Catalizando avances en la ciencia
Al demostrar que puede navegar por el enorme espacio de búsqueda de un tablero Go, AlphaGo demostró el potencial de la IA para ayudarnos a comprender mejor las vastas complejidades del mundo físico. Comenzamos intentando resolver el problema del plegamiento de proteínas, un gran desafío de 50 años de predicción de la estructura tridimensional de las proteínas, información crucial para comprender enfermedades y desarrollar nuevos fármacos.
En 2020, finalmente solucionamos este problema científico de larga data con nuestro sistema AlphaFold 2. A partir de ahí, plegamos las estructuras de los 200 millones de proteínas conocidas por la ciencia y las pusimos a disposición de los científicos de forma gratuita en una base de datos de código abierto. Hoy en día, más de 3 millones de investigadores en todo el mundo utilizan la base de datos AlphaFold para acelerar su importante trabajo en todo, desde vacunas contra la malaria hasta enzimas que comen plástico. Y en 2024, fue el honor de nuestra vida para John Jumper y para mí recibir el Premio Nobel de Química por liderar este proyecto, en nombre de todo el equipo de AlphaFold.
Desde la victoria de AlphaGo, hemos aplicado su enfoque innovador a muchas otras áreas de las ciencias y las matemáticas, incluidas:
Razonamiento matemático: AlphaProof, el descendiente más directo de la arquitectura de AlphaGo, aprendió a probar declaraciones matemáticas formales utilizando una combinación de modelos de lenguaje y los algoritmos de búsqueda y aprendizaje por refuerzo de AlphaZero. Junto con AlphaGeometry 2, se convirtió en el primer sistema en lograr una medalla estándar (plata) en la Olimpiada Internacional de Matemáticas (OMI), lo que demuestra que los métodos de AlphaGo pueden desbloquear el razonamiento matemático avanzado y sentar las bases para nuestros modelos generales más capaces.
Gemini, nuestro modelo más grande y capaz, recientemente fue aún más lejos. Una versión avanzada de su modo Deep Think logró un rendimiento de nivel de medalla de oro en la OMI de 2025 utilizando un enfoque inspirado en AlphaGo. Desde entonces, Deep Think se ha aplicado a desafíos aún más complejos y abiertos en la ciencia y la ingeniería.
Descubrimiento de algoritmos: Así como AlphaGo buscaba el mejor movimiento en un juego, nuestro agente de codificación AlphaEvolve explora el espacio del código informático para descubrir algoritmos más eficientes. Tuvo su propio momento Move 37 cuando encontró una forma novedosa de multiplicar matrices, una operación matemática fundamental que impulsa a casi todas las redes neuronales modernas. AlphaEvolve ahora se está probando en problemas que van desde la optimización del centro de datos hasta la computación cuántica.
Colaboración científica: estamos integrando los principios de búsqueda y razonamiento iniciados con AlphaGo en un cocientífico de IA. Al hacer que los agentes “debatan” ideas e hipótesis científicas, este sistema actúa como un colaborador capaz de realizar el pensamiento riguroso necesario para identificar patrones en los datos y resolver problemas sofisticados. En estudios de validación en el Imperial College de Londres, analizó décadas de literatura y llegó de forma independiente a la misma hipótesis sobre la resistencia a los antimicrobianos que los investigadores habían pasado años desarrollando y validando experimentalmente.
También hemos utilizado la IA para comprender mejor el genoma, avanzar en la investigación de la energía de fusión, mejorar la predicción del tiempo y más.
Por muy impresionantes que sean nuestros modelos científicos, son altamente especializados. Para lograr avances fundamentales como crear energía limpia ilimitada o resolver enfermedades que hoy no entendemos, necesitamos sistemas generales de IA que puedan encontrar estructuras subyacentes y conexiones entre diferentes áreas temáticas, y que nos ayuden a proponer nuevas hipótesis como lo hacen los mejores científicos.
El futuro de la inteligencia
Para que una IA sea verdaderamente general, necesita comprender el mundo físico. Construimos Gemini para que fuera multimodal desde el principio, de modo que pudiera comprender no solo el lenguaje, sino también audio, video, imágenes y código para construir un modelo del mundo.
Para pensar y razonar a través de estas modalidades, los últimos modelos Gemini utilizan algunas de las técnicas en las que fuimos pioneros con AlphaGo y AlphaZero.
La próxima generación de sistemas de IA también deberá poder recurrir a herramientas especializadas. Por ejemplo, si un modelo necesitara conocer la estructura de una proteína, podría utilizar AlphaFold para ello.
Creemos que la combinación de los modelos mundiales de Gemini, las técnicas de búsqueda y planificación de AlphaGo y el uso de herramientas especializadas de IA resultarán fundamentales para AGI.
La verdadera creatividad es una capacidad clave que un sistema AGI de este tipo debería exhibir. El movimiento 37 fue un vistazo al potencial de la IA para pensar fuera de lo común, pero una verdadera invención original requerirá algo más. Sería necesario no sólo idear una nueva estrategia de Go, como lo hizo de manera impresionante AlphaGo, sino también inventar un juego tan profundo, elegante y digno de estudio como Go.
Diez años después de la legendaria victoria de AlphaGo, nuestro objetivo final está en el horizonte. La chispa creativa que se vio por primera vez en Move 37 catalizó avances que ahora están convergiendo para allanar el camino hacia la AGI y marcar el comienzo de una nueva era dorada de descubrimientos científicos.