Ciencia y salud - GeneseAI

14.1La IA, nuevo instrumento de la ciencia

En contexto

Del laboratorio automatizado a las matemáticas

Dos ilustraciones concretas. Por un lado, los laboratorios autónomos («self-driving labs») acoplan la IA a robots para formular hipótesis, realizar experimentos y aprender de sus resultados en bucle, acelerando el descubrimiento de materiales o de catalizadores. Por otro, en matemáticas, sistemas de DeepMind (AlphaProof, AlphaGeometry) alcanzaron en 2024 un nivel de medalla de plata en las Olimpiadas Internacionales, señal de que la IA empieza a contribuir al razonamiento formal, y ya no solo a reconocer patrones. Desde entonces, ese nivel se ha superado: en la Olimpiada Internacional de Matemáticas 2026 (Shanghái, julio), dos sistemas de IA, Celia (Huawei) y dots-note 3.0 (Xiaohongshu), obtuvieron la puntuación perfecta de 42 sobre 42, con una corrección a cargo de los organizadores, de modo que la prueba deja de ser discriminante para los modelos. El reto se desplaza hacia la propia investigación. El 10 de agosto de 2026, Anthropic publicó un artículo en el que una versión de investigación no publicada de Claude eleva del 41,6 al 67,2 % la proporción demostrada de ceros de la función zeta de Riemann que son simples y están situados sobre la recta crítica; la demostración fue formalizada en Lean y revisada por matemáticos, y Anthropic precisa que no espera que estas técnicas demuestren la hipótesis de Riemann. El 1 de agosto de 2026, OpenAI anunció diez resultados en matemáticas y en informática teórica obtenidos, según la empresa, por un modelo entonces no publicado (Astra), cada uno de ellos formalizado en Lean.

En contexto

¿un problema del milenio resuelto por agentes?

El 8 de septiembre de 2026, OpenAI anunció que un enjambre de unos 10 000 agentes autónomos, basado en un modelo interno no publicado, había demostrado que una solución de las ecuaciones de Navier-Stokes en tres dimensiones puede desarrollar una singularidad en tiempo finito (con un término de forzamiento regular). Si el resultado se confirma, respondería a uno de los seis problemas del milenio aún abiertos, dotados cada uno con un millón de dólares por el instituto Clay. Según OpenAI, la demostración requirió 88 horas de cálculo, y después 17 horas para ser formalizada y verificada en el asistente de demostración Lean. Se imponen tres reservas. La verificación formal garantiza la demostración, pero no que el enunciado formalizado equivalga exactamente al del premio: ese control corresponde a los matemáticos, y el instituto Clay no se había pronunciado a finales de septiembre de 2026. El resultado se apoya en una técnica desarrollada por matemáticos humanos (Diego Córdoba y Luis Martínez-Zoroa), como subrayó Charles Fefferman, de Princeton. Por último, la prioridad está disputada: Tristan Buckmaster (Universidad de Nueva York) y Levent Alpöge (Anthropic) habían anunciado doce horas antes un resultado próximo sobre las ecuaciones de Euler, obtenido con un modelo de Anthropic. El episodio marca un umbral, sea cual sea su desenlace: la cuestión ya no es saber si una IA puede contribuir a unas matemáticas de primer nivel, sino cómo se verifica, y a quién se atribuye, lo que produce.

14.2Biología y descubrimiento de medicamentos

Esquema14.1. La compresión del tiempo de descubrimiento. Al simular numéricamente la interacción entre una molécula y su diana, la IA permite descartar muy pronto a los candidatos abocados al fracaso, acortando la fase más lenta y más costosa.

Bajo el capó

AlphaFold 3 (2024) ya no predice solo la forma de las proteínas, sino también sus interacciones con las pequeñas moléculas (los medicamentos), el ADN y el ARN; su base de datos recoge más de 200 millones de estructuras, abiertas a la investigación. La escisión (spin-off) de DeepMind, Isomorphic Labs, hizo de ella un motor de diseño de medicamentos (a veces apodado «AlphaFold 4» por los expertos), captó 2100 millones de dólares en 2026, estableció alianzas con grandes laboratorios (Eli Lilly, Novartis, Johnson & Johnson) y aspira a la entrada en ensayos clínicos de su primer medicamento diseñado por IA (contra el cáncer) a finales de 2026. Otras están más avanzadas: Insilico Medicine lanzó el 7 de julio de 2026 la fase III del rentosertib (contra la fibrosis pulmonar idiopática), con el ensayo GENESIS-IPF-3, aleatorizado, doble ciego y controlado con placebo (320 pacientes, 47 centros en China, 52 semanas), cuyo primer paciente fue tratado el 9 de septiembre de 2026; el 29 de julio de 2026, la FDA (la agencia estadounidense del medicamento) concedió además un procedimiento acelerado (Fast Track) a otro candidato de Insilico diseñado por IA (ISM6331, contra el mesotelioma). A 30 de septiembre de 2026, sin embargo, ningún medicamento descubierto o diseñado por IA ha recibido autorización de comercialización de la FDA. Junto al diseño de moléculas, la IA también acelera la genómica (interpretar el ADN, predecir el efecto de las mutaciones) y el análisis de la biología celular. Más allá de la predicción, ahora permite diseñar desde cero proteínas y enzimas con las propiedades deseadas (un ámbito también distinguido con el premio Nobel de química 2024), abriendo la vía a nuevas vacunas, tratamientos y biomateriales.

En contexto

De la proteína al genoma

El 8 de septiembre de 2026, Google DeepMind puso en línea el AlphaGenome Atlas, una base de alrededor de 1 petabyte que contiene las predicciones del modelo AlphaGenome para la totalidad de los 9000 millones de sustituciones de una sola letra posibles en el genoma humano, con una puntuación de impacto única (AVI) y un portal web. El 6 de agosto de 2026, un equipo de Stanford y del Arc Institute publicó en Science el diseño, mediante modelos de lenguaje genómico (Evo), de genomas enteros de bacteriófagos: de cerca de 300 genomas sintetizados, 16 fagos viables infectaron y mataron una cepa de Escherichia coli. Los modelos habían sido privados de datos de patógenos humanos, pero especialistas en bioseguridad advierten de que esta salvaguarda puede eludirse en parte y recomiendan un cribado de los pedidos de ADN de síntesis (véase el capítulo 24).

En contexto

Un enjambre de agentes detecta un sistema enzimático desconocido

El 23 de septiembre de 2026, Anthropic anunció, con una prepublicación aún no revisada por pares, que Claude había detectado un sistema enzimático no caracterizado, bautizado ART, presente sobre todo en bacteriófagos. Unos 950 agentes cribaron, en 21 horas, más de 200 000 transcriptasas inversas y seleccionaron los 20 sistemas candidatos más prometedores. El sistema asocia una transcriptasa inversa, ya identificada anteriormente, un gen asociado de función desconocida y una larga matriz de repeticiones de ADN, disposición que recuerda a CRISPR (las «tijeras genéticas»). Investigadores humanos mostraron, en el laboratorio de biología de Anthropic, que esa matriz se expresa en forma de ARN cortos. La función del sistema sigue siendo desconocida, y nada establece en esta fase que pueda servir para la edición del genoma.

En contexto

El biohacking y la democratización de la biología

Al rebajar la barrera de competencia, la IA pone herramientas de biología de vanguardia en manos de aficionados informados, un movimiento a veces llamado biohacking. El caso más elocuente: en 2025-2026, un consultor australiano sin formación en biología, Paul Conyngham, utilizó un asistente conversacional y AlphaFold para diseñar una vacuna de ARN mensajero personalizada contra el cáncer (un mastocitoma) de su perra Rosie. El enfoque retoma la lógica de la medicina de precisión: comparar el genoma sano y el genoma tumoral para detectar las mutaciones, modelar las proteínas correspondientes con AlphaFold y luego dirigirse contra esos «neoantígenos». No fabricó él mismo la vacuna: un instituto universitario especializado (en la UNSW, en Sídney) la sintetizó, por unos pocos miles de dólares. Resultado reportado: una reducción de aproximadamente la mitad del tumor, sin ser una curación. Este episodio ilustra la promesa (la IA no reemplaza a los investigadores, sino que amplía el círculo de quienes pueden contribuir, hacia una medicina más participativa) tanto como sus límites: como recuerdan los especialistas, son hipótesis de trabajo, no tratamientos validados; solo la vía de los ensayos clínicos puede establecer un beneficio real, y la fabricación exige todavía un laboratorio. El reverso más sombrío de esta democratización, el riesgo de bioseguridad, se aborda en el capítulo 24.

En contexto

La IA y la longevidad

Un campo conexo atrae financiación considerable: la investigación sobre el envejecimiento y la longevidad. La idea ya no es solo curar las enfermedades una a una, sino comprender, e incluso ralentizar, los mecanismos del envejecimiento mismo. La IA desempeña en ello varios papeles: analizar inmensos conjuntos de datos biológicos para construir relojes del envejecimiento (estimar la edad «biológica» de un organismo a partir de marcadores moleculares), detectar moléculas candidatas para actuar sobre las células senescentes o las vías del envejecimiento, y acelerar el descubrimiento de tratamientos (los mismos motores que en la sección anterior). Empresas especializadas (como Insilico Medicine, ya citada, o Retro Biosciences y Altos Labs en el lado de la biotecnología de la longevidad) apuestan por esta convergencia. La prudencia sigue siendo de rigor: prolongar la vida en buena salud es un objetivo científico serio, pero el ámbito atrae también un marketing muy optimista, y a día de hoy no existe ninguna «píldora contra el envejecimiento» validada. La frontera entre la investigación rigurosa y las promesas sobrevendidas es ahí particularmente fina.

14.3Materiales, clima y otras ciencias fundamentales

En pocas palabras

El mismo enfoque se despliega en numerosas disciplinas, donde la IA actúa como un acelerador y un explorador al servicio del investigador:

Ciencia de los materiales: sistemas de IA han propuesto cientos de miles de estructuras cristalinas nuevas, candidatas para mejores baterías, superconductores o paneles solares (vínculo con la transición energética del capítulo 10).
Meteorología y clima: modelos de IA predicen ahora el tiempo más rápido, y a veces mejor, que las pesadas simulaciones físicas clásicas, y ayudan a modelar el clima.
Física: la IA ha permitido controlar mejor el plasma ardiente de los reactores de fusión, y analizar las montañas de datos de los grandes instrumentos (aceleradores, telescopios).
Neurociencias: ayuda a decodificar la actividad cerebral, hasta las interfaces cerebro-máquina.
Matemáticas: empieza a proponer conjeturas y a verificar (e incluso encontrar) demostraciones, con los primeros resultados de investigación formalizados desde el verano de 2026 (sección 14.1).

En contexto

La IA para lo nuclear y la física de partículas

Dos ámbitos merecen un foco, pues invierten la relación habitual: la IA ya no es solo voraz en energía, sino que se convierte en una herramienta al servicio de la ciencia y de la energía. En lo nuclear civil, ya optimiza la explotación de las centrales: mantenimiento predictivo (anticipar la avería de un equipo), detección de anomalías en los caudales de datos de sensores, planificación de las paradas y gestión del combustible, y aceleración del diseño de reactores (incluidos los pequeños reactores modulares, SMR). El Organismo Internacional de Energía Atómica (OIEA) coordina desde 2021 programas dedicados y ha acreditado centros de referencia (en Purdue para lo nuclear, en el MIT para la fusión). En la fusión, el reto estrella es el control en tiempo real del plasma: un gas a varios millones de grados, intrínsecamente inestable, que sistemas de aprendizaje por refuerzo han aprendido a confinar pilotando los campos magnéticos, allí donde los métodos clásicos batallan; la IA también ayuda a explorar los parámetros de los futuros reactores. En septiembre de 2026, investigadores de Princeton y del PPPL publicaron así en Nuclear Fusion el marco PACMAN, probado en cinco experimentos en el tokamak DIII-D: su ciclo de decisión es de unos 20 milisegundos, y en él se predijo y luego se evitó un modo de desgarro magnético con unos 200 milisegundos de antelación. Por último, en física de partículas, laboratorios como el CERN se apoyan desde hace tiempo en el aprendizaje automático para clasificar las montañas de datos de colisiones del gran colisionador (LHC) y detectar en ellos las escasas señales interesantes. La IA y la energía se nutren así mutuamente (capítulo 10).

En contexto

La IA y el espacio

El sector espacial se ha convertido en un gran consumidor de IA. En observación de la Tierra, modelos analizan de forma continua las imágenes de los satélites para seguir la deforestación, los cultivos, las catástrofes, el deshielo o las emisiones, transformando un diluvio de imágenes en información aprovechable. En astronomía, el aprendizaje automático clasifica los datos masivos de los grandes telescopios: detección de exoplanetas en las curvas de luminosidad (método que reveló nuevos mundos en los datos de Kepler), clasificación de galaxias, detección de eventos transitorios. En la exploración, la IA ayuda a la navegación autónoma de los rovers y las sondas (donde el retardo de comunicación impide el pilotaje en directo), a la planificación de las observaciones y al mantenimiento predictivo de las naves. Por último, la vigilancia del espacio (seguimiento de los desechos en órbita, prevención de colisiones) se apoya cada vez más en estas técnicas, a medida que la órbita baja se puebla de satélites. También aquí, la IA actúa como un multiplicador del trabajo científico y operativo.

En contexto

La IA para el medio ambiente y la biodiversidad

La IA sirve también para vigilar y proteger lo vivo. Identifica especies a partir de imágenes de trampas fotográficas automáticas o de sonidos (cantos de aves, llamadas de cetáceos), hace el seguimiento de las poblaciones animales y detecta la caza furtiva; cartografía la deforestación y el estado de los bosques, vigila los océanos y los arrecifes de coral, y ayuda a modelar los efectos del cambio climático sobre los ecosistemas. Estas herramientas dan a los investigadores y a los gestores de espacios naturales una capacidad de observación a gran escala, durante mucho tiempo fuera de alcance. Se aplica el matiz habitual: estos análisis siguen siendo estimaciones que validar sobre el terreno, y la huella ecológica de la propia IA (capítulo 10) invita a sopesar sus beneficios ambientales frente a sus costes.

En contexto

La IA que prevé el tiempo

Uno de los logros más tangibles de la IA para la ciencia es la predicción meteorológica. Modelos entrenados sobre décadas de datos atmosféricos (los reanálisis, como ERA5) han alcanzado y luego superado, en numerosos indicadores, a los sistemas físicos tradicionales que corren en supercomputadores. El pionero, GraphCast (Google DeepMind, 2023), produce una predicción a diez días en menos de un minuto en una sola tarjeta gráfica, allí donde el modelo de referencia del Centro Europeo (el ECMWF) requiere horas, y lo superó en cerca del 90 % de los indicadores evaluados; su sucesor probabilístico, GenCast (2024), genera escenarios de conjunto y batió al sistema de conjunto europeo en cerca del 97 % de los objetivos. Otros actores están en la carrera: Pangu-Weather (Huawei), particularmente bueno con los ciclones, Aurora (Microsoft), un «modelo de fundación» de la atmósfera, y el propio ECMWF, que desarrolló su propio modelo de IA (AIFS) y lo puso en operación. En la práctica, estos modelos no reemplazan (aún) a los modelos físicos: los servicios meteorológicos y los centros de huracanes los emplean como una fuente de predicción adicional, y la divergencia entre la IA y el modelo clásico se convierte ella misma en una información sobre la incertidumbre. Dos límites moderan el entusiasmo: entrenados sobre el pasado, estos modelos pueden anticipar mal eventos extremos sin precedentes (una cuestión tanto más viva en un clima que cambia, capítulo 10), y su resolución sigue siendo limitada. La trayectoria no por ello es menos espectacular: un ámbito en el que la precisión ganaba aproximadamente un día de predicción por década ha visto a la IA comprimir ese progreso en unos pocos años.

En contexto

La integridad de la ciencia amenazada

Más allá de la reproducibilidad, la IA generativa hace pesar una amenaza más directa sobre la fiabilidad de la literatura científica. Hay artículos ahora redactados parcial, o incluso enteramente, por modelos, a veces sin que se declare; se han detectado en revistas giros reveladores dejados por descuido, e incluso imágenes o datos fabricados. El fenómeno alimenta las «fábricas de artículos» (paper mills), que producen en masa publicaciones falsas, y somete a tensión la evaluación por pares, ya desbordada, que algunos intentan (con prudencia) asistir con IA. El riesgo es doble: contaminar el corpus científico con resultados dudosos, y erosionar la confianza en la publicación. En respuesta, editoriales e instituciones desarrollan herramientas de detección, reglas de divulgación del uso de la IA y una vigilancia acrecentada. En Francia, el CNRS publicó el 7 de septiembre de 2026 un artículo de alerta sobre este tema: recuerda en él que unos 10 000 artículos fueron retractados en 2023 de los 4,5 millones publicados en el mundo (por todas las causas, y no solo a causa de la IA) y destaca la declaración obligatoria del uso de la IA, la detección de las referencias retractadas antes de la publicación y la reforma de la evaluación de los investigadores. La ciencia debe aquí precaverse contra una herramienta que por lo demás emplea para progresar.

14.4La salud en el día a día

En pocas palabras

A la cabecera del paciente, la IA progresa en varios frentes.

Imagen médica: detecta tumores y anomalías en las radiografías, escáneres o resonancias, a veces con una sensibilidad superior al ojo humano, y acelera el diagnóstico.
Ayuda al diagnóstico: sistemas de IA conversacional obtienen, en ciertos estudios, mejores resultados que los médicos en casos tipo (resultado por confirmar en condiciones reales).
Cirugía: los robots quirúrgicos se enriquecen con copilotos de IA capaces de anticipar complicaciones (capítulo 13).
Medicina personalizada: adaptar un tratamiento al perfil genético y clínico del paciente, y reposicionar medicamentos existentes.
Aligeramiento administrativo: transcripción de las consultas, redacción de informes, lo que puede devolver tiempo médico. Es hoy uno de los usos más desplegados: asistentes llamados ambientales escuchan la consulta (con el consentimiento del paciente) y redactan automáticamente su informe, integrado en la historia clínica. El ejemplo más avanzado es el francés Nabla, utilizado a mediados de 2026 por unos cien mil profesionales en alrededor de ciento noventa organizaciones de salud, que se integra con las principales historias clínicas informatizadas y aspira sobre todo a reducir la carga administrativa y el agotamiento de los sanitarios.
Salud mental: agentes conversacionales ofrecen un primer apoyo psicológico, accesible y sin juicio. Es una vía prometedora para el acceso a la atención, pero de altos riesgos (capítulo 19): una herramienta así no reemplaza a un profesional, puede dar malos consejos, y debe imperativamente orientar hacia una ayuda humana en caso de angustia.

En contexto

Las interfaces cerebro-máquina

En la frontera entre las neurociencias y la clínica, las interfaces cerebro-máquina (ICM, en inglés BCI) conectan directamente el cerebro a un ordenador, y la IA es ahí indispensable para decodificar las señales neuronales en intenciones. La más mediática, Neuralink, implantó a su primer paciente humano a comienzos de 2024 (un hombre tetrapléjico que pudo desplazar un cursor, jugar y navegar con el pensamiento); a mediados de 2026, una veintena de pacientes habían recibido su implante (del tamaño de una moneda, dotado de miles de electrodos colocados por un robot cirujano), en el marco de ensayos sobre el control motor (PRIME), la restauración del habla (VOICE) y de la visión (Blindsight). Pero Neuralink no está sola: Synchron inserta su sensor por vía sanguínea, sin abrir la caja craneal (menos resolución, pero mucho menos riesgo); Precision Neuroscience, Paradromics o Blackrock Neurotech exploran otros enfoques, mientras que cascos no invasivos (EEG) detectan estados mentales sin leer los pensamientos. Las promesas son inmensas para las personas paralizadas, pero también lo son los retos: seguridad, privacidad de los datos más íntimos que existen (la actividad cerebral), y la perspectiva más lejana de un aumento de las capacidades, que plantea la cuestión de los «derechos neuronales». A muy largo plazo, ciertos actores (Neuralink en primer lugar) exhiben una ambición más radical: una simbiosis humano-IA, es decir una interfaz de muy alto caudal pensada para que el humano «no se quede rezagado» frente a una IA cada vez más poderosa. Esta perspectiva pertenece por ahora a la visión reivindicada, muy alejada de las capacidades reales de hoy, y plantea inmensas cuestiones tanto de viabilidad como de ética.

14.5Límites y riesgos propios de la salud

Debate

El ámbito de la salud concentra riesgos específicos que imponen prudencia.

La responsabilidad. Si una IA se equivoca de diagnóstico, ¿quién es responsable: el médico, el editor del software, el hospital? El marco jurídico sigue siendo difuso (capítulo 21).
Los sesgos. Un modelo entrenado sobre todo con poblaciones occidentales puede ser menos fiable para otros grupos, creando desigualdades en la atención (capítulo 21).
La validación y la regulación. En salud, la exigencia de prueba es máxima. La Unión Europea clasifica los dispositivos médicos basados en IA como de «alto riesgo», imponiendo auditorías y transparencia (la aplicación de estas normas de alto riesgo se ha aplazado a diciembre de 2027 y agosto de 2028, capítulo 25). En Estados Unidos, un estudio publicado el 19 de agosto de 2026 en PLOS Digital Health contabilizó los 1357 dispositivos médicos basados en IA autorizados por la FDA a 5 de diciembre de 2025: solo 34 (2,5 %) estaban vinculados a un ensayo clínico prospectivo registrado, y 3 (0,2 %) habían sido evaluados con criterios centrados en el paciente (mortalidad, hospitalizaciones, calidad de vida), ya que la vía de autorización más habitual solo exige una «equivalencia sustancial» con un dispositivo ya autorizado. La FDA abrió por otra parte el 18 de agosto de 2026 una consulta (hasta el 19 de octubre de 2026) sobre la regulación de los dispositivos médicos con IA generativa: el documento propone una matriz de riesgo con dos ejes (autonomía del dispositivo, gravedad de las consecuencias), una evaluación «por competencias» inspirada en la de los clínicos y una vigilancia reforzada tras la comercialización, y cita las confabulaciones de apariencia creíble. En esta fase no se trata más que de una consulta: no se ha adoptado ninguna norma vinculante.
La confidencialidad. El entrenamiento con datos de salud, de los más sensibles que existen, debe respetar reglas estrictas (el RGPD en Europa, capítulo 21).
La alucinación. Un modelo de lenguaje puede inventar una referencia o una posología: en un contexto médico, eso puede ser mortal. De ahí una regla de oro que vale para toda la ciencia y la salud: la IA asiste, pero un humano cualificado decide.

Para recordar (capítulo 14)

La IA se convierte en un instrumento científico mayor: no para conversar, sino para descubrir, e incluso para formular hipótesis («co-científica»). Símbolo: AlphaFold (premio Nobel de química 2024).
En descubrimiento de medicamentos, comprime los plazos: AlphaFold 3 (200 millones de estructuras), Isomorphic Labs (2100 millones captados, ensayos clínicos previstos para finales de 2026), Insilico (fase 3 desde julio de 2026); ningún medicamento diseñado por IA está autorizado todavía.
El impacto se extiende a los materiales, al clima, a la fusión, a las neurociencias y a las matemáticas (puntuación perfecta de dos sistemas en la Olimpiada de 2026, primeros resultados de investigación formalizados); pero la IA mal empleada amenaza también la reproducibilidad científica.
En salud, progresa en imagen, diagnóstico, cirugía, medicina personalizada y apoyo en salud mental (este último de altos riesgos).
Los riesgos son específicos: responsabilidad, sesgo de población, validación, confidencialidad y alucinación. Principio: la IA asiste, el humano cualificado decide.

Del descubrimiento científico a la transmisión del saber: el capítulo 15 examina cómo la IA trastorna la educación.

14.1La IA, nuevo instrumento de la ciencia#

14.2Biología y descubrimiento de medicamentos#

14.3Materiales, clima y otras ciencias fundamentales#

14.4La salud en el día a día#

14.5Límites y riesgos propios de la salud#

Para recordar (capítulo 14)

14.1La IA, nuevo instrumento de la ciencia

14.2Biología y descubrimiento de medicamentos

14.3Materiales, clima y otras ciencias fundamentales

14.4La salud en el día a día

14.5Límites y riesgos propios de la salud