Hace pocos días, Google hizo un anuncio que puede pasar desapercibido entre el ruido mediático, pero que marcará un antes y un después en la relación entre la inteligencia artificial y la creación de conocimiento. Se trata de AlphaEvolve, una nueva generación de agentes autónomos capaces no solo de resolver problemas, sino de generar nuevos conocimientos, y hacerlo de manera sistemática, escalable y autónoma.

Es cierto que la presentación es preliminar, y que el sistema aún no está accesible públicamente. Llega justo antes del Google I/O —el evento anual más importante de la compañía— y en un contexto de feroz presión competitiva, tanto por parte de rivales estadounidenses como chinos. Pero no es solo marketing: es una señal clara de un cambio de paradigma.

De sintetizar a crear

Hasta hace bien poco, los grandes modelos de lenguaje —como ChatGPT— destacaban por su capacidad para comprimir el conocimiento adquirido durante el entrenamiento. Hacían una especie de "remix" inteligente, reformulándolo y adaptándolo a nuevos contextos. Pero, pese a su versatilidad, no podía decirse que generaran conocimiento nuevo en sentido estricto, sino que combinaban conceptos ya conocidos en distintos niveles de abstracción según su entrenamiento.

Por primera vez, podemos afirmar con fundamento que existen sistemas de IA capaces de generar nuevo conocimiento de forma autónoma

Esta situación ha empezado a cambiar con la aparición de modelos que no solo generan texto, sino que “razonan”. Hablamos de sistemas como o3-o4, DeepSeek o Manus, capaces de definir objetivos, elaborar planes para alcanzarlos e iterar para mejorar sus propias propuestas. Estos agentes no se limitan a responder, sino que actúan, experimentan y refinan.

Aun así, hasta ahora su capacidad de generar nuevo conocimiento era limitada y frágil. Aunque se intuía un enorme potencial, parecía prematuro pensar que podrían sustituir —o incluso complementar— a investigadores humanos en la tarea del descubrimiento científico. Eso, sin embargo, es precisamente lo que está empezando a cambiar.

El método científico, automatizado

Pero, ¿y si pudiéramos automatizar el método científico? En el fondo, este consiste en formular hipótesis, ponerlas a prueba y refutarlas o aceptarlas provisionalmente. Es una idea sencilla, pero poderosa. Y durante años ha sido patrimonio exclusivo de los humanos. Hasta ahora.

AlphaEvolve, desarrollado sobre la base de los modelos Gemini, es el primer sistema generalista que empieza a hacer esto de forma convincente. Formula propuestas de solución para un problema determinado, las verifica automáticamente, y con las más prometedoras continúa iterando y refinándolas, hasta llegar a una solución mejor. Y no solo sobre el papel: lo ha logrado con éxito en aplicaciones reales.

Resultados tangibles

Los primeros resultados son espectaculares. AlphaEvolve ha mejorado los algoritmos de planificación de tareas de los centros de datos de Google (Borg) en un 0,7% —una cifra pequeña solo en apariencia, pero que representa millones de euros en eficiencia. También ha participado en el diseño de nuevos chips, e incluso ha optimizado componentes del modelo Gemini con mejoras del 23%.

Pero quizás lo más impresionante es que ha conseguido optimizar algoritmos que se consideraban prácticamente inmejorables, como el de multiplicación de matrices, reduciendo el número de operaciones necesarias. Puede parecer trivial, pero en el ámbito del Deep Learning, multiplicar matrices es la base de todo. Mejorar este proceso implica hacer la IA más rápida, más barata y accesible.

Limitaciones y potencial

Es cierto que esta capacidad de generar nuevo conocimiento aún tiene límites. AlphaEvolve solo puede trabajar con problemas que pueden verificarse automáticamente. Por ejemplo, en matemáticas o informática, donde es fácil comprobar si una solución es mejor: ¿realiza menos operaciones? ¿Da el mismo resultado? Pero en otras áreas, como las ciencias sociales, donde la validación es más subjetiva o lenta, el reto sigue siendo enorme.

Ahora bien, eso no le resta valor a lo que se ha conseguido. Por primera vez, podemos afirmar con fundamento que existen sistemas de IA capaces de generar nuevo conocimiento de forma autónoma. Y esto abre una puerta fascinante.

El gran reto de la innovación

Para que haya innovación, primero debe haber conocimiento nuevo. Durante décadas hemos sabido cómo aplicar el conocimiento —innovar—, pero no siempre cómo generarlo. La investigación ha sido lenta, costosa, y reservada a equipos humanos altamente especializados. Ahora, con la posibilidad de automatizar partes del proceso, podríamos empezar a acelerar el ritmo del descubrimiento científico. Cierto es que el nuevo conocimiento no crea valor, ni lo captura por sí mismo; es la innovación, su aplicación, quien lo hace. Pero sin nuevo conocimiento, nada es posible.

En esta línea se inscriben iniciativas anteriores de Google como FunSearch —centrado en matemáticas— o AlphaFold, el revolucionario sistema capaz de predecir la estructura de proteínas, acelerando enormemente la investigación biomédica, especialmente en el diseño de fármacos. AlphaEvolve representa una generalización de esta idea: sistemas capaces de explorar, verificar y generar nuevo conocimiento de manera iterativa y masiva.

Un nuevo horizonte

Nos encontramos ante un momento histórico. Si la IA puede crear conocimiento en áreas verificables, y si esto puede hacerse a escala, con la creciente potencia de cálculo disponible, es imaginable un futuro en el que la ciencia, la ingeniería y por tanto la innovación avancen a una velocidad hasta ahora impensable. Porque habremos resuelto, al menos en parte, el gran cuello de botella: crear nuevo conocimiento y hacerlo en el momento en que más se necesita.

Es, efectivamente, un pequeño paso para la IA. Pero quizá sea —como decía Neil Armstrong— un gran salto para la humanidad.