La històrica “jugada 37” d’AlphaGo no només va derrotar un campió mundial de Go: va obrir la porta a sistemes capaços de resoldre problemes científics que feia dècades que no tenien solució.
Fa deu anys, una partida de Go a Seül va canviar el rumb de la intel·ligència artificial. No va ser només una victòria tècnica ni una fita esportiva. Va ser un senyal. Quan AlphaGo va derrotar el campió mundial Lee Sae Dol el 2016, el món no assistia únicament a un èxit en un joc complex: presenciava l’inici d’una nova etapa en la relació entre màquines i coneixement.
Aquell moment, seguit per més de 200 milions de persones, va marcar el que molts consideren el començament de l’era moderna de la intel·ligència artificial. Però el seu veritable impacte no es troba al tauler de Go, sinó en tot el que va venir després: una cadena d’avenços que han portat la IA dels jocs a la biologia, les matemàtiques i la ciència aplicada.
La jugada 37: quan la màquina va sorprendre els humans
A la segona partida de l’enfrontament entre AlphaGo i Lee Sae Dol, el sistema va executar un moviment que va desconcertar els comentaristes professionals. L’anomenada “jugada 37” va ser considerada en un primer moment un error.
No ho era.
Aquell moviment, aparentment estrany, va resultar ser una decisió estratègica brillant. Més de cent jugades després, el seu impacte es va fer evident: AlphaGo havia preparat el terreny per a una victòria que ningú no havia anticipat.
Aquell moment condensava una idea fonamental: la intel·ligència artificial no només podia imitar els humans, sinó també superar-los en creativitat dins d’un marc definit.
El Go, amb les seves aproximadament 1017010^{170} configuracions possibles —més que el nombre d’àtoms de l’univers observable—, havia estat durant dècades un desafiament inabastable per a la computació. AlphaGo va resoldre aquest problema combinant xarxes neuronals profundes, cerca avançada i aprenentatge per reforç.
Però el més important no va ser la victòria, sinó el mètode.
Del tauler al laboratori: la IA com a eina científica
Després d’AlphaGo, DeepMind va desenvolupar versions més avançades del sistema, com AlphaGo Zero i AlphaZero, capaces d’aprendre des de zero sense dades humanes prèvies. Aquests models no només van dominar el Go, sinó també els escacs i el shogi, superant programes especialitzats com Stockfish en qüestió d’hores.
Aquest salt es va interpretar com una prova de concepte: si la IA podia explorar espais de cerca tan vastos com els d’un joc complex, també podria aplicar-se a problemes científics reals.
I així va passar.
L’exemple més emblemàtic és AlphaFold 2, el sistema que va resoldre el problema del plegament de proteïnes, un repte obert durant més de 50 anys. Comprendre l’estructura tridimensional de les proteïnes és clau per al desenvolupament de medicaments, la recerca biomèdica i la biotecnologia.
L’impacte va ser immediat. DeepMind va generar una base de dades amb més de 200 milions d’estructures proteiques, accessible de manera oberta. Avui, més de tres milions d’investigadors de tot el món utilitzen aquestes dades.
El 2024, aquest treball va ser reconegut amb el Premi Nobel de Química, atorgat a John Jumper i a l’equip responsable del projecte.
L’herència d’AlphaGo en matemàtiques i algoritmes
El llegat d’AlphaGo no es limita a la biologia. Els seus principis —cerca, planificació i aprenentatge per reforç— s’han aplicat a altres àrees clau.
Un dels desenvolupaments més destacats és AlphaProof, un sistema capaç de demostrar teoremes matemàtics formals. Juntament amb AlphaGeometry 2, va aconseguir resultats equivalents a una medalla de plata a l’Olimpíada Internacional de Matemàtiques.
Aquest avenç suggereix que la intel·ligència artificial pot participar en formes avançades de raonament, tradicionalment considerades exclusives del pensament humà.
En paral·lel, sistemes com AlphaEvolve han començat a explorar l’espai del codi informàtic a la recerca d’algoritmes més eficients. En una de les seves fites més destacades, va descobrir una nova manera de multiplicar matrius, una operació fonamental en pràcticament tots els sistemes moderns d’intel·ligència artificial.
Aquest tipus de descobriments té implicacions profundes: no només millora el rendiment dels sistemes actuals, sinó que obre noves vies en computació, optimització i fins i tot computació quàntica.
IA com a col·laborador científic
Un altre dels desenvolupaments derivats d’AlphaGo és el concepte d’IA com a cocientífic. Sistemes que no només executen tasques, sinó que participen activament en el procés d’investigació.
En proves realitzades a l’Imperial College London, un sistema basat en aquests principis va analitzar dècades de literatura científica i va arribar de manera independent a hipòtesis sobre resistència antimicrobiana que els investigadors humans havien trigat anys a formular i validar.
Aquest tipus d’aplicacions redefineix el paper de la intel·ligència artificial: d’eina passiva a col·laborador actiu en la generació de coneixement.
Gemini i el salt cap a models del món
L’evolució d’aquests sistemes convergeix en models més generals com Gemini, dissenyats per ser multimodals des del seu origen. A diferència de models anteriors centrats en text, Gemini pot processar simultàniament llenguatge, imatge, vídeo, àudio i codi.
Aquesta capacitat apunta cap a un objectiu més ambiciós: construir un model del món, una representació integrada que permeti a la IA comprendre i raonar sobre la realitat en múltiples dimensions.
Per aconseguir-ho, aquests sistemes combinen tècniques heretades d’AlphaGo —com la cerca i la planificació— amb noves capacitats d’integració multimodal i ús d’eines especialitzades.
Per exemple, un sistema podria recórrer a AlphaFold per analitzar proteïnes o a altres models per resoldre problemes específics dins d’un flux de raonament més ampli.
La intel·ligència artificial general com a horitzó
Tots aquests avenços convergeixen en un objectiu comú: la intel·ligència artificial general (IAG). Un sistema capaç de transferir coneixement entre dominis, generar hipòtesis i resoldre problemes complexos en diferents camps.
Segons DeepMind, la IAG podria convertir-se en l’eina més poderosa mai creada per avançar en ciència, medicina i productivitat.
Tanmateix, assolir aquest objectiu requereix superar desafiaments fonamentals. Els sistemes actuals, tot i ser impressionants, continuen sent altament especialitzats.
La veritable intel·ligència general implicaria no només resoldre problemes, sinó també identificar connexions entre disciplines, formular noves preguntes i generar coneixement original.
La creativitat com a frontera
Un dels aspectes més interessants del llegat d’AlphaGo és la qüestió de la creativitat.
La “jugada 37” es va interpretar com una forma de creativitat emergent: una solució no derivada directament de l’experiència humana, sinó descoberta a través de l’exploració del sistema.
Però la creativitat humana va més enllà. No es limita a trobar solucions dins d’un marc donat, sinó que també implica redefinir aquest marc.
Com assenyalen els investigadors, una IA veritablement general no només hauria de ser capaç d’idear noves estratègies en un joc com el Go, sinó d’inventar un joc completament nou, amb la profunditat i l’elegància que han fet del Go un objecte d’estudi durant mil·lennis.
Un punt de partida, no d’arribada
Deu anys després de la victòria d’AlphaGo, resulta evident que aquell moment va ser molt més que una fita aïllada. Va ser l’inici d’una trajectòria que ha transformat múltiples disciplines.
Des de la biologia estructural fins al raonament matemàtic, des de l’optimització d’algoritmes fins a la col·laboració científica, l’impacte d’AlphaGo s’ha estès molt més enllà del que molts experts anticipaven.
Però també és evident que el camí és lluny de completar-se.
La intel·ligència artificial continua avançant cap a sistemes més generals, més capaços i més integrats. I en aquest procés, l’espurna creativa que va aparèixer per primera vegada en una jugada aparentment absurda continua sent una referència.
No com un punt culminant, sinó com un recordatori: de vegades, el major avenç no és resoldre un problema, sinó demostrar que és possible plantejar-lo d’una altra manera.
