A esta altura de la conversación, lo que más me llama la atención es la imagen de Anna Pertl sentada frente a la pantalla, en su oficina del Whitehead Institute en Cambridge, Massachusetts, mirando cómo una inteligencia artificial le tira sobre la mesa una idea que ella y sus compañeros nunca habían tenido. La escena no es de ciencia ficción: ocurrió hace poco, mientras esta bioquímica avanzaba con su doctorado sobre MYC, una proteína que aparece alterada en la mayoría de los cánceres y que durante décadas fue blanco de estrategias que terminaron en fracaso.

Lo que Pertl puso a funcionar se llama Co-Scientist, un sistema desarrollado por Google para generar hipótesis científicas. La lógica es simple en apariencia y compleja en la práctica: uno le plantea un problema a la máquina y ella devuelve propuestas. Pero antes de llegar a esa instancia, Anna y su colega Kalon Overholt tuvieron que invertir casi una hora en corregir lo que la herramienta había entendido mal. La IA confundía los cúmulos de proteínas que tenían que ser el blanco terapéutico con el propio fármaco y, peor todavía, les asignaba siempre una función de activación de genes, cuando en realidad algunos cumplen el efecto contrario. Sin ese ajuste fino, cualquier hipótesis que soltara iba a nacer equivocada.

El giro inesperado que propuso la herramienta

Con el problema finalmente bien planteado, Co-Scientist trabajó durante toda una noche. Reviso mas de setecientos estudios, armo 108 estrategias posibles y se quedo con una sola. La propuesta fue tan llamativa como contraintuitiva: en lugar de buscar la manera de disolver los cúmulos de proteínas que activan el gen MYC, la idea era unir esos cúmulos entre si hasta bloquear la lectura del ADN. Overholt, al verla, lo sintetizo con una frase que a mi me hubiera gustado escuchar en vivo: "Nunca habiamos pensado en nada parecido".

Esa pequeña perlita, que a cualquiera que sigue de cerca la investigacion del cancer le hara arquear las cejas, mostro el costado mas fuerte de esta clase de sistemas: la capacidad de combinar informacion dispersa y proponer conexiones que el ojo humano, cargado de rutinas y prejuicios, no suele hacer. Anna me lo confirmo cuando le pregunte que habia sentido al leerla. No era euforia, era sorpresa.

Cuando aparecen el tiempo y el dinero, la magia se desinfla

Semanas despues, llego la prueba mas dura. Pertl volvio a abrir Co-Scientist, pero esta vez le agrego dos condiciones muy concretas: los plazos y el presupuesto propios de un doctorado, que suelen ser mas bien magros. El sistema, esta vez, no encontro ninguna hipotesis viable. La misma herramienta que habia brillado en el ejercicio abierto se quedo sin aire cuando la obligaron a pensar con los pies en el barro del financiamiento real.

Ese contraste es, a mi entender, el corazon de la nota. No se trata de un fracaso de la inteligencia artificial ni de una celebracion desmesurada. Es la foto de una distancia que todavia no se acorto: generar hipotesis puede ser rapido, pero comprobarlas en el laboratorio sigue demandando tiempo, dinero y, sobre todo, manos expertas. Anton Sinitskiy, quimico computacional de la Universidad Northeastern, lo planteo con una claridad que no necesita adornos: el verdadero cuello de botella no es producir ideas, sino testearlas. Ross King, biologo computacional de la Universidad de Cambridge, fue un paso mas alla y describio los protocolos que arma la IA como "recetas", utiles para empezar pero insuficientes para terminar.

• La herramienta reviso mas de 700 estudios y propuso 108 estrategias, de las cuales conservo una sola.
• La idea ganadora fue unir los cumulos de proteinas que activan MYC para bloquear la lectura del ADN, en vez de intentar disolverlos.
• Los investigadores tuvieron que dedicar casi una hora a corregir como la IA interpretaba el problema antes de obtener resultados utiles.
• Al repetir la consulta con los plazos y el presupuesto reales de un doctorado, el sistema no encontro ninguna hipotesis viable.
• Especialistas subrayan que la dificultad central no es generar hipotesis, sino poder comprobarlas en el laboratorio.

Vuelvo a Anna, porque su historia es la que mejor resume lo que deja esta experiencia. Una bioqumica joven, sentada en uno de los institutos mas respetados del mundo, encontro en una maquina algo que ni ella ni su equipo habian imaginado. Pero tambien descubrio que esa misma maquina, cuando se le pone la soga al cuello del presupuesto, se queda muda. A mi, que llevo anos cubriendo temas de sociedad y ciencia, el caso me deja una sensacion extraa: no es de deslumbramiento ni de depresion, es de expectativa prudente. La herramienta existe, sirve, sorprende, pero todavia necesita a alguien como Anna al otro lado de la pantalla, alguien que corrija el problema, que evalue la idea y que mire el reloj y la billetera antes de salir corriendo al laboratorio. Mientras eso siga asi, la inteligencia artificial sera una aliada extraordinaria para pensar, y una compania todavia insuficiente para hacer.