El impacto de la IA transformará el rumbo de la investigación científica según Google I/O

Demis Hassabis y la singularidad: ¿un discurso demasiado ambicioso?

Martes, Google I/O 2024. En el escenario, Demis Hassabis — CEO de Google DeepMind — suelta una bomba: **“Estamos en las faldas de la singularidad”**. Spoiler: la singularidad es ese mítico instante en el que la inteligencia artificial supera por goleada la humana y revoluciona todo. Una declaración con tintes de ciencia ficción, sí. Pero luego te ponen un video de su software WeatherNext advirtiendo huracanes como Melissa en Jamaica el año pasado. Software que *posiblemente salvó vidas* y creó alertas anticipadas para que la gente pudiera prepararse mejor.

Detente ahí. ¿Un sistema para prever tormentas es suficiente prueba de que la singularidad está a la vuelta de la esquina? Ni de coña. Esa mezcla entre frase grandilocuente y resultados prácticos genera una tensión brutal. Por un lado, AI enfocado en herramientas específicas para ciencia (como WeatherNext). Por otro, sistemas LLM agentic — esos modelos enormes de lenguaje que, en teoría, podrían hacer investigación científica sin que pongamos un dedo.

En resumen: Hassabis lanza una idea que vibra alto, pero la realidad práctica sigue siendo la de herramientas especializadas con fines concretos. 

—

Herramientas concretas vs sistemas agentic: el choque de titanes en AI científica

La disyuntiva es esta: ¿vale la pena invertir en software superespecializado que resuelve problemas puntuales como AlphaFold o WeatherNext, o el futuro está en sistemas agentic, esos que se auto-mejoran y podrían hacer ciencia autónoma? Para entenderlo, mira los ejemplos:

– AlphaFold: revolucionó la predicción de estructuras de proteínas y ganó un Nobel (sí, Nobel). Más de 3 millones de investigadores lo usan. Nada despreciable.
– WeatherNext: avances palpables en predicción meteorológica que incluso pueden salvar vidas.
– Pero también aparece Gemini for Science, el nuevo paquete de Google, que unifica sistemas LLM para generar hipótesis (AI Co-Scientist) y optimizar algoritmos (AlphaEvolve). No es solo un asistente; intenta *hacer* ciencia.

El matiz está en que estos sistemas agentic no son máquinas con capa y poderes infinitos que de repente reemplazan a los humanos, sino formas de complementar o acelerar la investigación. La promesa: AI que no solo facilita la ciencia, sino que la *hace*. Y eso, aunque parezca hype, está ocurriendo.

¿La industria? No se ha olvidado de sus herramientas. Google lanzó en 2023 AlphaGenome (genética) y AlphaEarth (ciencia de la Tierra). Pero los pesos pesados se mueven hacia agentes LLM, quizás porque su potencial para auto-mejorarse y saltar de una disciplina a otra es mayor que el de programas diseñados para un solo fin.

Este tira y afloja enfrenta disciplinas y filosofías distintas sobre cómo AI debe integrarse en el avance científico.

—

Cuando los humanos dejan el mando (o al menos ceden espacio)

Que John Jumper — el cerebro detrás de AlphaFold — haya pasado de ciencia pura a herramientas de codificación no es casual. No. Es casi una señal de cambio de prioridades dentro de Google. La compañía necesita recuperar terreno frente a rivales como OpenAI y Anthropic, quienes le tienen fichas puestas al desarrollo de sistemas con capacidad de escribir código y resolver problemas complejos sin supervisión humana constante.

Este giro a la programación no significa abandono total de la ciencia, pero sí un enfoque en desarrollar capacidades que sostengan los sistemas agentic. Es decir, para que un AI científico autónomo funcione, tiene que entender, crear y modificar código a voluntad.

OpenAI no se queda atrás. Hace poco anunció que su modelo generalista (no especializado en matemáticas ni ciencia) pudo refutar una conjetura matemática fuerte — algo que matemáticos consideran su gran aporte hasta ahora. Eso es una paliza al modelo tradicional: no necesitas un algoritmo específico para cada problema, basta un sistema generalista capaz de razonar y aprender.

Pero ojo, la ciencia experimental es otro rollo mientras tanto (no todo es teoría o cálculo lógico). Validar ideas requiere laboratorios, pruebas físicas, ensayos. Eso sigue siendo terreno de humanos o al menos de colaboración humano-máquina.

—

Gemini for Science: ¿el futuro del científico asistente?

Presentado en la última Google I/O, Gemini for Science representa la apuesta más clara de Google para unificar sus sistemas LLM científicos bajo un mismo paraguas de marca, con el fin declarado de acelerar la investigación.

Gemini no es una sola cosa, sino una colección: AI Co-Scientist genera hipótesis, AlphaEvolve optimiza algoritmos. Nada público aún, pero cualquier investigador puede solicitar acceso. Ya suena a que los científicos podrían empezar a hablar con la AI como si fuera un colega, no una herramienta estática.

El feedback inicial es apasionante. Gary Peltz, geneticista de Stanford, comparó la experiencia de usar Co-Scientist con consultar el oráculo de Delfos — sí, no exagera nada. Esto implica un salto cualitativo: la AI puede dar ideas originales y punto de partida útiles, no solo ayudar con cálculos o buscar datos enterrados.

No es incompatible con AlphaFold ni otras herramientas específicas; de hecho, Gemini podría integrarlas en su trabajo autónomo. Pero ahora Google imprime un nuevo ritmo: menos IA pura especializada y más agentes literales que interactúan con esas herramientas.

—

¿Colaboración o sustitución? El papel humano frente a la inteligencia artificial

Hassabis insiste en no vendernos la idea de que la AI va a reemplazar a los científicos de un plumazo. Habla de co-ciencia, no de ciencia dominada por máquinas. Para la próxima década, la promesa oficial es que AI será un “instrumento increíble para ayudar a científicos”.

Más allá del show, esta postura es inteligente: suaviza miedos, refuerza la idea de cooperación y deja abierta la puerta a veces incómoda de imaginar qué pasa cuando la IA supera a sus creadores.

Pero no nos engañemos: si estamos en las “faldas de la singularidad”, entonces en algún punto esos agentes podrían no necesitar tanta ayuda humana. Se torna cuestión de tiempo, desarrollo y recursos. Y Hassabis sabe que su propio impulso surgió de la frustración con lo lento que avanzaba la física desde los 70s. ¿No es lógico entonces que apueste a máquinas que puedan reventar esas barreras?

La escena ideal pintada es la de humanos y AIs como colaboradores que se potencian mutuamente, pero la sombra del reemplazo está ahí. ¿Cuánto tardará en volverse realidad? Nadie lo sabe. La línea es, por ahora, difusa y movida.

—

¿Pero esto funciona de verdad o es sólo humo para hype?

Google DeepMind no anda perdiendo el tiempo: AlphaFold revolucionó la biología estructural. Más de tres millones de científicos la usan. WeatherNext no es un proyecto menor, hablemos claro: avisar de huracanes con días de antelación puede salvar miles de vidas. Y ahora Gemini promete convertir a la AI en el equivalente moderno al “científico en el laboratorio”.

Pero eso no significa que estemos ante la singularidad todopoderosa ni mucho menos. Sí, la AI avanza a trompicones, y sus resultados pueden parecer mágicos. Pero sigue siendo necesaria la supervisión humana, la validación experimental y la interpretación crítica.

¿Hay interés real? Claro. Google invierte miles de millones, Isomorphic Labs acaba de levantar 2 mil millones para usar AlphaFold en desarrollo farmacéutico (esto sí que es pasta real para apostar fuerte).

Pero en paralelo, Google pierde terreno en herramientas de codificación frente a rivales, y los chicos de OpenAI están demostrando que los modelos generalistas pueden ser más poderosos de lo que se creía.

Así que, ni la revolución es inmediata ni vamos camino a un apocalipsis de máquinas biocientíficas autónomas. Más bien, estamos viendo un replanteamiento serio, una redefinición de lo que AI puede o debe hacer en la ciencia.

—

¿Y qué sigue? ¿Estamos listos para un futuro co-escrito con IA?

Si miramos el panorama, lo que Google dice y lo que hace están midiendo su paso. No hay un abandono de herramientas especializadas, pero sí un viraje hacia agentes que puedan tomar la iniciativa y ser colaborativos.

El futuro, vaya, tal vez no sea humanos contra máquinas, sino humanos *con* máquinas en el laboratorio, cada uno aportando lo suyo.

La pregunta que queda flotando: ¿realmente queremos ceder el control — siquiera un poco? ¿Estamos listos para compañeros científicos que aprendan, piensen y propongan ellos solos? ¿Y cómo separaremos un “buen” hallazgo de uno erróneo generado por un modelo?

Todo esto sin contar las cuestiones éticas, de propiedad intelectual, y las implicaciones de la automatización en el trabajo científico.

Google parece apostar a que la próxima década nos dará pistas. Pero mientras tanto, el devenir de la ciencia asincronizada con IA promete ser, cuanto menos, un circo fascinante con intervenciones dramáticas y giros inesperados.

¿Y tú? ¿Crees que la singularidad está tan cerca o todo es por marketing para subir el valor en bolsa?

Artículos Relacionados