La histórica “jugada 37” de AlphaGo no solo derrotó a un campeón mundial de Go: abrió la puerta a sistemas capaces de resolver problemas científicos que llevaban décadas sin solución.
Hace diez años, una partida de Go en Seúl cambió el rumbo de la inteligencia artificial. No fue solo una victoria técnica ni un hito deportivo. Fue una señal. Cuando AlphaGo derrotó al campeón mundial Lee Sae Dol en 2016, el mundo no asistía únicamente a un logro en un juego complejo: presenciaba el inicio de una nueva etapa en la relación entre máquinas y conocimiento.
Aquel momento, seguido por más de 200 millones de personas, marcó lo que muchos consideran el comienzo de la era moderna de la inteligencia artificial. Pero su verdadero impacto no se encuentra en el tablero de Go, sino en lo que vino después: una cadena de avances que han llevado la IA desde los juegos hasta la biología, las matemáticas y la ciencia aplicada.
La jugada 37: cuando la máquina sorprendió a los humanos
En la segunda partida del enfrentamiento entre AlphaGo y Lee Sae Dol, el sistema ejecutó un movimiento que desconcertó a los comentaristas profesionales. La llamada “jugada 37” fue considerada en un primer momento un error.
No lo era.
Aquel movimiento, aparentemente extraño, resultó ser una decisión estratégica brillante. Más de cien jugadas después, su impacto se hizo evidente: AlphaGo había preparado el terreno para una victoria que nadie había anticipado.
Ese momento condensó una idea fundamental: la inteligencia artificial no solo podía imitar a los humanos, sino también superarlos en creatividad dentro de un marco definido.
El Go, con sus aproximadamente 1017010^{170} posibles configuraciones —más que el número de átomos del universo observable—, había sido durante décadas un desafío inalcanzable para la computación. AlphaGo resolvió ese problema combinando redes neuronales profundas, búsqueda avanzada y aprendizaje por refuerzo.
Pero lo más importante no fue la victoria, sino el método.
Del tablero al laboratorio: la IA como herramienta científica
Tras AlphaGo, DeepMind desarrolló versiones más avanzadas del sistema, como AlphaGo Zero y AlphaZero, capaces de aprender desde cero sin datos humanos previos. Estos modelos no solo dominaron el Go, sino también el ajedrez y el shogi, superando a programas especializados como Stockfish en cuestión de horas.
Este salto fue interpretado como una prueba de concepto: si la IA podía explorar espacios de búsqueda tan vastos como los de un juego complejo, también podría aplicarse a problemas científicos reales.
Y así ocurrió.
El ejemplo más emblemático es AlphaFold 2, el sistema que resolvió el problema del plegamiento de proteínas, un desafío abierto durante más de 50 años. Comprender la estructura tridimensional de las proteínas es clave para el desarrollo de medicamentos, la investigación biomédica y la biotecnología.
El impacto fue inmediato. DeepMind generó una base de datos con más de 200 millones de estructuras proteicas, accesible de forma abierta. Hoy, más de tres millones de investigadores en todo el mundo utilizan estos datos.
En 2024, el trabajo fue reconocido con el Premio Nobel de Química, otorgado a John Jumper y al equipo responsable del proyecto.
La herencia de AlphaGo en matemáticas y algoritmos
El legado de AlphaGo no se limita a la biología. Sus principios —búsqueda, planificación y aprendizaje por refuerzo— han sido aplicados a otras áreas clave.
Uno de los desarrollos más destacados es AlphaProof, un sistema capaz de demostrar teoremas matemáticos formales. Junto con AlphaGeometry 2, logró resultados equivalentes a una medalla de plata en la Olimpiada Internacional de Matemáticas.
Este avance sugiere que la inteligencia artificial puede participar en formas avanzadas de razonamiento, tradicionalmente consideradas exclusivas del pensamiento humano.
En paralelo, sistemas como AlphaEvolve han comenzado a explorar el espacio del código informático en busca de algoritmos más eficientes. En uno de sus hitos más destacados, descubrió una nueva forma de multiplicar matrices, una operación fundamental en prácticamente todos los sistemas de inteligencia artificial.
Este tipo de descubrimientos tiene implicaciones profundas: no solo mejora el rendimiento de los sistemas actuales, sino que abre nuevas vías en computación, optimización e incluso computación cuántica.
IA como colaborador científico
Otro de los desarrollos derivados de AlphaGo es el concepto de IA como co-científico. Sistemas que no solo ejecutan tareas, sino que participan activamente en el proceso de investigación.
En pruebas realizadas en el Imperial College London, un sistema basado en estos principios analizó décadas de literatura científica y llegó de forma independiente a hipótesis sobre resistencia antimicrobiana que los investigadores humanos habían tardado años en formular y validar.
Este tipo de aplicaciones redefine el papel de la inteligencia artificial: de herramienta pasiva a colaborador activo en la generación de conocimiento.
Gemini y el salto hacia modelos del mundo
La evolución de estos sistemas converge en modelos más generales como Gemini, diseñados para ser multimodales desde su origen. A diferencia de modelos anteriores centrados en texto, Gemini puede procesar simultáneamente lenguaje, imagen, vídeo, audio y código.
Esta capacidad apunta hacia un objetivo más ambicioso: construir un modelo del mundo, una representación integrada que permita a la IA comprender y razonar sobre la realidad en múltiples dimensiones.
Para lograrlo, estos sistemas combinan técnicas heredadas de AlphaGo —como la búsqueda y planificación— con nuevas capacidades de integración multimodal y uso de herramientas especializadas.
Por ejemplo, un sistema podría recurrir a AlphaFold para analizar proteínas o a otros modelos para resolver problemas específicos dentro de un flujo de razonamiento más amplio.
La inteligencia artificial general como horizonte
Todos estos avances convergen en un objetivo común: la inteligencia artificial general (IAG). Un sistema capaz de transferir conocimiento entre dominios, generar hipótesis y resolver problemas complejos en distintos campos.
Según DeepMind, la IAG podría convertirse en la herramienta más poderosa jamás creada para avanzar en ciencia, medicina y productividad.
Sin embargo, alcanzar ese objetivo requiere superar desafíos fundamentales. Los sistemas actuales, aunque impresionantes, siguen siendo altamente especializados.
La verdadera inteligencia general implicaría no solo resolver problemas, sino también identificar conexiones entre disciplinas, formular nuevas preguntas y generar conocimiento original.
La creatividad como frontera
Uno de los aspectos más interesantes del legado de AlphaGo es la cuestión de la creatividad.
La “jugada 37” fue interpretada como una forma de creatividad emergente: una solución no derivada directamente de la experiencia humana, sino descubierta a través de la exploración del sistema.
Pero la creatividad humana va más allá. No se limita a encontrar soluciones dentro de un marco dado, sino que también implica redefinir ese marco.
Como señalan los investigadores, una IA verdaderamente general no solo debería ser capaz de idear nuevas estrategias en un juego como el Go, sino de inventar un juego completamente nuevo, con la profundidad y elegancia que han hecho del Go un objeto de estudio durante milenios.
Un punto de partida, no de llegada
Diez años después de la victoria de AlphaGo, resulta evidente que aquel momento fue mucho más que un hito aislado. Fue el inicio de una trayectoria que ha transformado múltiples disciplinas.
Desde la biología estructural hasta el razonamiento matemático, desde la optimización de algoritmos hasta la colaboración científica, el impacto de AlphaGo se ha extendido mucho más allá de lo que muchos expertos anticipaban.
Pero también es evidente que el camino está lejos de completarse.
La inteligencia artificial sigue avanzando hacia sistemas más generales, más capaces y más integrados. Y en ese proceso, la chispa creativa que apareció por primera vez en una jugada aparentemente absurda sigue siendo una referencia.
No como un punto culminante, sino como un recordatorio: a veces, el mayor avance no es resolver un problema, sino demostrar que es posible plantearlo de otra manera.
