La ciencia siempre ha avanzado analizando datos, detectando patrones y probando hipótesis. Durante la mayor parte de la historia, eso significó que los humanos (humanos brillantes e incansables) hicieran el trabajo pesado. Hoy en día, la IA se está convirtiendo en el asistente de investigación más poderoso jamás inventado, capaz de procesar datos a escalas que ningún equipo de científicos podría igualar.
Durante 50 años, uno de los mayores problemas sin resolver de la biología fue el problema del plegamiento de proteínas: dada la secuencia de aminoácidos de una proteína, predecir su forma tridimensional.
Las proteínas se pliegan en formas precisas que determinan su función, y las proteínas mal plegadas están relacionadas con enfermedades como el Alzheimer, el Parkinson y el cáncer. Comprender la forma de una proteína es fundamental para diseñar fármacos que interactúen con ella. Pero determinar experimentalmente la estructura de una proteína lleva meses o años y cuesta cientos de miles de libras.
En 2020, AlphaFold2 de DeepMind resolvió este problema con una precisión asombrosa, igualando los resultados experimentales en la mayoría de los casos. Para 2022, había predicho las estructuras de más de 200 millones de proteínas, prácticamente todas las proteínas conocidas en biología. Toda la base de datos se publicó de forma gratuita.
Investigadores de todo el mundo comenzaron inmediatamente a utilizar AlphaFold para:
El clima de la Tierra es un sistema de complejidad alucinante. Las corrientes oceánicas, la química atmosférica, la dinámica de las capas de hielo y las emisiones humanas interactúan de maneras que requieren enormes modelos computacionales para simularlas.
La IA está mejorando la ciencia climática de varias maneras clave:
El modelo GraphCast de Google DeepMind, lanzado en 2023, produce pronósticos meteorológicos de 10 días con mayor precisión que los mejores modelos numéricos tradicionales, y lo hace en menos de un minuto en una sola computadora, frente a horas en una supercomputadora.
Iniciar sesión unirse a la discusión
Los sistemas de IA analizan décadas de datos satelitales, de sensores oceánicos y atmosféricos para:
La transición a la energía renovable requiere hacer coincidir la oferta variable (cuando sopla el viento, cuando brilla el sol) con la demanda. La IA pronostica ambas cosas, ayudando a los operadores de la red a equilibrar el sistema y reducir la necesidad de plantas de energía de respaldo contaminantes.
Desarrollar un nuevo fármaco suele tardar entre 10 y 15 años y cuesta más de mil millones de libras. La mayoría de los candidatos a fármacos fracasan. La IA está comprimiendo drásticamente esta línea de tiempo.
El descubrimiento de fármacos tradicional implica:
La IA puede acelerar enormemente los pasos 1 a 3:
Traditional screening: test 1 million compounds in a lab over months
AI-assisted screening: score 100 million virtual compounds in hours
→ shortlist the top 100 for lab testing
Empresas como Insilico Medicine y Recursion Pharmaceuticals han utilizado la IA para identificar nuevos fármacos candidatos en meses en lugar de años. BenevolentAI utilizó IA para identificar baricitinib como un posible tratamiento contra la COVID-19 (un fármaco ya aprobado para la artritis reumatoide) a los pocos días de comenzar la pandemia.
El universo genera más datos de los que cualquier equipo humano podría procesar. La IA es esencial para la astronomía moderna:
El telescopio Kepler de la NASA observó 150.000 estrellas buscando la pequeña atenuación que indica un planeta pasando por delante. Un sistema de inteligencia artificial de Google entrenado en avistamientos de planetas confirmados rastreó los datos y descubrió dos nuevos exoplanetas que los revisores humanos habían pasado por alto, incluido el octavo planeta en el sistema Kepler-90, lo que lo convierte en la primera estrella conocida con tantos planetas como nuestro propio sistema solar.
La famosa imagen de 2019 del agujero negro en la galaxia M87, la primera jamás tomada, fue posible gracias a un algoritmo de inteligencia artificial desarrollado por Katie Bouman, que sintetizó datos de ocho telescopios repartidos por todo el planeta en una imagen coherente.
El rover Perseverance de la NASA utiliza navegación autónoma impulsada por IA para planificar sus propias rutas a través de la superficie marciana, evitando peligros sin esperar 20 minutos a que las señales de radio lleguen a la Tierra. Su helicóptero compañero Ingenuity utiliza IA en tiempo real para mantenerse estable en la fina atmósfera de Marte.
Encontrar nuevos materiales (mejores baterías, aleaciones más fuertes, células solares más eficientes) ha sido tradicionalmente un minucioso proceso de prueba y error. La IA está cambiando eso.
El Proyecto de Materiales ha utilizado IA para modelar computacionalmente las propiedades de más de 140.000 materiales, prediciendo su estabilidad, conductividad y otras características antes de que alguien los construya en un laboratorio. Los investigadores pueden consultar la base de datos para encontrar materiales con las propiedades exactas que necesitan.
El sistema FunSearch de Microsoft utiliza IA para descubrir nuevas estructuras y algoritmos matemáticos, lo que demuestra que la IA puede incluso hacer avanzar las matemáticas puras.
El hilo conductor de todos estos avances es el mismo: La IA puede encontrar patrones en los datos a escalas que son simplemente imposibles para los investigadores humanos.
Considere:
Los humanos somos extraordinarios reconocedores de patrones, pero sólo dentro de los límites de lo que podemos tener en nuestras cabezas. La IA no tiene ese límite. Puede procesar los resultados de todas las investigaciones en neurociencia publicadas y descubrir conexiones entre artículos escritos con décadas de diferencia que ningún investigador individual notaría jamás.
Esto no significa que la IA reemplace a los científicos. Los científicos todavía hacen preguntas, diseñan experimentos, interpretan los resultados y deciden lo que importa. La IA es la herramienta más poderosa jamás agregada al conjunto de herramientas científicas.
¿Cuál fue el principal logro de AlphaFold2 de DeepMind?