Cómo AlphaGo cambió la ciencia diez años después de ganar al campeón de Go
Google DeepMind celebra una década desde que su IA venció al mejor jugador humano del mundo en un juego ancestral, y explica cómo esa hazaña impulsó descubrimientos científicos que van desde el diseño de proteínas hasta la búsqueda de inteligencia artificial general.
Google DeepMind repasa cómo AlphaGo, el programa que en 2014 venció al campeón mundial de Go (un juego de estrategia ancestral) usando redes neuronales profundas (sistemas inspirados en el cerebro) y aprendizaje por refuerzo, sentó las bases de herramientas científicas como AlphaFold (que predice la estructura de proteínas) y de la búsqueda de AGI (inteligencia artificial general).
Han pasado diez años desde que AlphaGo (un programa de inteligencia artificial creado por DeepMind, antes de que Google la adquiriera) derrotó a Lee Sedol, el mejor jugador humano de Go, en un momento que muchos consideran histórico para la IA moderna. Según informó Google DeepMind en su blog oficial, aquella victoria no fue solo un hito mediático: marcó el inicio de una nueva forma de desarrollar sistemas de inteligencia artificial que hoy se aplican en campos tan variados como la biología molecular, la predicción del clima y el diseño de chips electrónicos.
El Go (un juego de estrategia de origen chino con más combinaciones posibles que átomos en el universo observable) era considerado imposible de dominar para una máquina con las técnicas tradicionales de programación. AlphaGo lo consiguió combinando redes neuronales profundas (sistemas informáticos inspirados en cómo funcionan las neuronas del cerebro) con aprendizaje por refuerzo (un método que enseña a la IA a mejorar mediante ensayo y error, recibiendo recompensas por buenas decisiones). Esa combinación de técnicas se convertiría en la base de avances posteriores.
Uno de los impactos más importantes de AlphaGo, explica DeepMind, fue AlphaFold (un sistema que predice la estructura tridimensional de las proteínas a partir de su secuencia genética). Las proteínas son moléculas esenciales para la vida, y conocer su forma permite entender cómo funcionan los fármacos o cómo evolucionan las enfermedades. AlphaFold ha catalogado ya la estructura de más de 200 millones de proteínas, una contribución que científicos de todo el mundo usan a diario. También han surgido aplicaciones en matemáticas avanzadas, optimización de rutas de transporte y búsqueda de materiales más eficientes para baterías.
Más allá de los usos concretos, Google DeepMind considera que AlphaGo demostró que la IA puede aprender a resolver problemas complejos sin necesidad de que los humanos le programen cada regla manualmente. Esa idea subyace en los grandes modelos de lenguaje actuales (LLMs, como ChatGPT o Gemini, que generan texto prediciendo la siguiente palabra más probable) y en la búsqueda de la AGI o inteligencia artificial general (un sistema hipotético que podría razonar, aprender y resolver tareas tan variadas como un ser humano, sin estar limitado a una sola función). Para DeepMind, los diez años desde aquella partida de Go son también diez años aprendiendo cómo construir máquinas que no solo juegan, sino que descubren.
