Durante meses, la conversación pública sobre inteligencia artificial se ha quedado en la superficie: asistentes conversacionales, generación de textos y herramientas de productividad. Ese foco es comprensible, pero parcial. Hay otra capa menos visible, más silenciosa y, para mucha gente, más determinante: la IA aplicada a la ciencia, capaz de ampliar lo que un equipo de investigación puede intentar, comprobar y entender.
James Manyika (Google-Alphabet) y Demis Hassabis (Google DeepMind) lo plantean en un artículo de opinión publicado por Fortune: la gran promesa no es que la IA “haga ciencia” por su cuenta, sino que extienda el alcance de la investigación, reduzca cuellos de botella y permita que más comunidades respondan a problemas urgentes con herramientas de primer nivel. La idea es sencilla: si el conocimiento y la infraestructura se concentran en pocos lugares, los beneficios también. Si el acceso se distribuye, las soluciones pueden aparecer en más sitios y más rápido.
AlphaFold y la lección del “mapa”: cuando ver una estructura cambia el juego
La historia más conocida en este argumento se llama AlphaFold. Hassabis recuerda que su sistema resolvió un reto de décadas: predecir la estructura de las proteínas, un problema que llevaba medio siglo siendo una especie de “nudo” en biología molecular. Pensémoslo con una metáfora cotidiana: intentar diseñar un tratamiento sin conocer la forma de una proteína se parece a intentar arreglar una cerradura sin haber visto nunca su interior. Puedes intuir, probar llaves, forzar, perder tiempo. Cuando por fin tienes el plano, el trabajo cambia de naturaleza.
Lo interesante aquí no es solo el hito técnico, sino lo que vino después: la AlphaFold Protein Database, disponible de forma abierta, ha sido utilizada por más de tres millones de investigadores en más de 190 países, con una parte significativa trabajando en países de ingresos bajos y medios, según exponen los autores en Fortune. En la práctica, una base de datos abierta funciona como una biblioteca científica global: no reemplaza el talento, pero quita barreras de entrada que antes separaban a quienes tenían recursos de quienes tenían preguntas igual de relevantes.
Ciencia local, impacto global: enfermedades y cultivos como termómetro de utilidad
Un rasgo que Manyika y Hassabis subrayan es que el acceso a herramientas de IA puede convertir problemas regionales en avances con valor mundial. Ponen ejemplos concretos: investigadores en la National University of Malaysia estudiando la propagación de la melioidosis, una enfermedad grave, para acelerar el desarrollo de tratamientos; y equipos en el Birla Institute of Technology and Science (India) trabajando en soja resistente a infecciones como la podredumbre del carbón.
Aquí hay un punto que suele perderse cuando hablamos de tecnología: la ciencia no ocurre en abstracto, ocurre en lugares con clima, patógenos, suelos y sistemas sanitarios específicos. Cuando una comunidad dispone de herramientas de investigación potentes, puede atacar su problema más cercano; si esa solución se comparte, el resto del mundo también gana. Es el equivalente científico a mejorar el sistema de riego en una región con sequía: el aprendizaje sobre eficiencia, materiales o predicción del consumo termina siendo útil más allá de esa finca.
Nuevas herramientas abiertas: de generar hipótesis a leer la Tierra desde el espacio
El artículo insiste en que AlphaFold es solo el primer gran caso visible. Aparecen tres nombres que ayudan a entender por dónde va la siguiente ola: AI co-scientist, EarthAI y AlphaGenome.
En el caso de AI co-scientist, la propuesta es ambiciosa: ayudar a científicos a descubrir conocimiento original y a generar hipótesis nuevas para problemas difíciles. Los autores mencionan estudios en los que el sistema habría propuesto de forma independiente ideas similares a las que investigadores humanos tardaron años en desarrollar, en ámbitos como encontrar nuevos usos para fármacos existentes o comprender mejor cómo ciertas bacterias adquieren resistencia a antibióticos.
EarthAI se sitúa en otro terreno: el planeta como sistema de datos. Con modelos fundacionales y razonamiento multimodal, busca ofrecer información geoespacial útil para monitorización ambiental y respuesta a desastres. Es como pasar de mirar un mapa en papel a tener una app que integra tráfico, lluvia, obras y alertas; el territorio es el mismo, la capacidad de interpretar señales cambia.
AlphaGenome, por su parte, apunta a la genética aplicada a la salud. Según el texto, su objetivo es predecir qué mutaciones impulsan ciertos cánceres y contribuir a entender la base molecular de la enfermedad para avanzar hacia terapias más personalizadas. Si la biología fuese una cocina, esto sería distinguir qué ingrediente exacto está estropeando una receta, en lugar de limitarse a decir que “algo sabe mal”.
Salud pública en el presente: diagnóstico, cribados y escalabilidad real
Mucho discurso tecnológico se queda en promesas a diez años vista. El texto de Fortune intenta aterrizarlo con cifras y ejemplos de impacto actual. Hablan de modelos de IA usados en el diagnóstico de enfermedades que afectan a millones, como tuberculosis y distintos cánceres. En ese mismo bloque aparece un caso concreto: un modelo para detectar retinopatía diabética, una causa creciente de ceguera prevenible si se identifica a tiempo.
El detalle importante no es solo que el modelo exista, sino cómo se usa. La retinopatía diabética requiere cribados regulares, algo que falla con frecuencia en zonas con pocos especialistas o sistemas de salud saturados. La IA, en este enfoque, funciona como un filtro temprano: identifica sospechas, prioriza, permite que el especialista llegue antes a quien lo necesita. Los autores señalan que el sistema ya se ha utilizado en alrededor de 600.000 cribados en todo el mundo y que acuerdos en India y Tailandia buscan escalarlo hasta al menos seis millones más en la próxima década.
La imagen cotidiana aquí sería la de un triage en urgencias: no cura por sí solo, pero ayuda a ordenar la atención cuando el flujo de pacientes supera la capacidad del equipo.
Seguridad alimentaria y resiliencia climática: predicción para decidir mejor
La ciencia aplicada no se limita a laboratorios biomédicos. Manyika y Hassabis describen un trabajo en seguridad alimentaria a través de modelos de fenotipado de plantas: sistemas que, a partir de grandes cantidades de datos, ayudan a acelerar el desarrollo de semillas más resistentes al clima. En agricultura, el tiempo es un recurso tan crítico como el agua: cada temporada perdida puede ser un golpe económico y social. Un modelo que anticipe qué rasgos funcionan mejor bajo calor extremo o estrés hídrico puede acortar ciclos de ensayo y error.
En resiliencia climática, el texto cita el uso pionero de predicciones del monzón en India para enviar alertas a 38 millones de agricultores, orientándoles sobre cuándo plantar. Aquí la IA se parece menos a un “cerebro” y más a un buen parte meteorológico hiperlocal, que te dice si sales con paraguas o si conviene retrasar la siembra una semana.
También mencionan avances en predicción de inundaciones fluviales con más de seis días de anticipación, extendidos a más de 150 países, cubriendo regiones donde viven más de dos mil millones de personas. En emergencias, seis días pueden ser la diferencia entre evacuar con orden o improvisar. La ciencia, en este sentido, no es un lujo: es logística de supervivencia.
El gran cuello de botella: acceso desigual, infraestructura y colaboración
El mensaje central del artículo no es “tenemos modelos impresionantes”, sino “el progreso es desigual”. Los autores reconocen que investigadores y organizaciones siguen chocando con barreras de recursos e infraestructura: hardware, datos, conectividad, formación, capacidad de implementar herramientas y, a menudo, la falta de alianzas que conviertan prototipos en programas sostenibles.
La discusión sobre acceso abierto aparece como una pieza estratégica: si una herramienta se queda encerrada en un puñado de instituciones, su efecto social se reduce. Si se comparte con estándares claros, soporte y colaboración, puede convertirse en una especie de “servicio público del conocimiento”. No significa regalarlo todo sin gobernanza; significa diseñar vías para que más gente pueda usarlo con responsabilidad, seguridad y utilidad real.
Por qué los encuentros globales importan: el caso del India AI Impact Summit
Manyika y Hassabis cierran su argumento con una idea de gobernanza práctica: nadie puede hacerlo solo. Plantean que el acceso amplio a IA para ciencia exige cooperación entre investigadores, empresas tecnológicas, universidades, ONG, sector privado y sector público. En ese marco mencionan el India AI Impact Summit, descrito como el primer gran encuentro global sobre IA organizado por una economía emergente, con la aspiración de “codiseñar” un futuro donde estas herramientas sirvan a más personas.
La clave aquí es que muchas oportunidades y riesgos son internacionales por naturaleza: enfermedades infecciosas, crisis alimentarias, eventos extremos. Si cada país intenta resolverlo por su cuenta con capacidades muy distintas, el resultado es un mosaico desigual. Si se comparten herramientas, datos, prácticas y auditorías, la ciencia se vuelve un esfuerzo más parecido a una red eléctrica: la potencia aumenta cuando el sistema está interconectado.
☞ El artículo completo original de Natalia Polo lo puedes ver aquí