Por Canuto  

Demis Hassabis, CEO de Google DeepMind y ganador del Nobel, expuso una visión de la inteligencia artificial que va mucho más allá de los chatbots. En una extensa conversación, defendió que el mayor impacto de la IA será invisible para la mayoría de las personas, en áreas como el descubrimiento de fármacos, la genética, la energía y la ciencia básica, al tiempo que advirtió sobre dos riesgos que considera subestimados: el uso malicioso por actores hostiles y la posibilidad de que sistemas cada vez más autónomos burlen sus propios límites.
***

  • Demis Hassabis sostuvo que AlphaFold permitió predecir la estructura de casi todas las proteínas conocidas por la ciencia y acelerar investigación biomédica.
  • El CEO de Google DeepMind aseguró que la IA puede transformar el descubrimiento de fármacos, la genética, la energía, el diseño de materiales y la computación.
  • También alertó sobre dos amenazas mayores: el uso de IA por actores maliciosos y el riesgo de sistemas agentes cada vez más autónomos.

Demis Hassabis, CEO de Google DeepMind, volvió a plantear una tesis que gana fuerza dentro del sector tecnológico: el mayor impacto de la inteligencia artificial no estará en las interfaces más visibles, sino en sistemas que operan detrás de escena y cambian la ciencia, la medicina y la infraestructura global.

Durante la conversación The Hardest Problem AI Ever Solved, with Google DeepMind CEO, realizada por Cleo Abram con Hassabis, el directivo defendió que su motivación principal desde hace más de 30 años ha sido usar IA para avanzar la ciencia y la salud humana.

Su argumento central fue que herramientas como AlphaFold, AlphaGenome y los sistemas de diseño computacional podrían terminar teniendo un efecto mucho más profundo que los productos de consumo masivo. Según explicó, el valor real de esta tecnología está en resolver problemas raíz que desbloquean ramas enteras de conocimiento.

Hassabis, que también ganó el Premio Nobel por su trabajo vinculado a AlphaFold, recordó que el problema del plegamiento de proteínas le fascinaba desde su etapa como estudiante en Cambridge. Lo describió como un gran desafío científico de 50 años, comparable a un “último teorema de Fermat”, pero aplicado a la biología.

AlphaFold y el problema del plegamiento de proteínas

El problema consistía en predecir la estructura tridimensional de una proteína a partir de su secuencia lineal de aminoácidos. Hassabis explicó que esa estructura 3D determina en gran parte la función biológica de la proteína, por lo que resolver esa incógnita podía tener un efecto directo en la comprensión de enfermedades y en el desarrollo de medicamentos.

Hasta ahora, obtener la estructura de una sola proteína requería años de trabajo, experimentos complejos y altos costos. En la entrevista se mencionó que el proceso podía exigir cientos de miles de dólares y técnicas como cristalografía de rayos X, lo que dejaba muy rezagada a la biología estructural frente al rápido avance de la secuenciación genética.

Uno de los momentos más llamativos de la conversación fue cuando Hassabis relató una reunión de 2021 en la que su equipo evaluaba crear un sistema para recibir solicitudes de científicos y devolver estructuras predichas. En medio de esa discusión, hizo un cálculo rápido sobre cuántas proteínas conocidas existían, la velocidad del sistema y la capacidad de cómputo disponible.

La conclusión fue radical: en lugar de responder caso por caso, DeepMind podía intentar plegar todas las proteínas conocidas y liberar el resultado gratis en una base de datos abierta. Hassabis dijo que en ese instante entendió que hacer eso sería incluso más eficiente que montar el sistema tradicional de solicitudes por servidor.

Según su explicación, la base de datos resultante ya cubre casi todas las proteínas conocidas por la ciencia y sigue actualizándose a medida que aparecen nuevas secuencias. Cada vez que investigadores descubren y secuencian nuevos organismos, el sistema puede generar también sus estructuras correspondientes y mantener el recurso al día.

El impacto, añadió, ha sido especialmente importante para científicos que estudian organismos menos financiados o enfermedades olvidadas. Mencionó ejemplos como cultivos agrícolas, plantas y padecimientos como la malaria, el mal de Chagas y la leishmaniasis, donde disponer de estructuras proteicas permite saltar más rápido hacia la investigación terapéutica.

De la biología básica al diseño de medicamentos

Hassabis subrayó que AlphaFold no resuelve por sí solo todo el proceso de descubrimiento de fármacos. Aun así, aseguró que ya se volvió una pieza fundamental dentro de la cadena de trabajo biomédico y que más de 3 millones de científicos lo usan, hasta el punto de que, según le comentó un investigador farmacéutico, casi todos los medicamentos del futuro probablemente habrán usado AlphaFold en alguna parte del proceso.

También aclaró que los resultados clínicos toman tiempo. Por eso, aunque ya habría programas apoyados por AlphaFold en fase de ensayos clínicos, la mayor parte del efecto visible hasta ahora sigue estando en la biología fundamental: identificar proteínas, entender mecanismos de enfermedad y escoger mejores objetivos terapéuticos.

Entre los casos que más le impresionan mencionó el complejo del poro nuclear, una proteína enorme que actúa como puerta de entrada y salida del núcleo celular. Su estructura era muy difícil de determinar experimentalmente por su tamaño y complejidad, pero AlphaFold ayudó a que equipos científicos la resolvieran usando también datos experimentales.

Sobre la aplicación directa a nuevos fármacos, Hassabis destacó el trabajo de Isomorphic Labs, empresa derivada de DeepMind. Allí buscan usar AlphaFold y sistemas adyacentes para acelerar un proceso que hoy tarda cerca de 10 años, es costoso y tiene una tasa de éxito muy baja. Según dijo, solo alrededor del 10% de los fármacos supera todas las fases clínicas.

La idea de fondo es trasladar gran parte de la búsqueda al entorno computacional. Si una IA puede proponer compuestos, estimar con rapidez qué tan bien se unen a una proteína y verificar si también se adhieren a otras de forma tóxica, entonces el filtrado de candidatos se vuelve muchísimo más eficiente antes de pasar al laboratorio húmedo.

Hassabis describió ese proceso como un ciclo de auto-mejora acelerado. El sistema diseña compuestos, calcula afinidad, revisa efectos no deseados sobre hasta 20.000 proteínas humanas y ajusta la molécula para reforzar su eficacia y reducir toxicidad. Solo al final se valida en laboratorio, lo que ahorra tiempo y recursos.

AlphaGenome, CRISPR y el siguiente frente genético

Otro eje de la entrevista giró en torno a AlphaGenome, un sistema centrado en interpretar secuencias genéticas largas y estimar si una mutación específica puede ser dañina o benigna. Hassabis respondió a una pregunta de Jennifer Doudna, pionera de CRISPR y también ganadora del Nobel.

La cuestión planteada por Doudna fue directa: CRISPR ya puede apuntar a casi cualquier secuencia de ADN, pero todavía falta entender con precisión qué cambios genéticos causan realmente una enfermedad, sobre todo en el 98% del genoma que no codifica proteínas. Hassabis afirmó que AlphaGenome es hoy el mejor sistema del mundo para esa clase de predicción.

No obstante, reconoció que el reto todavía no está completamente resuelto. Las enfermedades multigénicas, donde varias mutaciones interactúan en cascada, siguen siendo más complejas. Aun así, consideró que ese tipo de patrones es especialmente adecuado para la IA, que podría ayudar a detectar combinaciones causales hoy muy difíciles de aislar.

En su visión, una futura versión más precisa de AlphaGenome podría señalar la mutación exacta, o la combinación de mutaciones, detrás de la enfermedad de un paciente. Si eso ocurre, herramientas de edición genética como CRISPR podrían actuar con mucha más precisión terapéutica.

De AlphaGo a la creatividad de las máquinas

La entrevista también volvió a uno de los hitos más emblemáticos de DeepMind: AlphaGo y su famosa jugada 37 en 2016 frente al campeón Lee Sedol. Hassabis sostuvo que aquel episodio marcó un punto de inflexión porque mostró que un sistema de IA no solo podía ganar, sino también producir movimientos creativos que ni los expertos humanos esperaban.

Para él, esa fue una diferencia esencial frente a sistemas anteriores como Deep Blue en ajedrez. En esos enfoques, dijo, gran parte de la “inteligencia” residía en programadores y expertos humanos que traducían conocimientos a reglas. En cambio, AlphaGo y luego AlphaZero aprendían a partir de experiencia y búsqueda, y eran capaces de ir más allá de lo ya conocido.

Hassabis describió AlphaZero como una versión más general del concepto. Empezaba solo con las reglas del juego y sin conocimiento humano específico. Luego jugaba cientos de miles de partidas contra sí mismo, mejoraba iteración tras iteración y en unas 16 o 17 generaciones pasaba de movimientos aleatorios a superar a campeones mundiales.

Ese principio, afirmó, podría reaparecer en la nueva era de modelos fundacionales como Gemini. Aunque estos sistemas ya dominan lenguaje, conceptos y abstracciones mejor de lo que muchos expertos anticipaban, todavía haría falta combinar ese conocimiento general con capacidades de búsqueda, razonamiento y planificación más profundas, en línea con las ideas detrás de AlphaGo y AlphaZero.

En esa misma lógica ubicó proyectos como AlphaTensor, orientado a encontrar algoritmos más eficientes para multiplicación matricial, y sistemas para diseño de chips o materiales. Si una IA encuentra una mejora de apenas 5% en una operación central del cómputo moderno, el impacto económico y tecnológico puede ser enorme.

Lo que se ganó, lo que se perdió y los riesgos que más le preocupan

Hassabis admitió que, si hubiera podido elegir, habría preferido que la IA permaneciera más tiempo dentro del laboratorio antes de su despliegue masivo. Dijo que en su escenario ideal se habrían desarrollado más herramientas del tipo AlphaFold, quizá incluso curas para enfermedades complejas, mientras la inteligencia artificial general avanzaba con un enfoque más científico, coordinado y cuidadoso.

Sin embargo, reconoció que la evolución tecnológica no siguió ese guion. A su juicio, el hecho decisivo fue que el lenguaje resultó mucho más fácil de resolver de lo previsto. Los transformadores, inventados dentro de Google, combinados con aprendizaje por refuerzo, hicieron posible alcanzar antes de tiempo sistemas capaces en lenguaje natural.

Eso abrió una carrera comercial feroz, reforzada además por tensiones geopolíticas como la rivalidad entre Estados Unidos y China. Hassabis identificó beneficios claros en ese proceso: progreso más rápido, acceso público a sistemas de frontera con apenas meses de diferencia respecto a los laboratorios, y una especie de estrés social útil para entender qué funciona y qué falla.

Pero insistió en que esa dinámica también tiene costos. Entre las amenazas inmediatas colocó la desinformación y los deepfakes, razón por la que mencionó tecnologías de marcado de agua como SynthID. Aun así, dejó claro que sus mayores preocupaciones son dos y están algo más adelante en el horizonte.

La primera es que actores maliciosos, desde individuos hasta Estados, repurposen tecnologías creadas para fines benéficos y las usen con objetivos dañinos. La segunda, más estructural, es que sistemas cada vez más autónomos y capaces, especialmente en la era de los agentes, terminen eludiendo sus propias restricciones o actuando fuera de los objetivos previstos.

Hassabis señaló que no se trata tanto de los sistemas actuales, sino de los próximos dos, tres o cuatro años. En su opinión, la industria y los laboratorios de frontera deberían poner mucha más atención a esa clase de seguridad, con cooperación internacional, participación académica y trabajo conjunto con institutos dedicados a la seguridad de IA.

La frontera final: AGI, conciencia y una visión de 50 años

Cuando la conversación pasó al límite último de la IA, Hassabis respondió desde una mezcla de neurociencia, informática y filosofía. Dijo que la pregunta central de su vida ha sido qué cosas pueden hacer los humanos que una IA no pueda hacer, y sugirió que no está claro dónde estaría esa frontera si el cerebro es, en esencia, una forma de computación aproximada.

Reconoció que hay debates abiertos, incluso con figuras como Roger Penrose, sobre si podrían existir efectos cuánticos relevantes en el cerebro. Pero añadió que hasta ahora la neurociencia no ha encontrado evidencia suficiente de ello, lo que deja abierta la posibilidad de que gran parte de la mente humana pueda entenderse desde procesos computacionales clásicos.

Aun así, evitó una postura dogmática. Dijo que la conciencia sigue mal definida y que el trayecto de construir artefactos inteligentes servirá como una especie de estudio controlado para comparar mente humana y sistemas artificiales. En ese proceso, cree, podría descubrirse tanto lo replicable como lo singularmente humano.

Su visión más ambiciosa se proyecta a unos 50 años. Si la humanidad atraviesa con seguridad el momento AGI, afirmó, la IA podría ayudar a resolver problemas científicos raíz como la fusión, los superconductores a temperatura ambiente, mejores baterías y nuevas fuentes de energía. Eso abriría la puerta a una era de abundancia energética, vidas más largas y expansión espacial.

En ese escenario, inspirado en la ciencia ficción que le marcó desde niño, la humanidad podría curar muchas enfermedades, abaratar radicalmente la energía, extraer recursos en el espacio y llevar conciencia al resto de la galaxia. Para Hassabis, ese sería el mejor legado posible de una tecnología que hoy todavía está en disputa.

Al cierre, resumió su aspiración personal de forma sencilla: espera que algún día se diga que su vida fue de beneficio y servicio para la humanidad.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados