Israel José Antonio Kast Kameron Drake Medio Oriente Miguel Angel Ducci Milenka Swett Mythos Nvidia OpenAI Perplexity Política Rafael Muñoz Canessa Rusia Salud Sam Altman Talca Tecnologia Ucrania USA
Más historias
Anthropic lanza una nueva versión de Mythos con capacidades cibernéticas limitadas
Google y su nuevo plan de Gemini IA a $5.000 al mes
IBM Ofrece Entrenamiento Gratuito en español de IA