Demis Hassabis Pide Calma: La Inteligencia Artificial General Podría Tardar Todavía Diez Años

Demis Hassabis, CEO de Google DeepMind y Nobel de Química por AlphaFold (un sistema de IA que predice formas de proteínas), es una figura central en la convergencia entre ciencia e inteligencia artificial, y combina ambición con cautela.

Según Hassabis, si hubiera dependido de él, la IA habría permanecido más tiempo en el laboratorio antes de su explosión comercial. Además, advierte que la carrera global entre empresas y países por liderar esta tecnología está dificultando sostener el rigor científico necesario, porque todo es una “carrera frenética”.

Hassabis sostiene que la pieza clave de su carrera no es vender productos, sino acelerar descubrimientos científicos y mejorar la salud humana. AlphaFold se volvió el ejemplo más visible: ayudó a transformar la biología molecular al anticipar la estructura tridimensional de millones de proteínas, una tarea que antes podía llevar años de trabajo experimental.

Ahora bien, ¿cómo se traduce esta tensión entre velocidad y seguridad en algo entendible?

La IA, vista como mecanismo, se parece menos a un “cerebro en una caja” y más a una casa con instalaciones nuevas. Se pueden encender luces y hacer andar electrodomésticos, pero lo importante es quién tocó los interruptores, qué cables se reforzaron y cuáles quedaron improvisados. En esa metáfora doméstica, el laboratorio es la etapa en la que un electricista revisa cada conexión con paciencia. El mercado, en cambio, es cuando la casa ya está habitada y cada cambio se hace con gente adentro.

Por eso Hassabis defiende un avance hacia la inteligencia artificial general (IAG, la meta de una IA capaz en casi cualquier tarea) de forma gradual, con atención fina a cada paso y a los aspectos de seguridad. Y subraya un punto incómodo: la competencia global empuja a acelerar, incluso cuando el engranaje aún no está calibrado.

El “interruptor” que todavía falta: creatividad y aprendizaje continuo

Para Hassabis, hoy la IA está lejos de igualar a la mente humana en creatividad científica. En sus palabras, no tiene “verdadera creatividad”: puede resolver o demostrar algo que se le plantea, pero no genera por sí sola hipótesis nuevas, conjeturas o teorías originales. Ese, para él, sería un test clave para decir “llegamos” a la IAG.

Además, señala carencias concretas: falta de razonamiento profundo, falta de coherencia y ausencia de aprendizaje continuo (aprender en tiempo real sin empezar de cero). Dicho en simple: el sistema puede responder muy bien, pero no siempre sabe ajustar su comportamiento sobre la marcha cuando entra información nueva.

Incluso comete errores básicos en matemáticas sencillas si la pregunta se formula de cierta manera. Ese detalle, que parece menor, funciona como alarma doméstica: si falla en una suma por cómo se la dijeron, ¿qué pasa cuando el problema es diagnosticar una enfermedad o controlar un reactor?

De la proteína al clima: la oportunidad (y el cuidado)

Al mismo tiempo, DeepMind ya probó que estos sistemas pueden moverse por dominios distintos con “ajustes” adicionales. Aplicó IA al diseño de materiales (nuevos compuestos), al control de reactores de plasma y fusión (energía de fusión controlada), a la predicción meteorológica y hasta a problemas de la Olimpiada Matemática.

Hassabis insiste en que solo se está “arañando la superficie”. Estima que aún faltan uno o dos hitos clave en los próximos cinco años para acercarse a una IAG real, y ubica capacidades más avanzadas en un horizonte de entre cinco y diez años. Pero advierte algo que suena a realidad cotidiana: en IA, incluso diez semanas pueden cambiar el panorama.

La oportunidad, entonces, no es solo correr más rápido. Es mejorar el cableado mientras la casa está en uso, sin que salten chispas: ciencia aplicada, sí, pero con el mismo cuidado con el que se revisa un interruptor antes de confiarle toda la noche.