A diez años de la victoria de AlphaGo que cambió la ciencia moderna
Por siglos, el juego de Go fue considerado uno de los mayores desafíos intelectuales para la mente humana. Una máquina lo entendió y después ganó el premio Nobel.
A diferencia del ajedrez, cuya complejidad ya había sido conquistada por máquinas como Deep Blue, el Go representaba un obstáculo mucho más profundo: su inmenso espacio de posibilidades lo hacía prácticamente inabordable, incluso para las computadoras más potentes.
El abismo estadístico del Go
El tablero de Go es de 19x19, lo que genera un número de configuraciones posibles mayor que el número de átomos en el universo observable. Mientras que en el ajedrez hay del orden de 10^120 posiciones posibles, en Go esta cifra se eleva aproximadamente a 10^170 (un diez seguido de 170 ceros). Este crecimiento explosivo es un ejemplo clásico de complejidad combinatoria, donde cada movimiento multiplica exponencialmente las opciones futuras.
Desde el punto de vista de la teoría de juegos y la inteligencia artificial, esto implicaba que los enfoques tradicionales basados en fuerza bruta eran inútiles. No se podía simplemente "calcular todo". Había que aprender a intuir, a reconocer patrones, a evaluar posiciones sin explorar cada posibilidad.
AlphaGo lo cambió todo
En 2016, AlphaGo, desarrollada por DeepMind, derrotó al campeón mundial Lee Sedol en una serie histórica. Este evento no fue solo una victoria técnica, sino un punto de inflexión cultural y científico.
Uno de los momentos más famosos fue el "movimiento 37", una jugada tan inesperada que los expertos la consideraron inicialmente un error. Sin embargo, resultó ser brillante y mostró algo radical: la máquina no solo calculaba; parecía crear estrategias nuevas, fuera del canon humano acumulado durante milenios.
Del cálculo al aprendizaje
A diferencia de sistemas anteriores, AlphaGo no fue programada con reglas exhaustivas. En cambio, utilizó redes neuronales profundas y aprendizaje reforzado, entrenándose mediante millones de partidas contra sí misma. Este enfoque marcó la transición desde la programación explícita hacia sistemas que descubren conocimiento por experiencia.
Este cambio tuvo implicaciones enormes:
• La IA dejó de ser una herramienta pasiva para convertirse en un agente activo de descubrimiento.
• Mostró que muchos problemas complejos contienen estructuras estadísticas explotables, incluso cuando sus ecuaciones completas son intratables.
• Se abrió la puerta a aplicar estos métodos fuera de los juegos, en dominios científicos reales.
Del Go al clima
Una de las lecciones más profundas de AlphaGo fue que no siempre es necesario resolver todas las ecuaciones físicas para hacer predicciones útiles. En sistemas complejos, existen regularidades estadísticas que pueden aprenderse directamente de los datos.
Esto inspiró modelos como GraphCast, capaces de predecir el clima en minutos utilizando aprendizaje automático, en lugar de resolver explícitamente ecuaciones como las de Navier-Stokes en supercomputadoras.
Plegamiento de proteínas
En biología, fue uno de los mayores enigmas durante 50 años. Las proteínas son cadenas de aminoácidos que se pliegan en estructuras tridimensionales, y es la forma de ese plegamiento el que determina su función. El problema era el siguiente: dada una secuencia de aminoácidos, ¿cuál es su estructura final?
La dificultad radica en varios factores:
• Explosión combinatoria: una proteína puede adoptar un número astronómico de configuraciones posibles.
• Simulación inviable: calcular todas las interacciones físicas mediante dinámica molecular es extremadamente costoso en tiempo y en hardware.
• Escala temporal: resolver la estructura de una sola proteína podía llevar años de trabajo experimental.
Este problema se convirtió en un símbolo de lo "intratable" en biología computacional.
AlphaFold, hija de AlphaGo
El avance decisivo llegó con AlphaFold, también desarrollada por DeepMind. Inspirada en las ideas fundamentales de AlphaGo, aplicó aprendizaje profundo para predecir estructuras proteicas con una precisión sin precedentes.
En lugar de simular cada interacción física, AlphaFold aprendió patrones estadísticos a partir de bases de datos de proteínas ya conocidas. Es decir, encontró los "atajos" que la naturaleza sigue. El resultado fue extraordinario:
• Predicción de más de 200 millones de estructuras proteicas.
• Reducción de tiempos de años a minutos o segundos.
• Transformación completa de la biología estructural.
Su impacto fue tan profundo que se le otorgó el Premio Nobel de Química 2024.
La vida a través de la forma
El plegamiento de proteínas es fundamental porque la función biológica depende directamente de la estructura. Enzimas, receptores, anticuerpos: todos funcionan según su forma tridimensional. AlphaFold no solo resolvió un problema técnico; proporcionó una nueva base para:
• Diseño de fármacos
• Comprensión de enfermedades
• Ingeniería de proteínas
En esencia, permitió pasar de leer la "lista de ingredientes" (el ADN) a entender cómo se ensamblan en máquinas funcionales.
Nueva forma de hacer ciencia
El impacto combinado de AlphaGo y AlphaFold sugiere un cambio más profundo:
• La ciencia ya no depende únicamente de teorías explícitas, sino también de modelos que capturan patrones complejos.
• Surge una nueva tensión entre explicar y predecir.
• Los sistemas de IA empiezan a participar en todo el ciclo científico: desde generar hipótesis hasta validarlas.
Esto plantea una idea ambiciosa: que cualquier sistema suficientemente complejo —desde el clima hasta la biología— podría ser abordado mediante aprendizaje automático.
La victoria de AlphaGo no fue simplemente un logro en un juego milenario. Fue la demostración de que las máquinas pueden navegar espacios de posibilidades que superan la intuición humana. Ese mismo principio permitió a AlphaFold resolver uno de los mayores enigmas de la biología.
Lo que comenzó en un tablero de Go terminó redefiniendo nuestra forma de entender la naturaleza: no como algo que siempre debemos resolver paso a paso, sino como un sistema donde, a veces, aprender los patrones es más poderoso que conocer todas las reglas.
