Cada pocas décadas, alguien anuncia que la ciencia ha llegado a su fin. En 1903, el célebre físico Albert Michelson escribió que “todos los hechos de la ciencia física habían sido descubiertos”. En los años 80, Stephen Hawking predijo que la física teórica podría estar terminada para finales de siglo. Con la llegada explosiva de la inteligencia artificial, la sensación vuelve a estar en el aire, esta vez acompañada de un Premio Nobel.
En 2024, Demis Hassabis y John Jumper, de Google DeepMind, recibieron parte del Premio Nobel de Química por su red neuronal AlphaFold, que predice las estructuras tridimensionales de las proteínas aprendiendo de miles de formas medidas experimentalmente. Este endiablado problema había resistido ataques sistemáticos durante medio siglo; AlphaFold parecía haberlo resuelto de una vez por todas, y el mundo se obsesionó con la promesa de su enfoque. Hassabis y su equipo denominaron a AlphaFold “la plantilla de cómo la IA puede acelerar toda la ciencia a la velocidad digital”. Una ola de startups que construyen modelos fundacionales para biología, química y descubrimiento de materiales recaudó miles de millones de dólares, impulsada por el éxito de DeepMind. AlphaFold había demostrado que la combinación de IA y datos suficientes podía dar lugar a descubrimientos innovadores (incluso si no comprendíamos los mecanismos subyacentes implicados), y parecía, una vez más, que un camino a través del resto de la ciencia se abría ante nosotros.
Sin duda, la IA traerá cambios extraordinarios a la ciencia, pero cada vez está más claro que AlphaFold, y cosas similares, quizá no sean el mejor modelo para esa metamorfosis. Si bien es un logro trascendental, las condiciones que produjeron desarrollos como AlphaFold son excepcionales, y el tiempo que llevará reunir esas condiciones en otros campos se medirá en décadas, no en años. En cambio, la aceleración de la ciencia llegará de la mano de otro enfoque: los agentes de IA.
La condición principal para el éxito de AlphaFold fue la existencia del Protein Data Bank, un conjunto de datos de aproximadamente 170.000 estructuras de proteínas validadas experimentalmente sobre el que el equipo de DeepMind pudo entrenar su modelo. La creación del Protein Data Bank no fue sencilla: requirió 53 años de cooperación científica internacional y, según una estimación reciente, aproximadamente 21.000 millones de dólares en trabajo experimental para su compilación. Los esfuerzos de esa envergadura son notoriamente difíciles de financiar, casi imposibles de coordinar y enormemente lentos de ejecutar; como resultado, a menudo han sido fallidos.
Pero incluso en campos con la cohesión y los recursos necesarios, y donde los datos relevantes no resultan inaccesibles por la propiedad comercial, existe otra barrera de la que se habla muy poco: la imposibilidad científica de generar datos comparables. En el caso de las estructuras de proteínas, la técnica experimental clave —la cristalografía de proteínas— es una herramienta inusualmente replicable y fiable, tanto que más de 25 Premios Nobel se han basado en ella. Pero en la mayor parte de la ciencia experimental, los resultados varían con más frecuencia de lo que no. Las líneas celulares se desvían. Los productos químicos tienen contaminantes traza. La humedad del laboratorio cambia. La creación de conjuntos de datos medidos que sean lo suficientemente consistentes, exactos, precisos y escalables como para entrenar una red neuronal moderna en biología o la mayor parte de la química requeriría nuevos tipos de medición y nuevos enfoques estandarizados, ninguno de los cuales estará listo a corto plazo.
Por supuesto, hay un puñado de campos donde se cumplen estos requisitos: la predicción meteorológica, gran parte de la genómica, áreas muy limitadas de la química. Estos podrían experimentar avances al estilo AlphaFold pronto, si no lo han hecho ya. El apoyo gubernamental para la producción y coordinación de esos conjuntos de datos será crucial, como ha sostenido la Comisión de Seguridad Nacional de EE. UU. sobre Biotecnología Emergente. Pero para la mayoría de las cuestiones abiertas en ciencia, necesitaremos un plan diferente, al menos a corto plazo. Afortunadamente, algo más discreto y modesto ha empezado a mostrar potencial.
Los científicos siempre han razonado bajo incertidumbre. Los biólogos que trabajan en la identificación de nuevas dianas farmacológicas nunca han dispuesto de conjuntos de datos perfectos. En su lugar, combinan cálculos de docking y estructuras conocidas, incorporan la dinámica molecular, realizan un puñado de ensayos de unión y utilizan su juicio para sopesar cada método según sus puntos fuertes particulares y sus puntos de fallo. La destreza científica no reside en ninguna herramienta individual; consiste en sintetizar lo que muchas herramientas producen y en revisar los resultados a medida que la evidencia va llegando. Así es como procede la mayor parte de la investigación en la práctica. Pero hasta hace muy poco, ningún software podía hacerlo.
Los agentes ahora pueden. En pocas palabras, un agente es un motor de razonamiento de IA al que se le ha dado acceso a herramientas —digitales o físicas— y las capacidades para utilizarlas. En los últimos años, un cambio arquitectónico fundamental en la IA ha permitido la rápida proliferación de estos programas, que están impulsados por grandes modelos de lenguaje, reduciendo drásticamente la necesidad de conjuntos de datos científicamente especializados. Para la ciencia, este avance tecnológico representa un cambio fundamental: nos ha permitido crear herramientas digitales que pueden imitar el proceso iterativo y altamente contingente de la investigación real. Mientras que herramientas como AlphaFold aplican un enfoque potente a una pregunta limitada, los agentes son inherentemente generalistas. No representan una nueva forma de hacer ciencia, sino que modelan digitalmente el proceso humano de descubrimiento.
Considera el AI Co-Scientist de Google, anunciado en mayo. Los investigadores le dieron un informe de una página y un objetivo: averiguar cómo se propaga la resistencia a los antibióticos entre especies bacterianas, un factor clave de las infecciones resistentes a los medicamentos. El sistema puso en marcha subagentes. Uno de ellos elaboró hipótesis a partir de la bibliografía. Otro las analizó críticamente como un revisor par. Un tercero organizó torneos para clasificar a los candidatos más fuertes. Un cuarto refinó la hipótesis ganadora. El agente concluyó que los genes de resistencia se 'subían' a virus bacterianos, utilizando cualquier virus que pudiera transportarlos a un nuevo huésped. La hipótesis era correcta. Investigadores del Imperial College de Londres habían tardado una década en llegar a la misma conclusión mediante un minucioso trabajo de laboratorio húmedo; su artículo, no visto previamente por AI Co-Scientist, aún estaba en revisión por pares.
Agentes como Co-Scientist siguen siendo herramientas novedosas, y existen desafíos reales que superar antes de que se conviertan en una parte ubicua del proceso científico: todavía son propensos a alucinar, su juicio no es consistente y tienen limitaciones de memoria y de entrada que restringen el tiempo que pueden operar de forma autónoma. Pero estas barreras técnicas desaparecerán, y a medida que lo hagan, empezaremos a notar los efectos acumulativos de los agentes científicos en la fiabilidad, la consistencia y la velocidad con la que se hace ciencia.
Quizás lo más destacable es que los agentes ofrecen una solución estructural a la «crisis de reproducibilidad» de la ciencia, el problema generalizado de la incapacidad de los investigadores para replicar los resultados de los demás. Durante décadas, la comunidad científica ha instado a los investigadores a compartir sus datos brutos y su código exacto en un esfuerzo por estandarizar los procesos experimentales. Pero los investigadores se han resistido durante mucho tiempo a este tedioso trabajo administrativo, que ocurre después de que la parte interesante de la ciencia ya se ha hecho. Los agentes, en contraste, registran automáticamente cada movimiento que realizan, creando un registro exacto del método que llevó a sus resultados y permitiendo una replicación precisa.
Una segunda consecuencia será una amplificación de la memoria científica. La transferencia de conocimiento entre investigadores es un proceso notoriamente opaco; si no se realiza a lo largo de años de formación y observación, los estudiantes de posgrado se ven obligados a revisar meticulosamente los caóticos cuadernos de laboratorio guardados por décadas de predecesores, buscando los detalles que decidirán el éxito o el fracaso de su protocolo. Sin embargo, a medida que los agentes se conviertan en una parte cada vez más importante del proceso científico, toda la historia científica de un laboratorio será registrada en un repositorio centralizado y estandarizado de conocimiento institucional.
Pero el impacto más importante de los agentes será la velocidad. En cualquier campo, cuando probar una idea lleva menos tiempo que debatirla en una reunión, la gente deja de discutir y simplemente ejecuta la prueba. Un agente capaz de leer mil artículos en una hora, diseñar 500 moléculas y aprender de sus pruebas fallidas por la mañana reducirá el coste de la experimentación y cambiará fundamentalmente el ritmo al que se hace ciencia. También dará a los investigadores la libertad de perseguir preguntas audaces y extrañas en las que nunca antes habrían arriesgado su tiempo, abriendo puertas científicas que aún no podemos imaginar.
Aunque el modelo de AlphaFold será sin duda clave para descubrimientos increíbles, por sí solo no nos llevará al fin de la ciencia. En cambio, el cambio hacia la IA agéntica representa un nivel de avance mucho más raro: una herramienta que abarca todos los campos de la ciencia a la vez. Históricamente, herramientas de tal alcance han surgido en contadas ocasiones: el cálculo, la inferencia estadística, la espectroscopia, el ordenador. Cada una reveló un mundo de problemas que nadie había pensado formular, y esos problemas, a su vez, redefinieron sus respectivos campos. Con los agentes, otra transformación de esta índole se cierne sobre nosotros.
Eric Schmidt fue el consejero delegado de Google de 2001 a 2011. En 2024, junto a su esposa Wendy, cofundó Schmidt Sciences, una iniciativa filantrópica para financiar áreas de exploración poco convencionales en ciencia y tecnología.
Suhas Mahesh lidera el trabajo de IA para la ciencia en el Centro de IA de Schmidt Sciences. Es especialista en IA para el descubrimiento de materiales.
Investigación adicional a cargo de Maya Levin, asociada y responsable de ciencias, Oficina de Eric Schmidt.