Cada pocas décadas, alguien anuncia que la ciencia está llegando a su fin. Albert Michelson lo sugirió en 1903 y Stephen Hawking lo volvió a plantear casi un siglo después. Hoy, la tentación vuelve de la mano de la inteligencia artificial. En 2024, Demis Hassalis y John Jumper recibieron la mitad del Premio Nobel de Química por su trabajo en la predicción de estructuras proteicas. Tras el galardón, Hassalis y su equipo definieron su creación como «el modelo de cómo la IA puede acelerar toda la ciencia a velocidad digital». Seguir leyendo
La tecnología ayudará a resolver problemas científicos complejos cuando se disponga de los datos adecuados
Noticias de MRSS-S
Cada pocas décadas, alguien anuncia que la ciencia está llegando a su fin. Albert Michelson lo sugirió en 1903 y Stephen Hawking lo reconsideró casi un siglo después. Hoy, la tentación vuelve de la mano de la inteligencia artificial. En 2024, Demis Hassalis y John Jumper recibieron la mitad del Premio Nobel de Química por su trabajo en la predicción de estructuras proteicas. Tras el premio, Hassalis y su equipo definieron su creación como «el modelo de cómo la IA puede acelerar toda la ciencia a velocidad digital». La verdad es que AlphaFold, el modelo galardonado, resolvió un problema que había supuesto un reto para los científicos durante medio siglo. El logro es extraordinario. Es capaz de predecir la estructura de casi 200 millones de proteínas conocidas y, según la Academia Nobel, en octubre de 2024 ya lo habían utilizado más de dos millones de personas de 190 países. Pero precisamente debido a su éxito, existe el riesgo de sacar una conclusión errónea: pensar que este es el modelo que permitirá multiplicar la velocidad de la ciencia de forma indefinida. No es así. Como explicó Eric Schmidt, director ejecutivo de Google entre 2001 y 2011, las condiciones que hicieron posible AlphaFold son excepcionales y difíciles de repetir. La clave está en los datos. AlphaFold pudo entrenarse gracias al Protein Data Bank, que reúne unas 170 000 estructuras proteicas validadas experimentalmente. La creación de ese repositorio requirió 53 años de cooperación científica internacional y, según una estimación citada por Schmidt, unos 19 000 millones de euros en trabajo experimental. Reproducir condiciones similares en cada disciplina científica llevaría décadas. Y hay un problema aún 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 coherentes, precisos y escalables para entrenar modelos especializados no es simplemente cuestión de añadir más GPU. Ahí es donde surge un cambio de paradigma mucho más interesante: los agentes de IA. A diferencia de un modelo especializado en resolver una cuestión específica, un agente puede razonar, utilizar herramientas, ejecutar tareas, contrastar resultados y volver a empezar. No pretende sustituir el método científico por un algoritmo milagroso, sino que reproduce digitalmente algo mucho más parecido a cómo trabaja realmente un investigador: combinando pruebas imperfectas, utilizando diferentes herramientas y revisando las conclusiones a medida que aparecen nuevos datos. Y aquí hay tres consecuencias decisivas. . La primera es que los agentes pueden hacer frente a la denominada crisis de la reproducibilidad. En una encuesta de *Nature* realizada a 1. 576 investigadores, más del 70 % afirmó haber intentado sin éxito replicar los experimentos de otro grupo y el 52 % consideró que existía una crisis significativa de reproducibilidad. El problema no es solo que algunos resultados sean erróneos: es que gran parte del conocimiento experimental resulta difícil de reconstruir porque los datos, el código y, sobre todo, los pasos intermedios no se registran con suficiente precisión. Los agentes pueden cambiar esa lógica, ya que registran automáticamente sus acciones, decisiones y las 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 en día, gran parte del conocimiento de laboratorio sigue oculto en cuadernos, protocolos informales y las experiencias de investigadores con amplia trayectoria. 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, qué parámetros se utilizaron, qué funcionó, qué falló y por qué. La ciencia dejaría de empezar tantas veces desde cero. La tercera, y probablemente más revolucionaria, es la velocidad de la experimentación. El coste de comprobar una hipótesis cambia drásticamente cuando un agente es capaz de leer 1. 000 artículos en una hora, diseñar 500 moléculas y aprender de los experimentos fallidos durante la noche. Cuando comprobar una idea cuesta menos que debatirla en una reunión, cambia incluso la mentalidad del investigador: surgen preguntas más arriesgadas, hipótesis más extrañas y líneas de investigación que antes resultaban demasiado costosas en tiempo o recursos. AlphaFold, por lo tanto, no marca el fin de la ciencia impulsada por la IA. Marca algo diferente: la demostración de que una máquina puede resolver problemas científicos extraordinariamente complejos cuando se dispone de datos adecuados. Cuando la IA deje de ser solo una herramienta para resolver problemas y se convierta en un sistema que participe en todo el proceso de descubrimiento, prueba, documentación y replicación de los mismos, se producirá el verdadero salto disruptivo. 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 cómo 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 ya no sean actividades exclusivamente humanas. Alicia Richart trabaja para IBM Consulting como socia.
