Diez años de AlphaGo, la tecnología que aceleró la investigación científica
- En marzo de 2016, el campeón de go Lee Sedol perdía un torneo contra la IA de Google DeepMind
- Alphafold ha supuesto un salto exponencial para la investigación científica
La dirección de esta página ha sido copiada en su portapapeles
Antes de la revolución de la IA generativa, un movimiento (el 37) en un tablero de fichas blancas y negras cambió la inteligencia artificial para siempre. Un hito del que se cumplen 10 años. La inteligencia artificial AlphaGo, de Google Deepmind, vencía de forma aplastante (4-1) a Lee Sedol, uno de los mejores jugadores del mundo de go, considerado el juego de tablero más complejo que existe. Ese desafío humano versus máquina fue el germen años después del desarrollo de programas de inteligencia artificial que han acelerado las investigaciones científicas.
"Esto va a ir mucho más rápido y más lejos de lo que pensábamos", recuerda Senén Barro, director científico del Centro Singular de Investigación en Tecnologías Inteligentes de la Universidad de Santiago de Compostela – USC (CiTIUS), cuando hace un balance de aquella victoria. Un hito que llegó antes de lo esperado: "Se pensaba que tardaríamos 10 o 15 años en alcanzar ese nivel, pero se sabía que llegaría: era cuestión de mejorar algoritmos, aumentar la capacidad de cómputo y disponer de más datos", momento para la historia que quedó reflejado en el documental AlphaGo The Movie y que puede verse gratuitamente en YouTube.
Tras coronarse AlphaGo como el mejor jugador artificial de go de la historia, en 2018 el equipo de Google Deepmind puso a disposición de la comunidad científica Alphafold, una inteligencia artificial más evolucionada capaz de predecir la estructura de las proteínas a partir de su secuencia de aminoácidos. "Esto resolvía un problema que llevaba décadas abierto y que permitió descifrar el lenguaje de la biología", explica el responsable del Centro de Investigaciones Biológicas del Consejo Superior de Investigaciones Científicas (CIB-CSIC) Carlos Fernández Tornero por videollamada a RTVE Noticias.
Estructura tridimensional de una proteina, generada por Alphafold (CIB-CSIC)
Alphafold resuelve en minutos lo que eran años de investigación
En 2024, Demis Hassabis, John M. Jumper y David Baker recibían el Premio Nobel de Química por su revolucionaria contribución a la predicción de la estructura tridimensional de las proteínas mediante inteligencia artificial. El reconocimiento por Alphafold "llegó antes de lo que yo había predicho. Pensaba que llegaría en 2030 y en una categoría diferente, la de Física", dice Senén Barro respecto a cómo se ha acelerado el conocimiento científico gracias a la IA en los últimos años. En este caso, su aplicación masiva en biotecnología y medicina ha sido crucial para investigadores como Tornero. "Al principio fuimos escépticos. No sabíamos si realmente iba a funcionar tan bien como se decía. Al fin y al cabo, son predicciones de una máquina. Pero con el tiempo y el uso del algoritmo, hemos comprobado que su potencial es enorme", tanto que antes, para obtener la estructura de una macromolécula biológica, se podía tardar hasta diez años. Ahora Alphafold la predice en minutos.
El equipo de Carlos Fernández Tornero estudia enfermedades tropicales desatendidas, llamadas así por la Organización Mundial de la Salud (OMS) al darse en zonas geográficas de países con pocos recursos. No interesan a la industria farmacéutica. El científico español está centrado en la enfermedad del sueño, infección parasitaria grave transmitida por la picadura de la mosca tse-tsé en el África subsahariana. Alphafold ha hecho posible la búsqueda de un tratamiento que de otra forma sería imposible al no despertar el interés de la inversión pública o grandes grupos de investigación.
Modelo tridimensional de una proteína
Predecir lo que nadie ve
En el Centro Nacional de Biotecnología (CNB), los científicos desarrollan algoritmos de procesado de imagen. "Consiste en sacar fotos a proteínas. Son imágenes con muchísimo ruido en las que solo se ven pequeñas manchas" y que, con la ayuda de los sistemas de inteligencia artificial de Google Deepmind, se puede obtener "una forma más aproximada para refinarla después con datos experimentales", según Carlos Óscar Sorzano, investigador del CNB, que ve en Alphafold una herramienta complementaria.
Revolución tecnológica fruto de la investigación científica
Sorzano puntualiza que el gran avance no es solo Alphafold, sino toda la inteligencia artificial y las redes neuronales" y eso incluye desarrollos matemáticos que llevan décadas existiendo y que ahora pueden aplicarse por la capacidad de cálculo". El punto de inflexión es el aprendizaje por refuerzo, sistemas que aprenden mediante prueba y error. A esto hay que añadir que "el modelo ha aprendido de unos 200.000 casos previos de proteínas bien caracterizadas. Sin décadas de investigación pública y sin acumulación de conocimientos científicos esto no habría sido posible". Son palabras del director del CiTIUS, Senén Barro, que estima en que —en caso de empezar de cero— reconstruir esa base de datos costaría unos 20.000 millones de dólares.
Tres millones de investigadores utilizan la base de datos de Alphafold en proyectos que van "desde vacunas contra la malaria hasta enzimas que se alimentan de plástico". Son palabras del fundador de Google Deepmind, Demis Hassabis, en un artículo que conmemora el décimo aniversario de la victoria de AlphaGo. Para Carlos Fernández Tornero "ha cambiado las preguntas que nos hacemos. Hemos pasado de "¿cuál es la estructura de esta proteína? a "¿qué implicaciones funcionales tiene? Ha acelerado nuestro trabajo, aumentando la probabilidad de éxito". Un éxito basado en la predicción, pero que no es infalible: "Todos hemos visto que herramientas como ChatGPT o Gemini pueden dar respuestas incorrectas. En ciencia, esto obliga a verificar todo experimentalmente. Por ejemplo, AlphaFold puede predecir configuraciones físicamente imposibles, como dos átomos ocupando el mismo espacio", puntualiza el investigador del CIB-CSIC.
El antes y el después de la inteligencia artificial moderna
Años antes de la partida legendaria de AlphaGo frente a Lee Sidol, hubo otra que hizo historia, la de Deep Blue contra Gary Kasparov en 1996-1997. Para Senén Barro, aquel duelo tuvo más relevancia. "El impacto simbólico fue mayor. Al día siguiente los titulares eran: la máquina ha superado al ser humano. Marcó un antes y un después". Era otro concepto basado en evaluación de posiciones y cálculo de movimientos del ajedrez. Barro ha publicado Poden pensar as máquinas (Alvarellos Editora), ensayo divulgativo que introduce al lector en el mundo de la IA donde aborda estos temas. Tiene claro que la gran revolución ha llegado con el lenguaje natural y la forma de comunicarnos con sistemas como ChatGPT, Gemini o Claude. "Hemos superado una barrera clave, la del acceso a la tecnología. El lenguaje natural se ha convertido en interfaz. Eso es un cambio radical", señala.
Garry Kasparov se enfrenta a Deep Blue durante una de sus históricas partidas en 1997
La comunidad científica espera que los sistemas de IA dejen de estar compartimentados, como es el caso de Alphafold. "Lo ideal sería integrarlo en un único flujo de trabajo. Permitir la colaboración con otras inteligencias artificiales de otros campos de la ciencia, y que sea capaz de proponer candidatos a fármacos", plantea Fernández Tornero. Una idea que coincide con lo que propone Carlos Óscar Sorzano, "que haya diferentes sistemas especializados y un agente inteligente que centralice la información y la combine, cada uno aportando parte de la solución, múltiples sistemas coordinados", a semejanza del funcionamiento del cerebro.
En 2016, más de 200 millones de personas vieron en directo cómo la Jugada 37 marcaba un punto de inflexión. Cien movimientos después, AlphaGo vencía a su rival cuando todos pensaban que la máquina había errado en la estrategia. Había realizado algo imprevisible. La demostración fehaciente de que la IA había ido más allá del conocimiento humano. Nunca una ficha fue tan decisiva para la ciencia y la investigación.
