Por Canuto  

Demis Hassabis, CEO de DeepMind, expuso una visión ambiciosa para la inteligencia artificial en ciencia y medicina: desde asistentes para investigadores hasta plataformas capaces de acelerar el descubrimiento de fármacos y, eventualmente, abordar casi cualquier enfermedad. Su hoja de ruta combina Gemini, nuevas versiones de AlphaFold, laboratorios automatizados y una cautela explícita frente a los tiempos regulatorios y de validación clínica.
***

  • Demis Hassabis dijo que no ve leyes de la física que impidan usar IA para abordar casi cualquier enfermedad en los próximos 10 a 20 años.
  • DeepMind trabaja en una plataforma de descubrimiento de fármacos con múltiples modelos, más allá de AlphaFold, para predecir interacciones, toxicidad y comportamiento en el cuerpo.
  • El ejecutivo también detalló avances con Gemini, el sistema co-scientist, laboratorios automatizados y pruebas de agentes de IA en videojuegos como entorno seguro.

Demis Hassabis, CEO de DeepMind, delineó una visión amplia sobre el papel que la inteligencia artificial podría jugar en ciencia, salud y descubrimiento de fármacos durante una conversación con Denis Shiryaev, del canal Two Minute Papers. En esa charla, el ejecutivo abordó desde usos cotidianos de Gemini hasta una apuesta de largo plazo por sistemas capaces de asistir a científicos, automatizar partes del laboratorio y acelerar el diseño de medicamentos.

La conversación también dejó varias definiciones clave sobre el estado actual de estas herramientas. Hassabis sostuvo que la IA ya funciona como un compañero útil para pensar, resumir investigación y explorar ideas creativas, pero dejó claro que, en ciencia, la autonomía plena todavía requiere validación física, evidencia clínica y mejoras en robótica.

Uno de los momentos más llamativos giró en torno al potencial de la IA para transformar la medicina. Hassabis recordó su idea de que, con ayuda de estas tecnologías, algún día podría llegarse a curar todas las enfermedades, y señaló que no ve leyes de la física que lo impidan dentro de una ventana de entre 10 y 20 años, aunque con importantes matices sobre pruebas y regulación.

En DeepMind’s Insane AI Breakthroughs With CEO Demis Hassabis, Denis Shiryaev conversó con el líder de DeepMind sobre ese horizonte y sobre las piezas que la firma ya está construyendo para acercarse a él. La entrevista mezcló anécdotas personales, investigación avanzada y una mirada estratégica sobre cómo la IA podría pasar de ser una herramienta de apoyo a una infraestructura científica mucho más completa.

Gemini como asistente cotidiano y apoyo en salud

La conversación arrancó con una anécdota personal del entrevistador sobre un escaneo médico de su madre. Según relató, el archivo era muy grande y la espera por una evaluación formal generó ansiedad, por lo que decidió usar Gemini con contexto extenso para analizarlo. El sistema respondió que no había motivo de preocupación y, más tarde, un médico confirmó ese resultado.

Hassabis celebró la historia y comentó que han escuchado numerosos casos de personas que usan Gemini por motivos de salud, incluso en situaciones que describió como potencialmente salvadoras. Para el ejecutivo, ese es uno de los casos de uso más impactantes de la IA actual, aunque la validación médica profesional siga siendo indispensable.

Más allá del ámbito clínico, el CEO de DeepMind explicó que usa Gemini de forma habitual para brainstorming. Dijo que le sirve para pensar nombres de proyectos, explorar ideas creativas y actuar como una especie de compañero de esgrima intelectual. También lo emplea para resumir áreas de investigación nuevas en las que no es experto y obtener una visión rápida de los puntos principales.

Consultado sobre si lo utiliza para que critique sus ideas, respondió que sí lo usa para pensar pasos intermedios y tensionar propuestas, aunque prefiere un marco colaborativo más que uno agresivo. Aun así, admitió que podría probar enfoques más duros para identificar fallas. En sus palabras, la función principal hoy es la de “sparring partner”.

De AlphaFold a una plataforma completa para descubrir fármacos

La parte más relevante de la entrevista se centró en la promesa de la IA aplicada a la medicina. Hassabis retomó una declaración previa, hecha el 20 de abril de 2025, en la que dijo que tal vez se podrían curar todas las enfermedades con ayuda de IA dentro de la próxima década. En esta ocasión, afinó la idea y explicó que el progreso probablemente no será lineal, sino más parecido a un salto de plataforma, como ocurrió con AlphaFold.

Según detalló, DeepMind e Isomorphic Labs están construyendo cada vez más herramientas que, en conjunto, formarían una infraestructura integral para el descubrimiento de medicamentos. AlphaFold sería solo uno de sus componentes. Aunque la predicción de estructuras de proteínas es importante, insistió en que apenas representa un paso dentro de un proceso mucho más amplio y complejo.

El ejecutivo explicó que la empresa desarrolla “media docena a una docena” de modelos de nivel AlphaFold orientados a distintas etapas del pipeline farmacéutico. La meta es integrar esas capacidades y probarlas sobre perfiles concretos de enfermedad en fase preclínica. Si esa validación resulta exitosa en algunos años, entonces podría emerger un motor aplicable a casi cualquier área terapéutica.

Hassabis comparó ese posible punto de inflexión con lo que sucedió cuando AlphaFold 2 alcanzó suficiente precisión y permitió plegar 200 millones de proteínas en un año. A su juicio, con salud podría ocurrir algo similar: varios años de avances que parecen graduales, seguidos por un gran salto que obligue a actualizar expectativas con mucha más frecuencia.

Al mismo tiempo, precisó que una plataforma capaz de proponer curas potenciales no elimina la necesidad de ensayos clínicos. Incluso si la IA acelera la parte inicial, todavía habría que probar esos candidatos en humanos y completar el proceso regulatorio. Añadió que la propia IA también podría ayudar en esa segunda fase, por ejemplo al estratificar pacientes o predecir mejor las dosis.

Qué puede hacer la IA hoy y qué sigue siendo difícil

Cuando se le pidió precisar qué avances concretos habilita la IA en desarrollo de medicamentos, Hassabis mencionó versiones avanzadas de AlphaFold capaces de predecir no solo estructuras estáticas, sino interacciones entre proteínas, proteínas con moléculas y otros comportamientos más dinámicos. Esas capacidades amplían mucho el mapa del diseño racional de fármacos.

Sin embargo, subrayó que los desafíos duros comienzan después. Entre ellos citó la necesidad de anticipar qué hará un compuesto dentro del cuerpo, dónde se unirá, cuáles serán sus propiedades de absorción y distribución, y qué toxicidades o efectos secundarios podrían surgir. Para ello, dijo, hacen falta modelos adicionales que predigan cada una de esas variables y luego las integren.

También señaló que se requieren modelos bioquímicos capaces de sugerir el compuesto exacto, estimar cómo fabricarlo y analizar cómo se acoplará al bolsillo o sitio objetivo de una proteína. En otras palabras, el problema no es uno solo. Es una cadena de decisiones e incertidumbres, y por eso la solución no puede descansar sobre un modelo aislado.

En regulación, Hassabis fue cuidadoso. Reconoció que organismos como la FDA son una parte crítica del proceso y que la evidencia será determinante para cambiar los tiempos o los pasos. Imaginó un escenario en el que, tras varios medicamentos diseñados o asistidos por IA que logren pasar todo el proceso y beneficiar a pacientes, pueda demostrarse qué tan precisos eran los modelos y cuáles merecen más confianza.

Con datos de ese tipo, dijo, algunos pasos regulatorios podrían acelerarse, reemplazarse o hacerse más eficientes. Pero insistió en que primero habrá que demostrar resultados en el marco tradicional. Comparó ese potencial cambio de paradigma con la aceleración vivida por las vacunas de ARNm durante la pandemia, aunque aclaró que en salud no hay necesidad de apresurar irresponsablemente procesos que afectarán a la humanidad durante siglos.

Co-scientist, verificación experimental y laboratorios automatizados

Otro eje central de la entrevista fue co-scientist, un sistema que Hassabis describió como una versión ajustada de Gemini, equipada con herramientas y capas adicionales para generar hipótesis, analizar datos y resumir literatura científica. Su función, dijo, es la de un gran asistente de investigación que acompaña el trabajo diario de científicos y matemáticos.

Por ahora no lo presentó como una máquina que escriba artículos científicos de forma autónoma. Más bien, funciona como apoyo directo a investigadores humanos, que siguen siendo quienes desarrollan, verifican y redactan los hallazgos. Aun así, adelantó que espera poder anunciar pronto resultados más concretos sobre lo que estas generaciones de sistemas ya están consiguiendo.

Entre ejemplos previos, mencionó trabajos para encontrar formas más eficientes de multiplicación matricial y mejoras algorítmicas aplicadas a sistemas como AlphaFold. La idea de “usar invención sobre sí misma para volverse más eficiente”, según la describió, apunta a una IA que no solo resuelva tareas, sino que también mejore la infraestructura computacional que luego impulsará nuevos descubrimientos.

La discusión avanzó luego hacia un posible circuito cerrado entre generador de hipótesis y verificador, algo parecido a la conexión entre un sampler y un denoiser en renderizado por Monte Carlo, analogía propuesta por el entrevistador. Hassabis respondió que eso equivaldría a un sistema de descubrimiento automatizado en bucle cerrado, una línea de trabajo que muchos laboratorios de frontera estudian como forma de auto-mejora recursiva.

En codificación y matemáticas, explicó, ese enfoque parece más factible porque la verificación es rápida y clara. También permite generar datos sintéticos. Pero en ciencias físicas y naturales, como biología, química o física experimental, el verificador suele requerir pruebas en el mundo real. Eso alarga el ciclo y convierte la validación experimental en un cuello de botella.

Por eso, DeepMind e Isomorphic Labs consideran el uso de laboratorios automatizados. Hassabis reveló que ya construyen uno para ciencia de materiales en Londres, apoyados en un inventario de 200.000 diseños de nuevos materiales que todavía no pueden evaluar con suficiente velocidad. Según dijo, entre ellos podría haber superconductores y otras opciones muy interesantes.

Aun así, dejó entrever que esperará un poco más antes de desplegar ciertas capacidades físicas en otros dominios, en parte para entender mejor qué datos no pueden obtenerse mediante organizaciones externas de investigación y en parte para dar tiempo a que la robótica avance más. Mencionó una ventana de 18 a 24 meses en la que podría imaginar una configuración más madura de ese tipo.

Juegos, agentes y pruebas seguras para nuevas ideas de IA

La entrevista también se movió hacia el terreno de los videojuegos, un espacio históricamente importante para DeepMind. Hassabis habló de una nueva alianza con EVE, al que describió como un juego extraordinariamente profundo, con una comunidad inusual que en buena medida también construye el universo a través de alianzas, facciones, economía funcional y narrativas emergentes.

Desde su perspectiva, ese tipo de entorno ofrece un sandbox ideal para experimentar con nuevas ideas de IA. La compañía quiere explorar cómo agentes o asistentes inteligentes podrían interactuar con economías virtuales, líneas narrativas y comunidades de jugadores, manteniendo la tradición de DeepMind de usar juegos como terreno de prueba relativamente seguro.

Preguntado sobre si eso significaría agentes integrados jugando con usuarios reales, Hassabis respondió que es una posibilidad, aunque también contemplan sistemas que asistan a los jugadores o funcionen como una suerte de “game master” que impulse la historia. Dejó claro que el proyecto aún está en etapas tempranas y de exploración conceptual.

El cierre incluyó una ronda rápida más personal. Hassabis dijo preferir las matemáticas discretas, se inclinó por Richard Feynman frente a Albert Einstein, y por Isaac Newton frente a Feynman, aludiendo a sus vínculos con Cambridge. También elogió los videos de Two Minute Papers sobre AlphaFold y señaló a la serie Fundación, de Isaac Asimov, como una influencia importante.

Tomadas en conjunto, sus respuestas ofrecieron una hoja de ruta ambiciosa pero prudente. DeepMind ya no plantea la IA solo como chatbot o motor de productividad, sino como un sistema de apoyo científico de múltiples capas. El objetivo final, según Hassabis, sería una plataforma capaz de comprimir años de investigación biomédica. La distancia entre ese horizonte y su validación clínica sigue siendo grande, pero el rumbo estratégico ya está claramente trazado.


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