La mitad del Premio Nobel de Química de 2024 se concedió a David Baker（David Baker），“en reconocimiento a sus contribuciones al diseño computacional de proteínas”; la otra mitad se concedió conjuntamente a Demis Hassabis（德米斯·哈萨比斯）y John M. Jumper，“en reconocimiento a sus logros en la predicción de estructuras de proteínas”.
David Baker es director del Instituto de Diseño de Proteínas de la Universidad de Washington y está considerado un pionero en el diseño de proteínas. Desde 2003, ha logrado diseñar diversas proteínas completamente nuevas e innovadoras, como Top7, ampliamente utilizadas en medicamentos, vacunas, nanomateriales y microsensores, entre otros ámbitos. Además, ya en 1999 propuso RoseTTA, un algoritmo de predicción de estructuras proteicas, antes que AlphaFold de Deepmind.
Los otros dos galardonados resultan aún más conocidos. Demis Hassabis es cofundador y CEO de Google DeepMind, y John M. Jumper es actualmente director de Google DeepMind.Ambos, al dirigir al equipo que desarrolló el modelo de IA AlphaFold 2, resolvieron un problema que había desconcertado a la comunidad científica durante 50 años: predecir la compleja estructura de las proteínas a partir de sus secuencias de aminoácidos.
Las proteínas son las herramientas químicas fundamentales de la vida: controlan e impulsan todas las reacciones bioquímicas y desempeñan funciones clave como hormonas, sustancias de señalización, anticuerpos y componentes de los tejidos. En las proteínas, los aminoácidos se enlazan formando largas cadenas que se pliegan en estructuras tridimensionales. Desde los años 70 del siglo pasado, los investigadores han intentado predecir la estructura de las proteínas a partir de sus secuencias de aminoácidos, pero los avances fueron lentos hasta el asombroso logro de DeepMind hace cuatro años.
En 2020, Demis Hassabis y John Jumper desarrollaron AlphaFold 2 a partir de la primera generación de AlphaFold. Puede predecir la estructura de casi la totalidad de los 2 cientos de millones de proteínas identificadas por los investigadores; hasta la fecha, ha recibido más de 2 decenas de miles de citas y lo han utilizado más de 200 millones de personas de 190 países, impulsando enormes avances en ámbitos como las vacunas contra la malaria, los tratamientos contra el cáncer, el diseño de enzimas y la investigación sobre la resistencia a los antibióticos. De hecho, antes del Nobel, ambos ya habían recibido el año pasado el Premio Breakthrough en Ciencias de la Vida, conocido como los «Óscar de la ciencia», y el Premio Lasker, considerado un «indicador del Nobel», en reconocimiento a sus destacadas contribuciones a la investigación médica básica.
La Real Academia Sueca de Ciencias declaró en un comunicado: «Sin proteínas, la vida no puede existir. Hoy podemos predecir sus estructuras y diseñar nuestras propias proteínas, lo que aporta enormes beneficios a la humanidad».
Al conocer la noticia del premio, la cuenta oficial de Google DeepMind publicó enseguida un mensaje para «compartir la buena noticia».
Demis Hassabis también declaró en un comunicado:
“Recibir el Premio Nobel es el honor de mi vida. Gracias a la Real Academia de las Ciencias de Suecia, a John Jumper y al equipo de AlphaFold, a los equipos más amplios de DeepMind y Google, y a todos los colegas que han contribuido a este momento. He dedicado mi carrera al avance de la IA porque tiene un potencial incomparable para mejorar la vida de miles de millones de personas. Más de 200 decenas de miles de investigadores ya han utilizado AlphaFold para impulsar trabajos fundamentales, desde el diseño de enzimas hasta el descubrimiento de fármacos. Espero que en el futuro podamos considerar AlphaFold como la primera demostración del enorme potencial de la IA para acelerar los descubrimientos científicos.”
John Jumper declaró a continuación: «Esta es una prueba importante de que la IA puede acelerar la investigación científica y, en última instancia, ayudar a comprender las enfermedades y desarrollar tratamientos. Este trabajo se debe al excelente equipo de Google DeepMind, y este premio también reconoce sus extraordinarias contribuciones».
Llegados a este punto, si añadimos al «padrino de la IA», Geoffrey E. Hinton, que previamente había recibido el premio de Física y suscitado un intenso debate, resulta evidente el vínculo común entre estos galardonados que más atención han atraído este año: Hinton fue una figura central de Google Brain, que encarnó las primeras ambiciones de Google en IA, mientras que Demis Hassabis es el alma de Google Deepmind, que ha asumido las tareas de investigación en IA de Google en los últimos años.
No es de extrañar que hasta la «fiesta del Nobel» se celebrara directamente en el campus de Google.
Tras la concesión consecutiva de premios Nobel a científicos de IA, Google también «ha ganado por goleada».
La ofensiva de Google
Desde una perspectiva cronológica, Google fue sin duda la primera gran empresa en entrar en el campo de la inteligencia artificial.
Aunque muchas versiones de la historia describen aquella subasta secreta celebrada en el invierno de 2012 en un hotel casino junto al lago Tahoe, en Estados Unidos, como una competencia justa entre los tres gigantes tecnológicos Google, Microsoft y Baidu, y DeepMind, por DNNResearch, la pequeña empresa que Hinton acababa de fundar y que, aparte de unos pocos artículos, no tenía ningún producto tangible, al mirar atrás, el desenlace de aquella subasta en realidad ya estaba decidido. Porque uno de sus orígenes fue precisamente el impulso de Google 6 meses antes.
En el mes 6 de 2012, Google Brain puso en marcha públicamente el proyecto «El gato de Google (The Cat Neurons)», que empleaba algoritmos para identificar gatos en vídeos de YouTube. Lo dirigió Andrew Ng, contó con la participación de Jeff Dean y recibió un fuerte apoyo del fundador de la empresa, Larry Page.
El proyecto construyó una gran red neuronal con 10 cientos de millones de conexiones y la entrenó en 16,000 CPU utilizando 1000 decenas de miles de vídeos sin etiquetar de YouTube. Mediante aprendizaje no supervisado, el sistema logró aprender por sí solo a reconocer caras de gatos con una precisión del 74.8%, y también pudo reconocer rostros humanos y otros objetos.
Sin embargo, hacia el final del proyecto, Andrew Ng decidió retirarse en pleno auge y, antes de marcharse, recomendó a Google que su profesor Hinton lo sustituyera. Hinton dijo que no dejaría la universidad y que solo estaba dispuesto a «pasar un verano» en Google. Así se convirtió en el becario de mayor edad de la historia de Google.
Como autoridad en el campo del aprendizaje profundo, Hinton detectó pronto los defectos del proyecto y señaló que el gato de Google «ejecutaba la red neuronal equivocada y utilizaba una capacidad de cómputo inadecuada». Así, tras finalizar su breve «periodo de prácticas», Hinton reunió de inmediato a sus alumnos Ilya Sutskever y Alex Krizhevsky para formar un equipo que desarrolló una nueva arquitectura de red neuronal, AlexNet. Con los resultados obtenidos del entrenamiento con tan solo 4 GPU de NVIDIA, participaron en la competición de reconocimiento de imágenes ImageNet de 2012 y lograron finalmente una victoria revolucionaria con una precisión del 84%.
En el mes 10 de ese mismo año, el equipo de Hinton presentó oficialmente el algoritmo ganador AlexNet en una conferencia de visión por computador en Florencia. Un equipo académico había remontado hasta derrotar a Google, pese a la enorme diferencia de recursos de hardware e investigación y desarrollo, lo que causó una gran conmoción tanto en el mundo académico como en la industria. El artículo sobre AlexNet también se convirtió en uno de los más influyentes de la historia de la informática, con más de 12 decenas de miles de citas.
A continuación, los tres constituyeron la empresa DNNResearch. El desarrollo posterior de la puja fue aún más natural: cuando la valoración alcanzó los 4400 diez mil dólares, Hinton detuvo la subasta y se incorporó oficialmente a Google junto con sus dos alumnos, como vicepresidente de Google Brain e investigador de ingeniería.
Por entonces, Hinton escribió en un comunicado: «Seguiré enseñando a tiempo parcial en la Universidad de Toronto, pero en Google podré ver cómo abordamos la computación a una escala gigantesca».
Durante sus diez años en Google, hasta mayo de 2023, concretamente el mes 5, Hinton siguió participando en la investigación de redes neuronales artificiales a gran escala e hizo contribuciones fundamentales a las tecnologías subyacentes de sistemas modernos de IA como Bard y ChatGPT. También participó en el desarrollo de TensorFlow, la biblioteca de aprendizaje automático de código abierto, impulsó las capacidades de aplicaciones de IA como el reconocimiento de imágenes y la comprensión del lenguaje, y extendió el uso del aprendizaje profundo a diversos productos y servicios de Google.
Google nunca dejó de reunir talento y tecnología. Apenas dos años después de adquirir DNNResearch, también incorporó DeepMind, fundada por Hassabis, uno de sus rivales en aquella puja.
Según se informa, Google incluso fletó un avión privado para llevar a Hinton a Londres a “inspeccionar la mercancía” y adaptó especialmente el asiento para resolver el problema de su dolor de espalda, que le impedía viajar en avión. Por su parte, Facebook, desplazada entonces por Google, tras perder la oportunidad de adquirir DeepMind, optó por fichar a un alto precio a Yann LeCun, uno de los “tres gigantes del aprendizaje profundo”.
La historia de Deepmind
En cuanto a DeepMind, lo cierto es que ya atravesaba dificultades financieras antes de que Google la adquiriera: la empresa seguía consumiendo capital sin encontrar un modelo de negocio sostenible e incluso estuvo al borde de la quiebra.
La adquisición por parte de Google por 6 cientos de millones de dólares salvó a DeepMind: conservó su equipo técnico principal y le proporcionó potentes recursos informáticos, incluido el apoyo de una plataforma de computación en la nube y centros de datos. Esto permitió a DeepMind entrenar redes neuronales profundas con mayor capacidad de cómputo y, especialmente durante el desarrollo de AlphaGo, mejorar considerablemente la velocidad de cálculo y la precisión de los modelos. Además, Google proporcionó TPU（unidades de procesamiento tensorial）diseñadas específicamente para ello, lo que optimizó aún más la eficiencia del entrenamiento y la inferencia de los modelos de aprendizaje profundo. TensorFlow, una herramienta básica de IA, también se utilizó ampliamente en las investigaciones de DeepMind y contribuyó a mejorar el rendimiento de AlphaGo.
AlphaGo es un programa de inteligencia artificial para jugar al go desarrollado por el equipo de DeepMind. Analiza millones de partidas y emplea aprendizaje por refuerzo mediante partidas contra sí mismo para dominar estrategias complejas de go, llegando a superar a los mejores jugadores humanos. En 2016, AlphaGo venció al campeón mundial de go Lee Sedol por 4 a 1, una victoria que le dio fama y sorprendió al mundo entero.
Sin embargo, para Hassabis, demostrar mediante juegos de tablero el potencial de la IA para resolver problemas complejos era solo el comienzo. Lo más importante era utilizarla para orientar sistemas de aprendizaje general capaces de afrontar los desafíos del mundo real y, con ello, mejorar de verdad la vida humana, transformar sectores y hacer avanzar la ciencia.
Así, en cuestión de meses, DeepMind contrató rápidamente a biólogos y formó un equipo interdisciplinario centrado en resolver el problema del plegamiento de proteínas, lo que finalmente dio lugar al nacimiento del proyecto AlphaFold en 2018. Tras múltiples iteraciones, AlphaFold ha transformado por completo la investigación biológica gracias a su revolucionaria capacidad para predecir estructuras de proteínas, mostrando el enorme potencial de aplicación de la IA en la ciencia.
Este mismo mes de mayo, el mes 5 del año, Google Deepmind volvió a anunciar oficialmente el lanzamiento conjunto con Isomorphic Labs de AlphaFold 3，un modelo de predicción de proteínas de nueva generación, cuyo artículo se publicó en la revista Nature.
En comparación con las versiones anteriores, AlphaFold 3 no solo ha avanzado en la predicción del plegamiento de proteínas, sino que también ha logrado, por primera vez, predecir con gran precisión las estructuras y las interacciones de biomoléculas como proteínas, ADN, ARN y ligandos. Este avance ayuda a los científicos a comprender mejor los mecanismos de las enfermedades y los procesos vitales, al tiempo que reduce considerablemente los plazos y los costes de investigación y desarrollo. Ya sea para desarrollar materiales renovables o para acelerar el diseño de fármacos y la investigación genómica, AlphaFold 3 ha abierto un abanico más amplio de aplicaciones en el ámbito de las biomoléculas.
Además, el equipo lanzó, sobre la base de AlphaFold 3, una plataforma gratuita llamada AlphaFold Server para que científicos de todo el mundo realicen investigaciones sin fines comerciales, ampliando así el acceso a la exploración científica.
A través de DeepMind, Google atrae continuamente a los mejores investigadores del mundo y les proporciona financiación a largo plazo, lo que les permite centrarse en investigaciones innovadoras sin depender de beneficios comerciales a corto plazo. Google también ha otorgado a DeepMind una gran autonomía estratégica para elegir libremente sus líneas de investigación. Precisamente esta independencia y este apoyo prolongado han sentado unas bases sólidas para que DeepMind realice investigaciones de futuro.
Además de sus avances en los juegos y la biología, DeepMind desarrolló WaveNet, un modelo de síntesis de voz realista para el Asistente de Google que mejoró la experiencia de interacción por voz. Mediante el modelo de visión, lenguaje y acción RT-2, mejoró la capacidad de los robots para realizar tareas en entornos diversos. Sus investigaciones también abordan problemas complejos como la predicción meteorológica y los reactores de fusión nuclear, e impulsan el desarrollo de algoritmos informáticos mediante proyectos como AlphaCode y AlphaDev.
Google sigue contando con una sólida «reserva de recursos»
En la competencia actual por la inteligencia artificial, el rápido ascenso de empresas estrella como OpenAI y Anthropic y el «aplastante dominio» de ChatGPT y Claude sobre Gemini hicieron que, durante un tiempo, se cuestionara la estrategia de IA de Google. Especialmente en la comercialización de productos de IA generativa y herramientas para desarrolladores, el rápido avance de OpenAI y otras empresas similares contrastaba claramente con el ritmo relativamente lento de Google.
Sin embargo, estos dos premios Nobel parecen recordarnos que el profundo entorno de investigación y la experiencia tecnológica acumulada de Google siguen siendo ventajas difíciles de reproducir para otras empresas.
Antes del año 2006, la situación del aprendizaje profundo podía resumirse con aquella célebre frase del barón Kelvin: «El edificio del aprendizaje profundo está prácticamente terminado; tan solo flotan tres pequeñas nubes oscuras bajo un cielo radiante de sol».
Estas tres pequeñas nubes oscuras son los algoritmos, la capacidad de cómputo y los datos.
Y Google posee precisamente ventajas claras en estos ámbitos clave. En primer lugar, dispone de enormes recursos de datos líderes a escala mundial: a través de plataformas como YouTube, Google Scholar y Google Search, proporciona datos de entrenamiento abundantes y diversos para modelos de IA de visión, reconocimiento de voz y procesamiento del lenguaje natural.
En segundo lugar, Google tiene una ventaja considerable en recursos informáticos. Su hardware TPU, desarrollado internamente, acelera enormemente el entrenamiento de modelos de aprendizaje profundo. Google Cloud no solo proporciona una gran capacidad de cómputo para la investigación interna, sino que también ofrece herramientas a desarrolladores de todo el mundo para ayudarles a crear y desplegar rápidamente aplicaciones complejas de IA.
Google también se encuentra a la vanguardia del sector en el desarrollo de algoritmos. La arquitectura Transformer, nacida en el equipo de Google Brain, sentó las bases del procesamiento moderno del lenguaje natural e impulsó el desarrollo de casi todos los modelos de IA de vanguardia actuales. Estas tecnologías no solo han promovido el progreso académico, sino que también se utilizan ampliamente en los productos principales de Google.
En 2024, el campo de la IA sigue afrontando retos relacionados con los algoritmos, la capacidad de cómputo y los datos. Aunque muchas empresas han logrado avances en áreas concretas, en comparación parece que Google sigue siendo quien reúne ventajas en los tres aspectos y las combina de forma eficaz y sostenida.
En su competencia con empresas como OpenAI y Microsoft, Google sigue contando con recursos sólidos y tampoco ha sido derrotada en la carrera de la IA. El potencial de la inteligencia artificial dista mucho de haberse aprovechado plenamente y, en esta carrera de fondo, quizá sean la profundidad y la amplitud de la innovación tecnológica las que determinen al vencedor final.
