¿Podrá producir el próximo gran avance?

Nadie podría acusar a Demis Hassabis de soñar en pequeño.

En 2016, la empresa que cofundó, DeepMind, conmocionó al mundo cuando un modelo de inteligencia artificial que creó venció al mejor jugador humano de el juego de estrategia ir. Luego, Hassabis puso sus miras aún más alto: en 2019, les dijo a sus colegas que su objetivo era ganar premios Nobel con las herramientas de inteligencia artificial de la compañía.

El Nobel de Química es para los desarrolladores de AlphaFold AI que predice estructuras de proteínas

Sólo hicieron falta cinco años para hassabis y DeepMind Juan saltador para ello, recaudando una parte del Premio Nobel de Química 2024 por crear AlphaFoldla IA que revolucionó la predicción de estructuras de proteínas.

AlphaFold es sólo uno de una serie de éxitos científicos que DeepMind ha logrado durante la última década. Cuando cofundó la empresa en 2010, Hassabis, un neurocientífico y desarrollador de juegos, dice que su objetivo era crear “un laboratorio de investigación científica de clase mundial, pero en la industria”. En esa búsqueda, la empresa buscó aplicar el método científico al desarrollo de la IA, y hacerlo de manera ética y responsable, anticipando riesgos y reduciendo daños potenciales. Según informes de los medios, la creación de una junta de ética de la IA era una condición para el acuerdo de adquisición de la empresa por Google en 2014 por unos 400 millones de dólares.

Ahora Google DeepMind está intentando replicar el éxito de AlphaFold en otros campos de la ciencia. «Ahora estamos aplicando la IA a casi todas las demás disciplinas científicas», afirma Hassabis.

Pero el clima para esta unión entre ciencia e industria ha cambiado drásticamente desde el lanzamiento de ChatGPT en 2022, un evento que Hassabis llama un “momento de despertar”. La llegada de los chatbots y los grandes modelos lingüísticos (LLM) que los impulsan provocó una explosión en el uso de la IA en toda la sociedad, así como una lucha por parte de un número creciente de competidores bien financiados para lograr una inteligencia general artificial (AGI) a nivel humano.

Google DeepMind ahora se apresura a lanzar productos comerciales, incluidas iteraciones de los LLM Gemini de la empresa, casi semanalmente, mientras continúa su investigación de aprendizaje automático y producir modelos científicos específicos. La aceleración ha hecho que sea más difícil desarrollar una IA responsable y algunos empleados están descontentos con la perspectiva más comercial de la empresa, dicen varios ex empleados.

Todo esto plantea dudas sobre hacia dónde se dirige DeepMind y si puede lograr grandes éxitos en otros campos de la ciencia.

Premio Nobel

En la elegante sede de Google DeepMind en el centro tecnológico King's Cross de Londres, relucientes esculturas geométricas y olor a café expreso cuelgan en el salón de recepción. El tiempo es tan valioso que los miembros del personal (que se cree que son entre 500 y 1.000 en todo el mundo) pueden tomar un scooter para correr los pocos cientos de metros de una oficina a otra.

Está muy lejos de los humildes orígenes de la empresa, que buscaba construir sistemas generales de IA fusionando ideas de la neurociencia y el aprendizaje automático. «Eran absolutamente súper genios», dice Joanna Bryson, científica informática e investigadora en ética de la IA en la Escuela Hertie de Berlín. «Eran estos 12 tipos que todos querían».

El laboratorio fue pionero en técnica de inteligencia artificial de aprendizaje profundoque utiliza neuronas simuladas para aprender asociaciones en datos después de estudiar ejemplos del mundo real, así como aprendizaje por refuerzo, en el que un modelo aprende por prueba, error y recompensa. Después de aplicarlos para enseñar modelos. cómo jugar juegos de arcade¹ en 2015 y domina el antiguo juego de Go² En 2016, DeepMind centró su atención en su primer problema científico: predecir la estructura 3D de las proteínas³ de sus aminoácidos constituyentes.

Hassabis se encontró por primera vez con el enigma de la estructura de las proteínas cuando era estudiante en la Universidad de Cambridge, Reino Unido, en la década de 1990, y lo señaló como un problema que la IA podría algún día ayudar a resolver. Las técnicas de aprendizaje de IA requieren una base de datos de ejemplos, así como métricas claras de éxito que guíen el progreso del modelo. gracias a un base de datos de larga data de estructuras conocidas y una competencia establecida que juzgaba la precisión de las predicciones, las proteínas tenían ambas cosas.

El plegamiento de proteínas marcó una casilla crucial para Hassabis: es un problema de «nodo raíz» que, una vez resuelto, abre ramas de investigación y aplicaciones posteriores. Ese tipo de problemas “merece la pena dedicar cinco o diez años y un montón de ordenadores e investigadores”, afirma.

¿Qué sigue para AlphaFold y la revolución del plegamiento de proteínas con IA?

DeepMind lanzó su primera iteración de AlphaFold en 2018, y para 2020, su desempeño muy superado el de herramientas de cualquier otro equipo. Hoy, una empresa derivada de DeepMind, Isomorphic Labs, busca utilizar AlphaFold en el descubrimiento de fármacos. Y la base de datos AlphaFold de DeepMind con más de 200 millones de predicciones de estructuras de proteínas se ha utilizado en una variedad de esfuerzos de investigación, desde mejorar la inmunidad de las abejas a las enfermedades ante la disminución de la población mundial hasta la detección de compuestos antiparasitarios para tratar la enfermedad de Chagas, una infección parasitaria potencialmente mortal.⁴.

La ciencia no es sólo una fuente de problemas por resolver; La empresa intenta abordar todo su desarrollo de IA de forma científica, afirma Pushmeet Kohli, que dirige los esfuerzos científicos de la empresa. Los investigadores tienden a volver a los primeros principios para cada problema y probar técnicas nuevas, dice. Los miembros del personal de muchas otras empresas de IA se parecen más a ingenieros: aplican el ingenio pero no hacen descubrimientos básicos, dice Jonathan Godwin, director ejecutivo de la empresa de IA Orbital Materials en Londres, quien fue investigador en Google DeepMind hasta finales de 2022.

Pero replicar el éxito de AlphaFold será difícil: «No hay muchos esfuerzos científicos que funcionen así», dice Godwin.

Desbloqueando el genoma

Google DeepMind está dedicando sus recursos a varios problemas para los cuales cree que la IA podría acelerar el desarrollo y que podrían tener un «impacto transformador», dice Kohli. Estos incluyen pronóstico del tiempo⁵ y la fusión nuclear, que tiene el potencial de convertirse en una fuente de energía limpia y abundante. La empresa selecciona los proyectos mediante un estricto proceso de selección, pero los investigadores individuales pueden elegir en cuál trabajar y cómo abordar un problema, afirma. Los modelos de IA que funcionan en estos problemas a menudo requieren datos especializados e investigadores para programar conocimientos en ellos.

Un proyecto prometedor, afirma Kohli, es AlfaGenomaque se lanzó en junio como un intento de descifrar largos tramos de ADN humano no codificante y predecir sus posibles funciones.⁶. Pero el desafío es más difícil que para AlphaFold, porque cada secuencia produce múltiples funciones válidas.

La ciencia de los materiales es otra área en la que la empresa espera que la IA pueda ser revolucionaria. Los materiales son difíciles de modelar porque las complejas interacciones de los núcleos atómicos y los electrones sólo pueden ser aproximadas. A partir de una base de datos de estructuras simuladas, DeepMind desarrolló su modelo GNoMEque en 2023 predijo 400.000 nuevas sustancias potenciales⁷. Ahora, dice Kohli, el equipo está utilizando el aprendizaje automático para desarrollar mejores formas de simular el comportamiento de los electrones, que se aprenden de interacciones de ejemplo en lugar de confiar en los principios de la física. El objetivo final es predecir materiales con propiedades específicas, como el magnetismo o la superconductividad, afirma. «Queremos ver la era en la que la IA pueda básicamente diseñar cualquier material con cualquier tipo de propiedad mágica que desee, si es posible», afirma.

Los modelos de IA tienen una variedad de problemas de seguridad conocidos, desde el riesgo de ser utilizados para crear armas biológicas hasta la perpetuación de prejuicios raciales y de género, y estos pasan a primer plano cuando se lanzan modelos al mundo. Google DeepMind tiene un comité dedicado a la responsabilidad y la seguridad que trabaja en toda la empresa y es consultado en cada etapa importante de desarrollo, dice Anna Koivuniemi, quien dirige su «acelerador de impacto», un esfuerzo para rastrear la sociedad en busca de áreas en las que la IA podría marcar una diferencia. Los miembros del comité ponen a prueba la idea para ver qué podría salir mal, incluso mediante consultas externas. «Nos lo tomamos muy, muy en serio», dice.

Otra ventaja que tiene la empresa es que sus investigadores buscan el tipo de IA que el mundo quiere en última instancia, dice Godwin. «La gente realmente no quiere que se generen videos aleatorios de ellos mismos y los coloquen en una red social; quieren energía ilimitada o enfermedades que se curen», dice.

Pero DeepMind ahora tiene compañía en la búsqueda de utilizar la IA para la ciencia. Algunas empresas que comenzaron haciendo LLM parecen estar adoptando la visión de Hassabis de la IA para la ciencia. En los últimos dos meses, tanto OpenAI como la firma de inteligencia artificial Mistral, con sede en París, han creado equipos dedicados al descubrimiento científico.

Preocupaciones de la empresa

Para las empresas e investigadores de IA, el lanzamiento de ChatGPT de OpenAI en 2022 lo cambió todo. Su éxito fue “bastante sorprendente para todos”, afirma Hassabis.