Demis Hassabis: Agentes, IA general y el próximo gran avance científico

Cuando Demis Hassabis puso AlphaFold a disposición de todos los científicos del mundo, no lo patentó. Para una empresa líder en IA, es una decisión casi inexplicable. Sin embargo, hoy en día, todos los nuevos fármacos pasan por AlphaFold, y su libre difusión ha impulsado la ciencia más que mil artículos académicos. La verdadera revolución en este caso no es solo la potencia de la IA, sino la forma en que se distribuye y se utiliza. Todo el mundo cree que la inteligencia artificial es una carrera para ver quién construye el cerebro más grande. Pero Hassabis piensa lo contrario: el reto no es solo crear modelos más grandes, sino hacer que sean realmente útiles, accesibles y capaces de aprender como lo hacemos nosotros, es decir, de forma continua, sin tener que empezar de cero cada vez. Hoy en día, la mayoría de los modelos funcionan «sin estado», es decir, lo olvidan todo entre una sesión y la siguiente: cada «prompt» es un nuevo comienzo, como si nunca hubieran aprendido nada del pasado. Sin embargo, el cerebro humano funciona de manera diferente: durante el sueño, reprocesa y consolida las experiencias clave, un detalle que Hassabis estudió durante su doctorado sobre el funcionamiento del hipocampo. Cuando, en 2013, DeepMind diseñó el primer programa capaz de superar a los videojuegos de Atari, el verdadero punto de inflexión fue precisamente inspirarse en esta idea biológica: el modelo «reproducía» en su interior las mejores partidas y aprendía de las secuencias ganadoras. Sin embargo, hoy en día, incluso con ventanas de memoria gigantescas (millones de tokens), la mayoría de los sistemas de IA acumulan datos de forma rudimentaria, sin distinguir entre lo que realmente importa y el ruido de fondo. Y hay un coste real cada vez que el modelo tiene que buscar la información adecuada para tomar una decisión. En este punto, Hassabis hace una comparación sorprendente: los modelos actuales, a pesar de contar con «memorias» enormes, en realidad son menos eficientes y selectivos que un ser humano con una memoria limitada pero bien organizada. Y aquí llega la gran revelación: no basta con aumentar la potencia o la cantidad de datos. Se necesita una nueva calidad en el aprendizaje: la capacidad de adaptarse al contexto, de razonar a largo plazo, de construir una memoria personal y selectiva. ¿Un ejemplo práctico? A pesar de los avances, ningún agente de IA ha creado aún un juego capaz de liderar las clasificaciones mundiales, aunque hoy en día cualquiera puede prototipar en media hora lo que a Hassabis, con diecisiete años, le llevó seis meses. Todavía faltan «el alma» y la creatividad profunda que dan sentido y valor a una obra: el impulso humano que transforma una herramienta en una obra maestra. Sin embargo, la línea divisoria se está difuminando. Hassabis prevé que, en los próximos 6 a 12 meses, veremos equipos capaces de multiplicar la productividad por mil utilizando agentes de IA, antes de que realmente se alcance la plena autonomía. Y la pregunta que surge es: ¿qué ocurrirá cuando estas capacidades no estén únicamente en manos de unos pocos laboratorios, sino que se difundan en modelos de código abierto, lo bastante pequeños como para funcionar en un teléfono y lo bastante potentes como para resolver problemas reales? En este sentido, el modelo Gemma, de código abierto y descargado 40 millones de veces en dos semanas, es solo el comienzo. Para quienes quieran lograr el próximo avance científico, Hassabis establece dos reglas: buscar problemas que tengan un espacio de investigación descomunalmente grande —como las configuraciones de una proteína o los movimientos en el Go, donde no existe ningún algoritmo de fuerza bruta que funcione— y definir un objetivo claro, una «función objetivo» sobre la que poder hacer «climbing». Después, se necesita o bien mucha experimentación real, o bien datos suficientes para simular el universo que se quiere explorar. En este contexto, las nuevas IA no serán únicamente «solucionadoras de problemas», sino que podrán convertirse en «cocientíficas»: capaces no solo de encontrar respuestas, sino también de plantear preguntas radicalmente nuevas, como «inventar» los próximos problemas del milenio que merezca la pena resolver. Hassabis incluso propone una prueba: entrenar a una IA con datos anteriores a 1901 y ver si, como Einstein en 1905, es capaz de «descubrir» por sí sola la relatividad especial. El objetivo final no es únicamente resolver problemas difíciles, sino generar nuevas fronteras del conocimiento. Y hay una sorpresa en este enfoque: Hassabis no cree en el «supercerebro único» que lo abarca todo. En lugar de ello, concibe sistemas generales que utilicen herramientas especializadas: una especie de orquesta de IA, en la que cada modelo hace bien una cosa, pero colabora con los demás. La idea que se necesita para el futuro no es solo más potencia, sino más coordinación y más «destreza» en el uso de las herramientas. Si te preguntas cuál es la diferencia entre una empresa emergente que realmente hace ciencia con la IA y otra que se limita a empaquetar una API, la respuesta está aquí: el impacto real lo consiguen quienes combinan conocimientos profundos en varios campos, no solo en informática, sino también en física, biología y materiales. Hassabis concluye con un consejo que suena a reto: «Los problemas difíciles no son más complicados que los fáciles. Simplemente son difíciles de una manera diferente. Si solo tienes una vida, dedícala a algo que cambiaría el mundo si tú no existieras». Quizás la inteligencia general llegue mientras todavía estamos en camino. Pero la verdadera pregunta es: ¿qué crearías hoy sabiendo que mañana tu herramienta podría cambiar las reglas del juego mientras aún estás jugando? La verdadera innovación no radica en el tamaño del modelo, sino en la calidad de las preguntas que nos permite formular. Si esta visión te ha abierto una nueva perspectiva sobre la IA y la ciencia, en Lara Notes puedes pulsar «I'm In»: es la forma de declarar que ahora esta idea te pertenece. Y si mañana te encuentras hablando con alguien sobre AlphaFold o sobre modelos que inventan preguntas, puedes etiquetar esa conversación con Shared Offline: porque las ideas realmente geniales siempre surgen primero en una charla en persona. Esta Nota se basa en una entrevista de Y Combinator a Demis Hassabis y te ha ahorrado 37 minutos.