En octubre de 2024, el Nobel de Química fue para tres personas que trabajan con proteínas. Dos de ellas, Demis Hassabis y John Jumper, trabajan en una empresa de inteligencia artificial. Su modelo, AlphaFold2, predice la forma de una proteína a partir de su secuencia, y cuando se dio el premio ya lo habían usado más de dos millones de personas de 190 países [1]. Desde entonces, las máquinas han entrado en otros cuatro terrenos: los materiales, los antibióticos, las matemáticas y el cerebro. En todos se repite el mismo patrón. La máquina propone muchísimo y alguien tiene que comprobar.
Esta claro que la IA ha llegado para quedarse. El uso que la humanidad haga de ella retratará nuestra naturaleza, es nuestra responsabilidad usarla para mejorar la sociedad y avanzar, no para atacarnos mutuamente ni espiarnos.
En la futura ciencia, cada vez está más claro que los laboratorios van a mezclar trabajo humano con IA. La mayoría de los mejores avances y descubrimientos realizados con IA han tenido una mente humana que la ha guiado y ayudado.
Materiales
En noviembre de 2023, Google DeepMind publicó en Nature un modelo llamado GNoME. Es una red neuronal de grafos: trata cada cristal como una red de átomos unidos por enlaces y aprende a predecir su energía. Con ella, sus autores enumeraron 2,2 millones de estructuras por debajo de la frontera de estabilidad conocida, y 381.000 serían estables y nuevas [2]. Un cristal es estable si su energía es menor que la de cualquier mezcla de compuestos que compitan con él, y eso significa que, en principio, puede existir. Entre 2021 y 2023, todos los demás métodos juntos habían añadido unos 13.000 cristales estables (de 35.000 a 48.000) [2]. DeepMind lo describió como el equivalente a unos 800 años de conocimiento [3]. La frase corrió por todas partes.
En Berkeley montaron el A-Lab, un laboratorio donde unos robots mezclan polvos, los calientan y analizan el resultado por difracción de rayos X, con recetas propuestas por un modelo de lenguaje entrenado con la literatura científica. En 17 días seguidos sintetizó 36 de los 57 compuestos que buscaba [4]. El primer recuento decía 41 de 58. En enero de 2026, los autores publicaron una corrección: «nuevo» significaba nuevo para su plataforma de predicción, no necesariamente para la ciencia, y un reanálisis de los patrones de difracción confirmó 36 de sus 40 éxitos declarados, con cuatro sin concluir [5].
Hay otro dato reciente. El matemático Vitaliy Kurlin, de la Universidad de Liverpool, detectó duplicados y casi duplicados en las grandes bases de cristales. Según él, GNoME retiró sin aviso más de 83.000 entradas, más del 20 % de su base [7]. Son afirmaciones suyas y no he encontrado una respuesta pública detallada de DeepMind.
Sanidad
En 2020, el laboratorio de James Collins, en el MIT, entrenó una red neuronal con 2.335 moléculas cuya capacidad de frenar a E. coli se había medido en el laboratorio [8]. Después la aplicó a varias bibliotecas químicas. En el Drug Repurposing Hub, un catálogo de moléculas ya conocidas, el modelo señaló una llamada SU3327. En otra biblioteca de más de 107 millones de compuestos (ZINC15), probaron 23 predicciones y 8 resultaron antibacterianas [8].
SU3327 no era un antibiótico. Se conocía como inhibidor de la quinasa JNK, y los autores la rebautizaron halicina. Mató Mycobacterium tuberculosis y enterobacterias resistentes a carbapenémicos. En ratones trató infecciones de Clostridioides difficile y de Acinetobacter baumannii resistente a todo lo probado [8]. Actúa disipando el componente de pH del gradiente que la membrana bacteriana necesita para vivir. En 30 días de cultivo seriado no apareció resistencia a la halicina, mientras que con ciprofloxacino sí [8]. La halicina no está en las farmacias y sigue siendo preclínica.
En 2023, el mismo grupo halló la abaucina, un antibiótico de espectro estrecho contra A. baumannii que controló una infección de herida en ratón [9]. Ese año otro trabajo midió 39.312 compuestos, predijo 12 millones y probó 283 hasta identificar una clase entera de moléculas activas contra bacterias Gram positivas, Staphylococcus aureus incluido [10]. En 2025, un modelo generativo inventó más de 36 millones de moléculas que no estaban en ninguna base de datos. Sintetizaron 24 y 7 resultaron antibacterianas. Dos funcionaron en ratones, una contra gonorrea resistente y otra contra SARM [11]. El embudo va de 36 millones a 7.
Matemáticas
AlphaEvolve, un agente de programación basado en Gemini que DeepMind presentó en 2025, escribe código, lo ejecuta, evalúa el resultado y lo modifica en un bucle evolutivo. Encontró una forma de multiplicar dos matrices complejas de 4×4 con 48 multiplicaciones, frente a las 49 de Strassen, que eran la marca desde 1969 [12]. Un equipo francés derivó después una versión con coeficientes racionales [13]. En complejidad computacional mejoró la cota de inaproximabilidad de MAX-4-CUT, de 0,9883 a 0,987, y la propia máquina reescribió el verificador de sus resultados hasta hacerlo, en algunos casos, 10.000 veces más rápido [14]. Un trabajo posterior subió cotas inferiores de números de Ramsey, como R(3,13) hasta 61 y R(3,18) de 99 a 100 [15].
El campo de pruebas más famoso son los problemas de Paul Erdős, un matemático húngaro que vivió con una maleta durante décadas y pagaba de su bolsillo premios por resolverlos. El inglés Thomas Bloom los catalogó en una web, y allí se ha librado buena parte de la batalla. El día de Navidad de 2025, un usuario anunció la primera resolución autónoma de un problema por un modelo de lenguaje (el 333). Horas después alguien encontró que Erdős lo había resuelto en 1977 [16]. En enero de 2026, dos jóvenes, Kevin Barreto y Liam Price, resolvieron el problema 728 con GPT-5.2 Pro, y la prueba se comprobó con Aristotle, un programa que la verifica en Lean [16][17]. Lean es un asistente de demostración: si la prueba compila, cada paso lógico es correcto respecto al enunciado que se escribió.
El 20 de mayo de 2026, OpenAI anunció que un modelo interno, de razonamiento general y no público, había encontrado un contraejemplo a la conjetura de las distancias unitarias, que Erdős planteó en 1946 [18]. Nueve matemáticos firmaron un texto complementario que resume y verifica la prueba: Alon, Bloom, Gowers, Litt, Sawin, Shankar, Tsimerman, Wang y Wood [19]. OpenAI los había contactado de antemano [20]. Gowers escribió que, si la hubiera firmado un humano, la habría recomendado para Annals of Mathematics sin dudarlo, y unas semanas después humanos ya la habían mejorado [16]. Litt lo resumió a Scientific American diciendo que el modelo tuvo suerte de dar con un caso donde los expertos habían fallado [20].
En agosto de 2026, un equipo de la Universidad de Tsinghua, con Damiano Testa (Warwick) y Shing-Tung Yau, presentó FormaTheoria, un flujo de trabajo asistido por IA que produjo más de 994.000 líneas de Lean en más de 850 archivos. Cubre el teorema del orden impar de Feit–Thompson, el de Glauberman Z* y el de Brauer–Suzuki, y llega hasta el de Bender–Suzuki, piezas de la clasificación de grupos simples finitos [21]. Según la cobertura de Quantum Bit, terminaron en unos siete meses lo que la formalización anterior de Feit–Thompson, con unas 15 personas, tardó seis años, y añadieron otros tres teoremas [22].
Un equipo con investigadores de Londres, Oxford, Cambridge y Johannesburgo entrenó redes neuronales para distinguir grupos simples de no simples a partir de sus generadores. Acertaron alrededor del 97 % en los simples y del 86 % en los no simples. Al mirar lo que había aprendido la red salió una conjetura, y los humanos la demostraron con resultados conocidos. Los propios autores lo llaman teorema de juguete [23]. La máquina encontró el patrón y los humanos demostraron el teorema.
Interfaz Cerebro – Máquina
El 13 de marzo de 2026, el regulador chino aprobó NEO, un dispositivo de la empresa Neuracle, desarrollado con investigadores de Tsinghua, para personas con lesión medular cervical que han perdido el agarre de la mano [24]. Es un implante del tamaño de una moneda que se coloca sobre la duramadre, bajo el cráneo, sin penetrar el tejido cerebral. Se combina con un guante robótico neumático que hace el agarre [25] y tiene ocho electrodos epidurales sobre la corteza sensoriomotora [26]. A mediados de julio se hizo la primera cirugía comercial, en el Hospital Huashan de Shanghái, en un hombre con la mano afectada por una lesión medular de hace diez años [27].
El ensayo de registro incluyó a 32 pacientes en 11 hospitales, tras un estudio de viabilidad con 4 [28]. Según el folleto bursátil de la empresa, el 68,8 % mejoró su puntuación de agarre seis meses después sin el dispositivo [29]. El resto de los datos públicos son sobre todo preprints del grupo de Hong Bo: en uno, un paciente con lesión completa a nivel C4 usó el sistema en casa durante nueve meses [26].
En Estados Unidos, un ensayo de la Universidad de California en Davis decodificó el habla intentada de un participante con ELA con un vocabulario de 125.000 palabras. El primer día, con 50 palabras y 30 minutos de datos, acertó el 99,6 %. Al segundo, con las 125.000, el 90,2 %. Mantuvo el 97,5 % durante 8,4 meses [30].
Referencias
[1] Real Academia Sueca de las Ciencias (2024). The Nobel Prize in Chemistry 2024 – Popular information. NobelPrize.org. https://www.nobelprize.org/prizes/chemistry/2024/popular-information/ — Fuente institucional
Nota: comunicado oficial; el dato de usuarios de AlphaFold2 es de octubre de 2024.
[2] Merchant, A., Batzner, S., Schoenholz, S. S., Aykol, M., Cheon, G., Cubuk, E. D. (2023). Scaling deep learning for materials discovery. Nature, 624, 80-85. https://doi.org/10.1038/s41586-023-06735-9 — Con reservas
Nota: estudio computacional de Google DeepMind. El grueso del catálogo son predicciones; el número de estructuras sintetizadas no lo he verificado.
[3] Google DeepMind (2023). Millions of new materials discovered with deep learning. https://deepmind.google/blog/millions-of-new-materials-discovered-with-deep-learning/ — Con reservas
Nota: comunicado de la empresa que obtiene el resultado.
[4] Szymanski, N. J., Rendy, B., Fei, Y., Kumar, R. E., He, T., Milsted, D., McDermott, M. J., Gallant, M., Cubuk, E. D., Merchant, A., Kim, H., Jain, A., Bartel, C. J., Persson, K., Zeng, Y., Ceder, G. (2023). An autonomous laboratory for the accelerated synthesis of novel materials. Nature, 624, 86-91. https://doi.org/10.1038/s41586-023-06734-w — Con reservas
Nota: experimento robotizado en Lawrence Berkeley National Laboratory (EE. UU.), 17 días de operación continua. El resumen actual indica 36 de 57 y el original 41 de 58.
[5] Szymanski, N. J. y 15 autores más (2026). Author Correction: An autonomous laboratory for the accelerated synthesis of inorganic materials. Nature. https://doi.org/10.1038/s41586-025-09992-y — Con reservas
Nota: publicada el 19 de enero de 2026. Corrección de los propios autores, con reanálisis de los patrones de difracción evaluado después de la publicación. Volumen y páginas no consultados.
[6] Leeman, J., Liu, Y., Stiles, J., Lee, S. B., Bhatt, P., Schoop, L. M., Palgrave, R. G. (2024). Challenges in high-throughput inorganic materials prediction and autonomous synthesis. PRX Energy, 3(1), 011002. https://doi.org/10.1103/PRXEnergy.3.011002 — Con reservas
Nota: reanálisis de los productos de [4] por químicos de Princeton y UCL. No es una réplica experimental.
[7] C&EN (2025, 16 dic.). Duplicate structures haunt crystallography databases. https://cen.acs.org/research-integrity/Duplicate-structures-haunt-crystallography-databases/103/web/2025/12 — Fuente periodística (secundaria)
Nota: autoría no identificada. Recoge afirmaciones de Kurlin y Widdowson (Liverpool); no localicé respuesta pública detallada de DeepMind.
[8] Stokes, J. M., Yang, K., Swanson, K., Jin, W., Cubillos-Ruiz, A., Donghia, N. M., MacNair, C. R., French, S., Carfrae, L. A., Bloom-Ackermann, Z., Tran, V. M., Chiappino-Pepe, A., Badran, A. H., Andrews, I. W., Chory, E. J., Church, G. M., Brown, E. D., Jaakkola, T. S., Barzilay, R., Collins, J. J. (2020). A deep learning approach to antibiotic discovery. Cell, 180(4), 688-702. https://doi.org/10.1016/j.cell.2020.01.021 — Con reservas
Nota: preclínico. La cifra de 2.335 moléculas de entrenamiento procede de fuentes secundarias. Grupos de EE. UU. y Canadá.
[9] Liu, G., Catacutan, D. B., Rathod, K., Swanson, K., Jin, W., Mohammed, J. C., Chiappino-Pepe, A., Syed, S. A., Fragis, M., Rachwalski, K., Magolan, J., Surette, M. G., Coombes, B. K., Jaakkola, T., Barzilay, R., Collins, J. J., Stokes, J. M. (2023). Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii. Nature Chemical Biology, 19(11), 1342-1350. https://doi.org/10.1038/s41589-023-01349-8 — Con reservas
Nota: preclínico; cultivo y modelo de herida en ratón. Mismo ecosistema de grupos que [8].
[10] Wong, F., Zheng, E. J., Valeri, J. A., Donghia, N. M. y otros 17 autores (2024). Discovery of a structural class of antibiotics with explainable deep learning. Nature, 626, 177-185. https://doi.org/10.1038/s41586-023-06887-8 — Con reservas
Nota: 39.312 compuestos medidos, 12.076.365 predichos, 283 probados. Preclínico.
[11] Krishnan, A., Anahtar, M. N., Valeri, J. A., Jin, W., Donghia, N. M. y otros (2025). A generative deep learning approach to de novo antibiotic design. Cell, 188(21), 5962-5979. https://doi.org/10.1016/j.cell.2025.07.033 — Reciente
Nota: más de 36 millones de compuestos generados, 24 sintetizados, 7 antibacterianos; eficacia en ratón.
[12] Novikov, A., Vũ, N., Eisenberger, M., Dupont, E., Huang, P.-S., Wagner, A. Z., Shirobokov, S., Kozlovskii, B., Ruiz, F. J. R., Mehrabian, A., Kumar, M. P., See, A., Chaudhuri, S., Holland, G., Davies, A., Nowozin, S., Kohli, P., Balog, M. (2025). AlphaEvolve: A coding agent for scientific and algorithmic discovery. arXiv:2506.13131. https://arxiv.org/abs/2506.13131 — Reciente
Nota: informe técnico de Google DeepMind. Los resultados matemáticos son verificables.
[13] Dumas, J.-G., Pernet, C., Sedoglavic, A. (2025). A non-commutative algorithm for multiplying 4×4 matrices using 48 non-complex multiplications. arXiv:2506.13242. https://arxiv.org/abs/2506.13242 — Reciente
Nota: preprint de investigadores franceses (CASC y CRIStAL); v7 de julio de 2026.
[14] Nagda, A., Raghavan, P., Thakurta, A. (2025). Reinforced generation of combinatorial structures: applications to complexity theory. arXiv:2509.18057. https://arxiv.org/abs/2509.18057 — Reciente
Nota: preprint de Google. Autoría según el preprint de [15]; resultados verificados con código específico para cada problema.
[15] Nagda, A., Raghavan, P., Thakurta, A. (2026). Reinforced generation of combinatorial structures: Ramsey numbers. arXiv:2603.09172. https://arxiv.org/abs/2603.09172 — Reciente
Nota: preprint de Google; construcciones publicadas en GitHub.
[16] Kakaes, K. (2026, 3 ago.). Why the legendary Erdős problems are falling to AI. Quanta Magazine. https://www.quantamagazine.org/why-the-legendary-erdos-problems-are-falling-to-ai-20260803/ — Reciente
Nota: fuente periodística con entrevistas a Bloom, Alon y otros. Los resultados originales están en preprints y comunicados de OpenAI y DeepMind.
[17] Sothanaphan, N. (2026). Resolution of Erdős Problem #728: a writeup of Aristotle’s Lean proof. arXiv:2601.07421. https://arxiv.org/abs/2601.07421 — Reciente
Nota: autoría según [16]. Prueba verificada en Lean.
[18] OpenAI (2026, 20 may.). An OpenAI model has disproved a central conjecture in discrete geometry. https://openai.com/index/model-disproves-discrete-geometry-conjecture/ — Con reservas
Nota: comunicado de la empresa. El modelo no es público.
[19] Alon, N., Bloom, T. F., Gowers, W. T., Litt, D., Sawin, W., Shankar, A., Tsimerman, J., Wang, V., Wood, M. M. (2026). Remarks on the disproof of the unit distance conjecture. arXiv:2605.20695. https://arxiv.org/abs/2605.20695 — Reciente
Nota: preprint. OpenAI eligió a los verificadores y solicitó los comentarios.
[20] Scientific American (2026, 22 may.). AI just solved an 80-year-old ‘Erdős problem,’ and mathematicians are amazed. https://www.scientificamerican.com/article/ai-just-solved-an-80-year-old-erdos-problem-and-mathematicians-are-amazed/ — Fuente periodística (secundaria)
Nota: autoría no identificada.
[21] Nie, T., Zhang, A., Tang, Y., Testa, D., Yau, S.-T., Li, P., Zhou, Y. (2026). FormaTheoria: constructing large-scale Lean theories from mathematical literature — toward the formalization of the classification of finite simple groups. arXiv:2608.10894. https://arxiv.org/abs/2608.10894 — Reciente
Nota: preprint de Tsinghua y Warwick. Cifras de una instantánea tomada al completar las pruebas.
[22] Quantum Bit (量子位) / 36Kr (2026, 28 ago.). AI Completes 15 Mathematicians’ 6-Year Workload in 7 Months. https://eu.36kr.com/en/p/3959028620409988 — Fuente periodística (secundaria)
Nota: el titular exagera. La comparación de unas 15 personas y seis años es solo con la formalización previa de Feit–Thompson en Rocq. Las fechas del propio artículo (22 ene.-2 ago. 2026) suman unos 6,4 meses. Los detalles sobre erratas y revisión de traducciones los atribuye al preprint; no los he cotejado con él.
[23] He, Y.-H., Jejjala, V., Mishra, C., Sharnoff, E. (2025). Learning to be simple. AI for Science, 1(2), 025006. https://doi.org/10.1088/3050-287X/ae1d98 — Con reservas
Nota: aceptado el 7 de noviembre de 2025. Red neuronal poco profunda con 1.000 puntos de entrenamiento; autores de Reino Unido y Sudáfrica.
[24] BrainFacts (2026, 2 abr.). In a first, China approves brain implant for commercial use. https://www.brainfacts.org/neuroscience-in-society/neuroscience-in-the-news/2026/icymi-in-a-first-china-approves-brain-implant-for-commercial-use-040226 — Fuente divulgativa (secundaria)
Nota: divulgación de la Society for Neuroscience.
[25] Sixth Tone (2026, 16 mar.). China clears first brain-computer implant for commercial use. https://www.sixthtone.com/news/1018307 — Fuente periodística (secundaria)
Nota: autoría no identificada.
[26] Liu, D., Shan, Y., Wei, P., Li, W., Xu, H., Liang, F., Liu, T., Zhao, G., Hong, B. (2024). Reclaiming hand functions after complete spinal cord injury with epidural brain-computer interface. medRxiv. https://doi.org/10.1101/2024.09.05.24313041 — Reciente
Nota: preprint del grupo de Tsinghua. Un paciente con lesión completa C4, 9 meses de uso doméstico, F1 = 0,91 en detección de agarre y 100 % en transferencia de objetos. Ocho electrodos epidurales. Ensayo citado: NCT05920174.
[27] South China Morning Post (2026, 15 jul.). China completes world’s first commercial brain-computer interface implant. https://www.scmp.com/tech/big-tech/article/3360684/china-completes-worlds-first-commercial-brain-computer-interface-implant — Fuente periodística (secundaria)
Nota: autoría no identificada. Se basa en un comunicado de la Comisión de Ciencia y Tecnología de Shanghái.
[28] Chen, L., Qing, W., Lin, F. y otros (49 autores) (2026). Clinical translation of brain-computer interface in China: a landscape analysis of investigator-initiated trials, registered clinical trials, and regulatory approval. arXiv:2607.07185. https://arxiv.org/abs/2607.07185 — Reciente
Nota: preprint de revisión (Hainan University y otros). Resume el ensayo de 4 + 32 pacientes; no es la fuente primaria de los datos.
[29] Neuracle Technology (Shanghai) Co., Ltd. (2026). 招股说明书（申报稿）[Folleto de oferta pública inicial (borrador), STAR Market]. Bolsa de Shanghái. https://static.sse.com.cn/stock/disclosure/announcement/c/202606/002198_20260611_0RN0.pdf — Con reservas
Nota: documento de la propia empresa, con interés directo en el resultado y sin revisar por pares. Leí solo la parte inicial del documento.
[30] Card, N. S., Wairagkar, M., Iacobacci, C., Hou, X., Singer-Clark, T., Willett, F. R., Kunz, E. M., Fan, C., Vahdati Nia, M., Deo, D. R., Srinivasan, A., Choi, E. Y., Glasser, M. F., Hochberg, L. R., Henderson, J. M., Shahlaie, K., Stavisky, S. D., Brandman, D. M. (2024). An accurate and rapidly calibrating speech neuroprosthesis. New England Journal of Medicine, 391(7), 609-618. https://doi.org/10.1056/NEJMoa2314132 — Con reservas
Nota: ensayo clínico con un solo participante con ELA (UC Davis, EE. UU.); 84 sesiones en más de 8 meses.
[31] Vaccaro, M., Almaatouq, A., Malone, T. W. (2024). When combinations of humans and AI are useful: a systematic review and meta-analysis. Nature Human Behaviour, 8, 2293-2303. https://doi.org/10.1038/s41562-024-02024-1 — Fiable
Nota: metaanálisis preregistrado de 106 estudios y 370 tamaños de efecto, publicados entre enero de 2020 y junio de 2023. Distribución por países no verificada.
[32] Google Quantum AI y colaboradores (2025). Quantum error correction below the surface code threshold. Nature, 638, 920-926. https://doi.org/10.1038/s41586-024-08449-y — Con reservas
Nota: experimento con el procesador Willow de 105 qubits (EE. UU.); un solo grupo y una sola plataforma. Mide una memoria cuántica, no operaciones lógicas.
Nota sobre las etiquetas. «Con reservas» en [2]-[6], [8]-[10], [18], [23], [29], [30] y [32] indica hallazgo único, ausencia de réplica independiente, resultado preclínico o discutido por otros expertos, o publicación por la empresa que obtiene el resultado. No indica duda sobre la medición. «Reciente» en [11]-[17], [19], [21], [26] y [28] indica resultado sin replicar o preprint. Las fuentes periodísticas, divulgativas e institucionales llevan etiqueta categórica porque no son estudios.