En el escenario de Google I/O, Demis Hassabis proclamó que la humanidad se encuentra «en las estribaciones de la singularidad». El ejemplo concreto que eligió para ilustrarlo fue un sistema meteorológico que alertó sobre un huracán.
La distancia entre esas dos ideas —entre la retórica del umbral histórico y la predicción del tiempo— no pasó desapercibida entre quienes escuchaban. Esa distancia apunta a algo real: la forma en que Google, y el sector en su conjunto, concibe el papel de la IA en la ciencia está cambiando de manera profunda.
De la predicción del tiempo a la singularidad: la contradicción que nadie nombró
Hassabis eligió WeatherNext como ejemplo central de su segmento sobre IA científica. El sistema alertó con antelación sobre el huracán Melissa y su devastador impacto en Jamaica. Si esa alerta salvó vidas, es un logro enorme y concreto.
Pero no es evidencia de una singularidad inminente. Esa brecha entre el ejemplo y la retórica revela algo más profundo: dentro del propio Google conviven dos visiones distintas de lo que la IA puede hacer por la ciencia. Una apuesta por herramientas especializadas, entrenadas para resolver problemas concretos; la otra imagina agentes autónomos capaces de ejecutar proyectos de investigación de vanguardia sin intervención humana.
El reinado de las herramientas especializadas: AlphaFold y el Nobel que ya parece historia
Hace apenas cinco años, AlphaFold resolvió el problema del plegamiento de proteínas. Desde entonces, más de tres millones de investigadores en todo el mundo han utilizado sus predicciones, y el año pasado los científicos de DeepMind responsables de ese trabajo recibieron el Premio Nobel.
El impacto comercial también es tangible. Isomorphic Labs, subsidiaria de Google, acaba de captar 2.000 millones de dólares en una ronda Serie B para desarrollar fármacos usando esa tecnología. El verano pasado se lanzaron además AlphaGenome y AlphaEarth Foundations, herramientas especializadas en genética y ciencias de la Tierra respectivamente. Google no ha abandonado este camino, aunque el discurso interno —y al menos parte de los recursos— ha comenzado a moverse en otra dirección.
La reorientación silenciosa: cuando el talento migra hacia los agentes
El caso más revelador es el de John Jumper. El investigador que ganó el Nobel por AlphaFold trabaja ahora en IA para programación, no en herramientas científicas especializadas. Un desplazamiento discreto, pero significativo.
Hay una explicación inmediata: Google ha sufrido un daño reputacional porque sus herramientas de codificación no compiten bien con las de Anthropic y OpenAI. Reasignar a sus mejores investigadores a ese problema tiene sentido defensivo. Pero existe otra lectura: las capacidades de programación son clave para los sistemas agénticos de investigación, de modo que reforzar ese frente equivale, al mismo tiempo, a construir los cimientos de la ciencia autónoma. Pushmeet Kohli, científico jefe de Google Cloud, lo formuló sin ambages en un artículo reciente: la IA está dejando de «facilitar» la ciencia para empezar a «hacerla».
Gemini for Science y los agentes que ya investigan: resultados reales, preguntas abiertas
La gran apuesta presentada en Google I/O fue Gemini for Science, una marca que agrupa varios sistemas LLM de Google bajo un mismo paraguas. Incluye el AI Co-Scientist —generador de hipótesis— y AlphaEvolve —optimizador de algoritmos—. Ninguno está disponible al público general todavía, aunque cualquier investigador puede solicitar acceso.
Los primeros resultados generan expectación. Gary Peltz, genetista de Stanford, comparó usar el AI Co-Scientist con «consultar al oráculo de Delfos» en un artículo publicado en Nature Medicine. Esta misma semana, un modelo de propósito general de OpenAI —no especializado en matemáticas— refutó un importante teorema matemático; algunos matemáticos lo consideran la contribución más significativa que la IA generativa ha hecho hasta ahora a esa disciplina.
La ciencia experimental, sin embargo, exige verificación empírica, algo que las matemáticas no requieren de la misma manera. Un resultado generado por un agente no basta: hay que probarlo en el laboratorio.
¿Colaboradores o sucesores? El lenguaje cuidadoso de Hassabis y lo que no dice
Google ha elegido el nombre «AI Co-Scientist» con deliberación evidente. No «AI Scientist». La diferencia importa: sitúa a la máquina como apoyo, no como protagonista.
Hassabis mantiene ese mismo marco cuando habla del futuro. «Durante la próxima década, debemos pensar en la IA como una herramienta extraordinaria para ayudar a los científicos», declaró en una entrevista reciente. Más allá de ese horizonte, admite que estos sistemas podrían convertirse en algo más parecido a «colaboradores». Pero ser un colaborador científico eficaz implica, necesariamente, ser también un científico competente. La distinción se difumina.
Si la trayectoria actual continúa, los sistemas agénticos podrían superar las capacidades humanas en ciertos dominios. El propio Hassabis no descarta esa posibilidad a largo plazo. Lo que queda por ver es a qué velocidad se produce ese avance —y qué papel quedará entonces para los investigadores humanos en un ecosistema científico que ellos mismos han contribuido a construir.