La naturaleza de la realidad, la inteligencia y los límites de la computación

La mente humana tiene dificultades para realizar predicciones limpias y deterministas sobre sistemas dinámicos complejos y no lineales: sistemas que evolucionan con el tiempo de manera sensible a las condiciones iniciales, a menudo exhibiendo un comportamiento caótico. Sin embargo, a pesar de esta dificultad inherente, existe una evidencia creciente de que los sistemas clásicos de aprendizaje automático, particularmente las redes neuronales profundas, pueden ser capaces de modelar dichos sistemas con una precisión sorprendente. Esto incluye dominios considerados intratables durante mucho tiempo, como la dinámica de fluidos.

Los fluidos, regidos por las ecuaciones de Navier-Stokes, representan una clase de problemas que históricamente han requerido recursos computacionales masivos. Los sistemas de predicción meteorológica, por ejemplo, dependen de resolver estas ecuaciones numéricamente en vastas escalas espaciales y temporales. Estas simulaciones requieren supercomputadoras y días de tiempo de procesamiento. Y sin embargo, modelos como Veo, el sistema de generación de video de Google DeepMind, demuestran una capacidad extraña para simular líquidos, materiales e incluso fenómenos de iluminación complejos como las reflexiones especulares: características centrales del mundo físico.

Estas capacidades no son meros adornos estéticos. El hecho de que Veo pueda generar videos de líquidos claros siendo comprimidos a través de prensas hidráulicas, con un comportamiento fluido realista y deformación de materiales, sugiere algo profundo: el modelo no solo está memorizando patrones de los datos de entrenamiento, sino que está extrayendo e internalizando la estructura física subyacente de cómo se comportan los materiales.

Esta observación conduce a una hipótesis más profunda: si los sistemas naturales —biológicos, físicos, geológicos e incluso cosmológicos— han evolucionado bajo presiones selectivas a lo largo del tiempo, pueden poseer una estructura inherente o “subvariedad” que sea aprendible por sistemas artificiales. Esta estructura no es aleatoria; surge de procesos de supervivencia, estabilidad y optimización. En consecuencia, podría ser posible ingeniería inversa de estos patrones únicamente mediante la observación, sin programar explícitamente las leyes físicas.

Demis Hassabis, en la conversación, reflexiona sobre sus primeros años en el desarrollo de videojuegos, donde escribió motores de física y sistemas gráficos desde cero. Recuerda lo laboriosamente difícil que era codificar incluso el comportamiento básico de fluidos, y mucho menos interacciones complejas como la compresión de líquidos o la fractura de materiales. Sin embargo, los modelos de IA actuales, entrenados únicamente con datos de video de YouTube, parecen haber aprendido estas dinámicas implícitamente, al observar cómo se comportan los líquidos en la naturaleza.

Esto plantea una pregunta fundamental: ¿qué es lo que hace que la naturaleza sea susceptible de un modelado eficiente por sistemas de computación clásica? La respuesta, según Hassabis, radica en el hecho de que la naturaleza no es aleatoria. Está moldeada por restricciones evolutivas, termodinámicas y físicas. Estas restricciones crean una subvariedad de baja dimensión dentro del espacio de alta dimensión de configuraciones posibles. Las redes neuronales, por naturaleza, son excelentes para identificar y navegar dichas subvariedades.

Por lo tanto, la conjetura que propone, aunque formulada de manera provocativa, es que cualquier patrón encontrado en la naturaleza, si ha evolucionado o ha sido moldeado por la selección, puede ser descubierto y modelado de manera eficiente por algoritmos de aprendizaje clásicos. Esto incluye sistemas en biología, química, física, neurociencia e incluso cosmología.

La conjetura: Aprendibilidad de los sistemas naturales

Esta idea no es meramente especulativa. Se basa en el éxito de proyectos como AlphaGo, AlphaFold y AlphaGenome, que han resuelto problemas considerados anteriormente intratables computacionalmente.

  • AlphaGo derrotó a campeones mundiales en Go, un juego con más posiciones posibles que átomos en el universo. La solución no fue una búsqueda por fuerza bruta, sino un modelo aprendido de la dinámica del juego, combinado con un algoritmo de búsqueda (Búsqueda en Árbol de Monte Carlo) que guió el proceso hacia movimientos de alto valor.
  • AlphaFold resolvió el problema del plegamiento de proteínas —predecir estructuras 3D a partir de secuencias de aminoácidos— modelando el paisaje energético de las proteínas y aprendiendo las relaciones entre secuencia y estructura.
  • AlphaFold 3 extiende esto a las interacciones entre proteínas, ARN y ADN, capturando redes biológicas complejas.
  • AlphaGenome predice cómo las pequeñas mutaciones genéticas afectan la función de las proteínas, cerrando la brecha entre genotipo y fenotipo.

Estos sistemas no exploran todas las posibilidades por fuerza bruta. En cambio, modelan el entorno —la “dinámica del sistema”— y utilizan ese modelo para guiar la búsqueda y la predicción. Este enfoque refleja cómo la propia naturaleza resuelve los problemas: las proteínas se pliegan en milisegundos porque siguen gradientes de energía, no porque exploren cada conformación posible.

Hassabis argumenta que este éxito sugiere un principio más amplio: si un sistema tiene estructura debido a una selección evolutiva o física, es probable que sea aprendible. La idea clave es que el universo no es un espacio de búsqueda aleatorio. Está moldeado por restricciones —leyes físicas, presiones evolutivas, límites termodinámicos— que crean un tipo de “paisaje” que es navegable.

Esto conduce a una nueva clase de complejidad propuesta: LNS (Sistemas Naturales Aprendibles). Esto representaría un subconjunto de problemas que, aunque potencialmente NP-duros, no son intratables porque poseen estructura que puede ser explotada por sistemas de aprendizaje clásicos.

Establece un paralelo con el problema P frente a NP: si P = NP, entonces cada problema cuya solución pueda verificarse rápidamente también puede resolverse rápidamente. Pero si la naturaleza puede resolver estos problemas de manera eficiente, y si podemos replicar ese proceso, entonces quizás P = NP no sea solo una conjetura matemática, sino una física, arraigada en la estructura de la realidad.

El universo como un sistema informativo

Hassabis plantea una visión radical: el universo es fundamentalmente informativo. Argumenta que la información es más fundamental que la materia o la energía. Todos los procesos físicos, sugiere, pueden reducirse a transformaciones de información. Esta perspectiva reformula la pregunta P frente a NP no como un rompecabezas puramente matemático, sino como una pregunta de física, sobre los límites de la computación en un universo regido por la información.

Desde este punto de vista, el éxito de las redes neuronales en modelar sistemas complejos no es una coincidencia. Sugiere que el universo está estructurado de una manera compatible con la computación clásica. El hecho de que un modelo como Veo pueda simular dinámica de fluidos, iluminación y comportamiento de materiales —sin ser entrenado explícitamente con las ecuaciones de Navier-Stokes— implica que ha aprendido la física intuitiva del mundo.

Esta “física intuitiva” no es simbólica ni se basa en reglas. No es un conjunto de ecuaciones. Es un entendimiento latente de cómo se comportan los objetos bajo fuerzas, cómo fluyen los líquidos, cómo se refleja la luz en las superficies. Esto es similar a cómo un niño humano aprende física a través de la experiencia, no mediante educación formal.

Esto desafía supuestos arraigados en la IA: que comprender el mundo requiere experiencia incorporada —interacción con el mundo físico a través de un cuerpo robótico—. Pero Veo, que nunca ha tocado un líquido ni interactuado con un entorno físico, aún genera videos casi indistinguibles de imágenes reales.

Esto sugiere que la observación pasiva por sí sola puede ser suficiente para aprender la dinámica de la realidad. El modelo no está simulando la física desde cero. Está aprendiendo las regularidades estadísticas de cómo se comporta el mundo y utilizando eso para generar secuencias coherentes y temporalmente consistentes.

El papel de la intuición y la creatividad en la IA

Esto conduce a una pregunta filosófica más profunda: ¿qué significa “comprender” algo?

Hassabis reconoce que los modelos actuales no poseen comprensión similar a la humana. No tienen creencias, deseos ni autoconciencia. Pero sí exhiben una forma de comprensión: la capacidad de predecir el siguiente fotograma de un video con alta coherencia.

Define la comprensión como precisión predictiva dentro de un entorno estructurado y dinámico. Si un modelo puede generar ocho segundos de video que, a simple vista, son difíciles de distinguir de imágenes reales —especialmente cuando se trata de fenómenos complejos como el flujo de fluidos, la deformación de materiales o la iluminación—, entonces debe haber capturado algunos aspectos esenciales de la realidad física.

Esto plantea la posibilidad de que los sistemas de IA estén desarrollando un tipo de “física intuitiva” —una comprensión no simbólica e implícita de cómo funciona el mundo—. Esto no es lo mismo que la intuición humana, pero es una aproximación funcional.

Establece una distinción entre el razonamiento simbólico (p. ej., resolver un problema matemático con lógica formal) y el razonamiento intuitivo (p. ej., saber que si empujas un vaso de una mesa, caerá y se romperá). Este último es lo que la IA está comenzando a emular.

Esto tiene implicaciones profundas para la creatividad. La parte más difícil del descubrimiento científico no es resolver un problema, sino formular la pregunta correcta. Esto es lo que Hassabis llama “gusto por la investigación”: la capacidad de identificar una hipótesis que sea tanto novedosa como falsable, que se encuentre en el “punto dulce” entre ser demasiado fácil y demasiado difícil.

Los sistemas de IA actuales no pueden hacer esto. Pueden resolver problemas, pero no pueden inventar nuevos. No pueden proponer una conjetura digna de un matemático como Terence Tao. Este sigue siendo uno de los desafíos más difíciles en la IA.

Pero sugiere que esto puede no ser una barrera fundamental. Si podemos diseñar sistemas que combinen:

  • Modelos base (como LLM o modelos de difusión),
  • Algoritmos de búsqueda (como Búsqueda en Árbol de Monte Carlo o algoritmos evolutivos),
  • Funciones objetivo (para guiar la optimización),

entonces podríamos ser capaces de crear sistemas que descubran nuevas hipótesis, nuevas leyes, nuevas estructuras, al igual que la evolución descubrió la vida, o como Einstein descubrió la relatividad.

La evolución de la inteligencia: De AlphaGo a AGI

El viaje desde AlphaGo hasta AGI no es una progresión lineal. Es una serie de momentos de “jugada 37”: avances creativos e inesperados que cambian las reglas del juego.

  • En AlphaGo, la jugada 37 fue un movimiento que ningún jugador humano había realizado jamás. No se basaba en ninguna apertura o patrón conocido. Fue un salto de intuición, demostrado posteriormente como óptimo.
  • En AlphaFold, el avance no fue un solo movimiento, sino una nueva arquitectura que modeló el plegamiento de proteínas como un paisaje energético probabilístico, en lugar de una estructura determinista.

Estos no fueron simples mejoras. Fueron saltos creativos, del tipo que requieren no solo más datos o capacidad de cómputo, sino una nueva forma de pensar.

Hassabis sugiere que los futuros sistemas de AGI pueden no surgir de un solo avance, sino de una combinación de progreso incremental e ideas transformadoras poco frecuentes. El camino hacia AGI puede asemejarse a una serie de curvas en S, donde el progreso es constante durante un tiempo, para luego acelerarse debido a una nueva idea.

Señala que las leyes de escalado —la relación entre el tamaño del modelo, los datos y la capacidad de cómputo— siguen vigentes. Pero advierte que el escalado por sí solo puede no ser suficiente. Podríamos necesitar uno o dos “grandes saltos” más en arquitectura, búsqueda o teoría del aprendizaje.

Una dirección prometedora son los sistemas híbridos, como AlphaEvolve, que combina:

  • Modelos de lenguaje grandes (LLM) para proponer nuevos diseños de programas,
  • Algoritmos evolutivos para explorar y optimizar esos diseños.

Esto no es solo un truco técnico. Refleja una verdad más profunda: la evolución es un algoritmo de búsqueda poderoso. No depende de un único camino óptimo. Explora el espacio de posibilidades mediante mutación, recombinación y selección.

AlphaEvolve demuestra que la búsqueda evolutiva, cuando es guiada por un modelo base, puede descubrir algoritmos novedosos —como la multiplicación de matrices más rápida— sin intervención humana.

Esto sugiere que los mismos mecanismos que crearon la vida a lo largo de miles de millones de años podrían aprovecharse para crear inteligencia artificial. La idea clave es que la evolución no se trata solo de supervivencia. Se trata de construir complejidad. Combina partes simples en nuevos conjuntos funcionales.

El sueño de una célula virtual

Uno de los objetivos a largo plazo más ambiciosos de Hassabis es simular una célula viva in silico: una “célula virtual” que pueda utilizarse para realizar experimentos, predecir resultados y acelerar el descubrimiento biológico.

Esto no es una fantasía. Es un proyecto paso a paso, basado en éxitos previos:

  • AlphaFold resolvió la estructura 3D estática de las proteínas.
  • AlphaFold 3 modela las interacciones entre proteínas, ARN y ADN.
  • AlphaGenome predice cómo las mutaciones genéticas afectan la función.

El siguiente paso es modelar la dinámica de estas interacciones a lo largo del tiempo. Esto incluye:

  • Escalado temporal: Algunos procesos (como el plegamiento de proteínas) ocurren en nanosegundos; otros (como la división celular) tardan horas.
  • Modelado jerárquico: Diferentes subsistemas operan en diferentes escalas de tiempo. Un modelo debe ser capaz de saltar entre ellos.
  • Comportamiento emergente: La célula es más que la suma de sus partes. Su función emerge de interacciones complejas y no lineales.

Hassabis sugiere comenzar con una célula de levadura, que es un organismo unicelular y un sistema modelo bien estudiado. El objetivo no es replicar cada átomo, sino capturar la dinámica esencial a nivel de proteínas, utilizando AlphaFold como base.

Esto permitiría a los investigadores:

  • Ejecutar miles de experimentos virtuales,
  • Predecir cómo un fármaco afectará a una célula,
  • Simular la progresión de enfermedades,
  • Reducir la dependencia de los experimentos de laboratorio húmedo en un factor de 100.

El sueño último no es solo simular una célula, sino simular el origen de la vida: modelar cómo productos químicos no vivos podrían haberse autoorganizado en un sistema vivo.

Esto requeriría simular:

  • Sopa primordial (una mezcla de aminoácidos, nucleótidos y lípidos),
  • Condiciones ambientales (fuentes hidrotermales, temperatura, pH),
  • Autoreplicación y metabolismo.

Esto no es solo un objetivo científico. Es un objetivo filosófico. Desafía la frontera tradicional entre “vivo” y “no vivo”. Hassabis cree que la vida no es un estado binario, sino un continuo. La transición de la química a la biología puede ser gradual, no abrupta.

Si podemos simular este proceso, finalmente podríamos responder una de las preguntas más profundas: ¿Qué es la vida?

El futuro de los videojuegos y los mundos interactivos

Hassabis reflexiona sobre su profunda conexión personal con los videojuegos: su primer amor, su primer trabajo profesional y una pasión de toda la vida.

Recuerda haber trabajado en Theme Park, Black & White y otros juegos de mundo abierto donde los jugadores co-crean la experiencia. Estos juegos no eran lineales. Eran simulaciones, con personajes de IA que evolucionaban según el comportamiento del jugador.

Hoy en día, ve un futuro donde los mundos generados por IA no solo están simulados, sino que son interactivos. Imagina un juego donde:

  • El mundo se genere sobre la marcha según tus elecciones,
  • Los NPCs tengan creencias, emociones y objetivos a largo plazo,
  • La historia se adapte a tus acciones en tiempo real,
  • Puedas adentrarte en el mundo y explorarlo libremente.

Esto no es ciencia ficción. Es una extensión lógica de sistemas como Veo. Si un modelo puede generar ocho segundos de video coherente, puede generar ocho horas, ocho días o ocho años de video, siempre que el modelo sea estable y el proceso de búsqueda esté guiado.

Imagina un futuro donde los videojuegos interactivos se conviertan en “modelos del mundo”: simulaciones dinámicas y persistentes de la realidad. Estos no serían juegos en el sentido tradicional, sino universos digitales donde los usuarios puedan explorar, experimentar e incluso vivir.

Esto representaría una nueva forma de experiencia humana, una que combina creatividad, exploración e interacción social de maneras que ningún otro medio puede.

El camino hacia AGI: Señales de una verdadera inteligencia general

Hassabis estima una probabilidad del 50 % de alcanzar AGI para 2030, pero advierte que la definición es importante.

Define AGI como un sistema que:

  • Coincide con el rango completo de capacidades cognitivas humanas,
  • Sea consistente en todos los dominios (no fragmentado),
  • Pueda inventar nuevas hipótesis, juegos o teorías,
  • Pueda explicar su razonamiento con claridad.

Sugiere que AGI no se reconocerá mediante una sola prueba de referencia, sino por momentos de “jugada 37”: avances creativos e inesperados.

Ejemplos de tales momentos:

  • Inventar una nueva teoría científica, como la relatividad de Einstein.
  • Crear un juego tan profundo y hermoso como Go, no solo una nueva estrategia, sino una nueva forma de juego.
  • Resolver un problema que ha resistido el pensamiento humano durante siglos.

Imagina un escenario en el que un sistema así se pruebe contra las mejores mentes humanas: matemáticos, físicos, artistas. Si no pueden encontrar un error, entonces podríamos haber alcanzado AGI.

También reconoce que los humanos pueden pasar por alto estos avances, al igual que un gran maestro de ajedrez podría no comprender inmediatamente un movimiento brillante. Pero si el sistema puede explicar su razonamiento, y si la explicación es coherente y elegante, entonces podríamos aceptarla.

El papel de la colaboración y la ética humana

A pesar de la naturaleza competitiva de la IA, Hassabis hace hincapié en la colaboración. Mantiene buenas relaciones con los líderes de otros laboratorios, incluido Elon Musk.

Cree que el desafío más importante no es técnico, sino ético. AGI es una tecnología de doble uso: podría curar todas las enfermedades, poner fin a la escasez de energía y permitir la colonización del espacio. Pero también podría ser mal utilizada.

Advierte que actores malintencionados podrían reutilizar la IA para causar daño, y que las salvaguardas deben integrarse desde el inicio.

Apoya la cooperación internacional, como una colaboración al estilo del CERN, para garantizar que AGI se desarrolle de manera responsable.

También cree que la IA no debe reemplazar la creatividad humana, sino amplificarla. El futuro no es uno en el que los humanos sean reemplazados, sino en el que trabajen con la IA para lograr más de lo que cualquiera podría por separado.

Conclusión: La condición humana en la era de la IA

Hassabis concluye con una nota de esperanza. Cree en el potencial infinito de la ingeniosidad humana, la adaptabilidad y la compasión.

Ve la IA no como una amenaza, sino como una herramienta para ayudarnos a resolver los mayores misterios de la existencia: la naturaleza de la conciencia, el origen de la vida, la estructura de la realidad.

Cita a Feynman: “Lo que no puedo crear, no lo entiendo.” Ve la IA como una forma de poner a prueba y ampliar nuestra comprensión, no solo del mundo, sino de nosotros mismos.

Y cree que las preguntas más profundas no son sobre tecnología, sino sobre el significado. ¿Qué significa ser humano? ¿Qué es la conciencia? ¿Qué es la vida?

Estas no son solo preguntas científicas. Son espirituales, filosóficas y profundamente humanas.

Y al final, dice, lo más importante no es construir una máquina más inteligente, sino convertirnos en seres humanos más sabios.

Resumen breve del texto

  1. Introducción al desafío de los sistemas no lineales
    • Los humanos tienen dificultades para predecir sistemas complejos y dinámicos.
    • Los modelos de IA como Veo demuestran una capacidad sorprendente para simular dinámica de fluidos y materiales.
  2. La conjetura de aprendibilidad
    • Los sistemas naturales están estructurados debido a restricciones evolutivas y físicas.
    • Esta estructura puede ser aprendible por sistemas clásicos.
    • Propuesta de una nueva clase de complejidad: LNS (Sistemas Naturales Aprendibles).
  3. El universo como un sistema informativo
    • La información es más fundamental que la materia o la energía.
    • P frente a NP podría ser una pregunta física, no solo matemática.
  4. Física intuitiva en la IA
    • Modelos como Veo aprenden “física intuitiva” mediante la observación.
    • Esto desafía la necesidad de experiencia incorporada en el aprendizaje.
  5. Creatividad y gusto por la investigación
    • La parte más difícil de la ciencia no es resolver problemas, sino hacer las preguntas correctas.
    • La IA actual no puede inventar nuevas hipótesis, pero podría hacerlo en el futuro.
  6. La evolución como algoritmo de búsqueda
    • AlphaEvolve combina LLM y búsqueda evolutiva.
    • La evolución es poderosa porque construye complejidad mediante la recombinación.
  7. El proyecto de la célula virtual
    • Objetivo a largo plazo: simular una célula viva.
    • Basado en AlphaFold, AlphaFold 3 y AlphaGenome.
    • Desafíos: escalado temporal, comportamiento emergente, modelado jerárquico.
  8. La simulación del origen de la vida
    • Objetivo: modelar cómo la química no viva dio origen a la vida.
    • Un continuo, no un estado binario, entre lo vivo y lo no vivo.
  9. El futuro de los mundos interactivos
    • Los videojuegos evolucionan hacia “modelos del mundo” persistentes generados por IA.
    • Los jugadores co-crean experiencias en tiempo real.
  10. Señales de AGI
    • No una sola prueba de referencia, sino momentos de “jugada 37”:
    • Inventar una nueva teoría.
    • Crear un juego tan profundo como Go.
      - Debe ser explicable y consistente.
  11. Ética y colaboración
    • AGI es de doble uso.
    • Necesidad de cooperación internacional, como el CERN.
    • Los humanos y la IA deben trabajar juntos.
  12. Reflexiones finales
    • La esperanza reside en la ingeniosidad humana, la adaptabilidad y la compasión.
    • La IA es una herramienta para ayudarnos a comprender la realidad, y a nosotros mismos.