¿Qué ocurrió?
Un ensayo publicado en MIT Technology Review sostiene que la vía por la que la IA acelerará la ciencia difiere de lo que suele darse por supuesto. Su punto de partida es una observación: cada pocas décadas alguien anuncia que la ciencia ha llegado a su fin. En 1903, el físico Albert Michelson escribió que "los hechos de la ciencia física han sido descubiertos en su totalidad"; en los años ochenta, Stephen Hawking predijo que la física teórica podría estar terminada a final de siglo.
Con la llegada de la IA esa sensación vuelve a flotar en el aire, esta vez acompañada de un Nobel. En 2024, Demis Hassabis y John Jumper, de Google DeepMind, recibieron parte del Nobel de Química por AlphaFold, una red neuronal que predice estructuras tridimensionales de proteínas aprendiendo de miles de formas medidas experimentalmente.
La condición que hizo posible AlphaFold
Ese problema endiablado había resistido los ataques sistemáticos durante medio siglo; AlphaFold pareció resolverlo y el mundo se fijó en la promesa de su enfoque. Hassabis y su equipo describieron AlphaFold como "la plantilla de cómo la IA puede acelerar toda la ciencia a velocidad digital". Una oleada de startups que construían modelos base para biología, química y descubrimiento de materiales levantó miles de millones de dólares.
La objeción del ensayo aterriza aquí: AlphaFold es un logro profundo, pero las condiciones que lo produjeron son raras. La condición principal de su éxito fue el Protein Data Bank, un conjunto de unas 170.000 estructuras de proteínas validadas experimentalmente sobre el que el equipo de DeepMind pudo entrenar su modelo.
El coste de los datos
- Conjunto de datos: unas 170.000 estructuras de proteínas validadas
- Tiempo de creación: 53 años de cooperación científica internacional
- Coste experimental estimado: unos 21.000 millones de dólares
- Vínculo con el Nobel: más de 25 premios Nobel se han apoyado en la cristalografía de proteínas, la técnica experimental clave
Las iniciativas de esa escala, señala el texto, son notoriamente difíciles de financiar, casi imposibles de coordinar y muy costosas en tiempo; como resultado, a menudo han fracasado.
La barrera de la que poco se habla
Incluso en campos con la cohesión y los recursos necesarios, y donde los datos no quedan inaccesibles por su propiedad comercial, hay otra barrera de la que se habla poco: la imposibilidad científica de generar datos comparables.
En el caso de las estructuras de proteínas, la técnica experimental clave —la cristalografía de proteínas— es una herramienta inusualmente replicable y fiable, hasta el punto de que más de 25 premios Nobel se han apoyado en ella. Otros campos no cuentan con una técnica de medición de fiabilidad equivalente.
¿Por qué es importante?
La conclusión es que la IA traerá cambios extraordinarios a la ciencia, pero AlphaFold quizá no sea la mejor plantilla para esa metamorfosis. Reunir esas condiciones en otros campos llevará un tiempo que se medirá en décadas, no en años. La aceleración de la ciencia vendrá, en cambio, de otro enfoque: los agentes de IA.
En la práctica, la distinción significa esto: un modelo basado en datos espera a que esos datos existan. Un agente que razona puede participar en el proceso de producirlos, decidiendo qué experimento realizar y qué hipótesis merece perseguirse. El primero depende de una acumulación histórica; el segundo se suma al trabajo de construirla.
Qué no está cerrado
Se trata de un ensayo, no de una información, y no aporta resultados numéricos sobre el rendimiento de los agentes en el descubrimiento científico. Su tesis se apoya en una observación sobre los límites del enfoque actual y en la lógica de la alternativa.