En los últimos años, todo el mundo habla de ChatGPT y de los modelos de lenguaje. Nos ayudan a escribir textos, responder preguntas, resumir documentos… y parecen casi mágicos.
Pero detrás de esta magia hay un matiz importante:
ChatGPT y modelos similares son muy buenos imitando patrones del pasado, no necesariamente descubriendo cosas nuevas.
Si queremos entender dónde están los avances más profundos de la inteligencia artificial, tenemos que mirar a otra familia de sistemas: los que nacen de AlphaGo.
Te dejamos un link de la película del 2016. Si estás mínimamente interesado en este tema además de aprender, pasarás un rato entretenido.
AlphaGo: el sistema que no solo imitaba, sino que aprendía jugando
En 2016, AlphaGo sorprendió al mundo al ganar al campeón mundial de Go, Lee Sedol.
¿Cómo aprendió?
- Primero, imitó a humanos: entrenó con miles de partidas de jugadores profesionales.
- Después, jugó contra sí mismo millones de veces:
- Probaba nuevas jugadas.
- Veía qué funcionaba mejor.
- Iba mejorando con la experiencia.
- Probaba nuevas jugadas.
Es decir, no solo “copiaba” lo que había visto, sino que experimentaba y encontraba estrategias nuevas.
Eso es muy diferente a un modelo como ChatGPT, que se entrena leyendo textos y aprendiendo patrones estadísticos de palabras.
De AlphaGo a AlphaFold: de un juego a un Nobel
La misma idea detrás de AlphaGo se llevó después a la biología con AlphaFold.
¿Para qué sirve AlphaFold?
Para predecir cómo se doblan las proteínas, algo clave para entender enfermedades y diseñar nuevos medicamentos.
Su impacto ha sido tan grande que este tipo de trabajo ha sido reconocido con un Premio Nobel de Química en 2024. No porque el modelo “lea artículos”, sino porque ayuda a descubrir cosas nuevas sobre cómo funciona la vida a nivel molecular.
La idea central:
- No se limita a repetir lo que ha visto.
- Aprende reglas profundas del sistema (en este caso, de la física y la biología).
Te dejamos otro link sobre lo que representan los avances conseguidos por el equipo de Demis Hassabis:
Lo mismo está pasando en otros campos: finanzas, materiales, genomas…
Este tipo de sistemas “a lo AlphaGo” ya se usan para:
- Descubrir nuevos materiales.
- Interpretar el genoma y entender mejor cómo se regulan los genes.
- Tomar decisiones en mercados financieros, aprendiendo de cómo se mueven los precios y ajustando estrategias.
Por ejemplo, algunos fondos de inversión usan sistemas que:
- Simulan distintos escenarios de mercado.
- Prueban estrategias.
- Aprenden qué funciona mejor con el tiempo.
No son bolas de cristal, no aciertan siempre. Pero si aciertan, por ejemplo, en un 60% de las decisiones, y controlan bien el riesgo, pueden generar buenas rentabilidades de forma consistente.
La clave: no es adivinar en todo, es acertar más veces de lo que se falla
Tanto en biología como en finanzas, estos sistemas no buscan la perfección absoluta.
Su valor está en:
- Dar buenas direcciones (predicciones razonables).
- Repetir ese proceso a gran escala.
- Aprender y corregir continuamente.
Además, igual que recuerdan los científicos, las predicciones del modelo no sustituyen los experimentos:
- En biología, luego hay que validar en el laboratorio.
- En finanzas, hay que controlar el riesgo y comprobar en el mundo real.
La IA no reemplaza el trabajo humano, pero puede acelerarlo mucho.
¿Y qué pasa con ChatGPT y los modelos de lenguaje?
Modelos como ChatGPT son muy útiles para:
- Escribir textos.
- Traducir.
- Resumir información.
- Ayudar a pensar más rápido.
Pero, según nos confirma Pawel jefe del equipo AI Investments gestor de Omphalos Fund:
- Trabajan principalmente imitando patrones del lenguaje humano.
- No entienden realmente causa y efecto.
- No pueden experimentar en un entorno y aprender de las consecuencias de sus actos al estilo de AlphaGo.
Son, por decirlo simple, excelentes conversadores, pero no necesariamente los mejores descubridores.
Imitación vs. innovación
Aquí está el punto central:
- Modelos de lenguaje (ChatGPT, etc.)
- Se entrenan leyendo grandes cantidades de texto.
- Son maestros de la imitación y la redacción.
- No actúan directamente en el mundo ni aprenden de los resultados de sus decisiones.
- Se entrenan leyendo grandes cantidades de texto.
- Sistemas tipo AlphaGo / AlphaZero / AlphaFold
- Aprenden interactuando: jugando, probando, simulando, experimentando.
- Se mueven en entornos donde existe causa y efecto.
- Pueden descubrir estrategias nuevas que nunca nadie les enseñó.
- Aprenden interactuando: jugando, probando, simulando, experimentando.
¿Qué tipo de IA necesitamos para los grandes retos de la ciencia?
Si pensamos en los retos importantes:
- Descubrir nuevos medicamentos.
- Diseñar soluciones contra el cambio climático.
- Crear infraestructuras más seguras y eficientes.
- Hacer los mercados financieros más estables.
No basta con tener máquinas que hablen bien.
Necesitamos sistemas que:
- Aprendan haciendo.
- Sepan explorar lo desconocido.
- Sean capaces de probar, fallar, mejorar y volver a intentarlo.
Conclusión: el futuro no es el que más habla, sino el que mejor aprende
AlphaGo no fue solo “la máquina que ganó al campeón de Go”.
Fue la prueba de que:
- La IA puede superar la intuición humana en tareas complejas.
- Podemos construir sistemas que descubren en lugar de solo repetir.
ChatGPT simboliza muy bien el presente: la IA que comunica, redacta y ayuda en el día a día.
Pero, si miramos a los grandes avances científicos y tecnológicos del futuro, el artículo defiende que el modelo a seguir está más cerca de AlphaGo que de ChatGPT.
Al final, en esta carrera, no ganará la IA que más hable, sino la que más y mejor aprenda del mundo real.
Nota importante: este contenido se ha hecho en colaboración con Omphalos Fund y tiene un carácter divulgativo, para la aplicación de IA/Machine Learning
Esta es una versión editada y adaptada para los seguidores de inbestMe de un artículo publicado en agosto 2025 en Omphalos Fund: https://www.omphalosfund.com/2025/08/11/why-alphago-not-chatgpt-will-shape-the-next-wave-of-human-progress/
Omphalos Fund aprovecha tecnologías de IA de última generación inspiradas en AlphaGo y en los avances más recientes en predicción de series temporales, optimización de carteras y reinforcement learning. La misión de Omphalos Fund es ofrecer una relación rentabilidad-riesgo inigualable, cumpliendo estrictos protocolos de gestión del riesgo y garantizando la resiliencia en mercados volátiles.
Respaldado por AI Investments y por un equipo de expertos de primer nivel, es un fondo alternativo sistemático multiestrategia opera 24 horas /5 días a la semana en los mercados globales, buscando rentabilidades descorrelacionadas, baja volatilidad y un ratio de Sharpe elevado.
El nacimiento del Omphalos Fund está relacionado con un proyecto de investigación »Alto» que contó con la participación de inbestMe. Fue un proyecto para desarrollar una plataforma avanzada de optimización de carteras y control de riesgosbasada en inteligencia artificial y machine learning(inspirada en enfoques tipo AlphaZero).
La plataforma, AI Investments (AII), ofrece:
- Optimización más precisa de activos y mejor gestión del riesgo ante eventos inesperados.
- Herramientas de visualización para ayudar a inversores a tomar decisiones informadas.
- Uso por parte de pymes, gestoras, fondos de pensiones, grandes empresas y también organismos públicos para monitorizar riesgos sistémicos.
Además, el proyecto quiere formar talento en técnicas punteras de IA, impulsar la investigación en la UE y bajar las barreras de entrada a nuevas Fintech, aumentando la competencia y la innovación financiera.
El consorcio lo forman dos pymes Fintech (AII e inbestMe) y dos universidades (Ulm y Oslo), que liderarán la parte metodológica y la evaluación de los algoritmos.
