Cada pocas décadas alguien anuncia que la ciencia está llegando a su fin. Albert Michelson lo sugirió en 1903 y Stephen Hawking volvió a plantearlo casi un siglo después. Hoy la tentación regresa de la mano de la inteligencia artificial. En 2024, Demis Hassabis y John Jumper recibieron la mitad del Nobel de Química por su trabajo en predicción de estructuras de proteínas. Tras el premio, Hassabis y su equipo definieron su creación como “el modelo de cómo la IA puede acelerar toda la ciencia a la velocidad digital”.
La tecnología ayudará a resolver complejos problemas científicos cuando existan los datos adecuados
Cada pocas décadas alguien anuncia que la ciencia está llegando a su fin. Albert Michelson lo sugirió en 1903 y Stephen Hawking volvió a plantearlo casi un siglo después. Hoy la tentación regresa de la mano de la inteligencia artificial. En 2024, Demis Hassabis y John Jumper recibieron la mitad del Nobel de Química por su trabajo en predicción de estructuras de proteínas. Tras el premio, Hassabis y su equipo definieron su creación como “el modelo de cómo la IA puede acelerar toda la ciencia a la velocidad digital”.
Lo cierto es que AlphaFold, el modelo premiado, resolvió un problema que llevaba medio siglo desafiando a los científicos. El logro es extraordinario. Puede predecir la estructura de prácticamente los 200 millones de proteínas conocidas y, según la Academia Nobel, en octubre de 2024 ya había sido utilizado por más de dos millones de personas de 190 países. Pero precisamente por su éxito existe el riesgo de sacar una conclusión equivocada: pensar que este es el modelo que permitirá multiplicar indefinidamente la velocidad de la ciencia. No lo es. Como explica Eric Schmidt, CEO de Google entre 2001 y 2011, las condiciones que hicieron posible AlphaFold son excepcionales y difícilmente repetibles.
La clave está en los datos. AlphaFold pudo entrenarse gracias al Protein Data Bank, que reúne unas 170.000 estructuras de proteínas validadas experimentalmente. Construir ese repositorio exigió 53 años de cooperación científica internacional y, según una estimación citada por Schmidt, unos 19.000 millones de euros de trabajo experimental. Replicar unas condiciones semejantes en cada disciplina científica llevaría décadas.
Y existe un problema todavía más profundo: en muchas áreas los experimentos no producen datos suficientemente homogéneos. Las líneas celulares cambian, aparecen contaminantes y las condiciones ambientales varían. Crear conjuntos de datos consistentes, precisos y escalables para entrenar modelos especializados no es una cuestión de simplemente añadir más GPU.
Ahí es donde aparece un cambio de paradigma mucho más interesante: los agentes de IA. A diferencia de un modelo especializado en resolver una pregunta concreta, un agente puede razonar, utilizar herramientas, ejecutar tareas, contrastar resultados y volver a empezar. No intenta sustituir el método científico por un algoritmo milagroso; reproduce digitalmente algo mucho más parecido a cómo trabaja realmente un investigador: combinando evidencias imperfectas, utilizando distintas herramientas y revisando las conclusiones a medida que aparecen nuevos datos.
Y aquí aparecen tres consecuencias decisivas.
La primera es que los agentes pueden atacar de raíz la llamada crisis de reproducibilidad. En una encuesta de Nature a 1.576 investigadores, más del 70% afirmó haber intentado sin éxito reproducir los experimentos de otro grupo y el 52% consideraba que existía una crisis significativa de reproducibilidad. El problema no es únicamente que algunos resultados sean erróneos: es que buena parte del conocimiento experimental resulta difícil de reconstruir porque los datos, el código y, sobre todo, los pasos intermedios no quedan registrados con suficiente precisión. Los agentes pueden cambiar esa lógica porque registran automáticamente sus acciones, decisiones y herramientas utilizadas. La trazabilidad deja de ser una tarea administrativa posterior y pasa a formar parte del propio proceso científico.
La segunda consecuencia es una memoria científica mucho más potente. Hoy buena parte del conocimiento de un laboratorio permanece atrapado en cuadernos, protocolos informales y en la experiencia de investigadores veteranos. Cuando alguien se marcha, una parte de ese conocimiento desaparece con él. Los agentes pueden convertir la actividad de un laboratorio en una memoria institucional estructurada: qué se hizo, con qué parámetros, qué funcionó, qué fracasó y por qué. La ciencia dejaría así de empezar tantas veces desde cero.
La tercera, y probablemente más revolucionaria, es la velocidad de experimentación. Un agente capaz de leer 1.000 artículos en una hora, diseñar 500 moléculas y aprender de los experimentos fallidos durante la noche modifica radicalmente el coste de probar una hipótesis. Cuando comprobar una idea cuesta menos que discutirla durante una reunión, cambia incluso la psicología del investigador: aparecen preguntas más arriesgadas, hipótesis más extrañas y líneas de investigación que antes resultaban demasiado caras en tiempo o recursos.
AlphaFold, por tanto, no marca el final de la ciencia impulsada por IA. Marca algo distinto: la demostración de que una máquina puede conquistar problemas científicos extraordinariamente complejos cuando existen datos adecuados. El salto verdaderamente disruptivo llegará cuando la IA deje de ser únicamente una herramienta que resuelve problemas y empiece a convertirse en un sistema que participa en el proceso completo de descubrirlos, probarlos, documentarlos y replicarlos.
Schmidt compara esta transformación con la llegada del cálculo, la inferencia estadística, la espectroscopia o el ordenador. Herramientas que hicieron visibles problemas que antes ni siquiera sabíamos formular. Ese puede ser el verdadero alcance de los agentes. El Nobel de AlphaFold nos ha enseñado hasta dónde puede llegar un modelo. Los agentes pueden enseñarnos hasta dónde puede llegar la ciencia cuando experimentar, recordar y verificar dejan de ser actividades exclusivamente humanas.
Feed MRSS-S Noticias
