Google DeepMind desmanteló el equipo de AlphaFold. Su estrategia de investigación está cambiando
Según informes, Google DeepMind desmanteló su equipo dedicado a AlphaFold, a pesar de que el proyecto obtuvo reconocimiento del Nobel hace menos de dos años. La noticia surgió a través de reportajes que posteriormente fueron amplificados por servicios detrás del rastro de búsqueda de google rsshub. La mayoría de los autores del histórico artículo sobre AlphaFold habría cambiado de puesto, se habría trasladado a otras unidades de Alphabet o habría dejado la empresa.
Esto no demuestra que Google haya abandonado la biología computacional. AlphaFold sigue disponible, su base de datos continúa respaldando el trabajo científico y la investigación relacionada prosigue dentro de DeepMind e Isomorphic Labs. El cambio relevante se refiere a cómo Google organiza a las personas que lo crearon.
DeepMind parece estar sustituyendo los equipos especializados en problemas concretos por un modelo centrado en Gemini y agentes de IA reutilizables. Anthropic, por su parte, ha contratado a varios investigadores destacados vinculados a AlphaFold. Ese contraste configura la verdadera historia: Google está consolidando la investigación en torno a una plataforma general, mientras sus rivales incorporan a científicos conocidos por avances especializados.
Lo que Google DeepMind realmente cambió
La reorganización reportada puso fin a AlphaFold como equipo dedicado, no a AlphaFold como recurso científico.
Según un informe del Financial Times del 29 de julio, Google DeepMind reasignó a la mayoría de los investigadores que firmaron el trabajo original de AlphaFold. Algunos pasaron a Gemini, IA para programación, genómica, diseño de enzimas e investigación sobre fusión nuclear. Otros se unieron a Isomorphic Labs, la empresa de descubrimiento de fármacos de Alphabet.
Casi una cuarta parte de los autores originales de AlphaFold habría dejado DeepMind por completo. Esa cifra describe al personal asociado con el artículo original, no a una cuarta parte de todos los investigadores que contribuyeron alguna vez a AlphaFold.
La distinción importa porque la frase “Google cierra AlphaFold” sugiere que el modelo o la base de datos han desaparecido. La evidencia disponible respalda una conclusión más acotada. Según informes, Google disolvió la unidad organizativa concentrada que construyó y desarrolló el sistema.
AlphaFold sigue siendo uno de los proyectos científicos destacados de DeepMind. La visión general de AlphaFold de la empresa todavía presenta una cronología, recursos de investigación y vías de acceso para científicos.
El repositorio público también sigue siendo accesible. Su documentación advierte que las predicciones de AlphaFold son modelos teóricos y no deberían orientar decisiones clínicas sin validación experimental.
AlphaFold predice la estructura tridimensional de una proteína a partir de su secuencia de aminoácidos. Esa capacidad ayuda a los investigadores a formular hipótesis antes de dedicar tiempo y equipos a experimentos de laboratorio. No sustituye esos experimentos.
Google DeepMind e Isomorphic Labs también lanzaron AlphaFold 3 en 2024. Ese modelo se amplió más allá de las proteínas aisladas hacia interacciones que involucran proteínas, ADN, ARN, moléculas pequeñas y otros componentes biológicos.
Esa progresión hace más llamativa la disolución del equipo. Google no cerró un experimento fallido tras resultados débiles. Dispersó a un equipo cuyo trabajo se había vuelto tanto científicamente influyente como institucionalmente simbólico.
Los lectores que sigan una consulta de google rsshub pueden encontrar titulares que afirman que Google puso fin a todo el proyecto AlphaFold. Esa formulación va más allá de lo que se ha establecido de manera independiente. La afirmación defendible es que AlphaFold ya no cuenta con la misma estructura de equipo dedicado.
Google no ha publicado un organigrama detallado que identifique cada reasignación. Tampoco ha proporcionado un calendario público para un modelo sucesor. Esas lagunas limitan cualquier intento de declarar que AlphaFold ha terminado.
Aun así, la estructura organizativa transmite información. Un equipo dedicado proporciona a un problema científico atención sostenida, continuidad de liderazgo y un cuerpo compartido de conocimiento técnico. Dispersar ese grupo cambia la forma en que se proponen, evalúan y financian los trabajos futuros.
Por tanto, el acontecimiento genera una tensión clara. AlphaFold sigue activo como infraestructura, pero la organización humana que lo hizo excepcional habría sido desmantelada.
Por qué el reconocimiento Nobel de AlphaFold eleva lo que está en juego
DeepMind está reorganizando al equipo detrás de su prueba más sólida de que la investigación de IA a largo plazo puede producir ciencia útil a escala global.
La Real Academia Sueca de Ciencias otorgó el Premio Nobel de Química de 2024 a David Baker, Demis Hassabis y John Jumper. Baker recibió la mitad por el diseño computacional de proteínas. Hassabis y Jumper compartieron la otra mitad por la predicción de estructuras proteicas.
El resumen del Premio Nobel vincula explícitamente el galardón de Hassabis y Jumper con AlphaFold. Describe el modelo como una forma de predecir las estructuras de prácticamente todas las proteínas conocidas.
El logro de AlphaFold no surgió de un ciclo corto de producto. DeepMind creó un pequeño equipo de estructura de proteínas en 2016. Su primer sistema AlphaFold lideró la evaluación CASP13 en 2018, pero aún no alcanzaba la precisión que buscaban los investigadores.
CASP, la Evaluación Crítica de Predicción de Estructuras, es una evaluación científica ciega que utiliza estructuras proteicas que los participantes no pueden inspeccionar de antemano. El rendimiento allí ofrece pruebas más sólidas que una demostración seleccionada por una empresa.
Luego DeepMind rediseñó el sistema. AlphaFold 2 dominó CASP14 en 2020 y alcanzó niveles de precisión comparables con estructuras experimentales para muchos objetivos. La investigación subyacente al modelo apareció en Nature en 2021.
El artículo sobre AlphaFold 2 documentó la arquitectura y la evaluación detrás de ese resultado. Sus autores combinaron aprendizaje automático, biología estructural, ingeniería y un amplio criterio científico.
Más tarde, Google colaboró con el Instituto Europeo de Bioinformática de EMBL para ampliar la Base de Datos de Estructuras de Proteínas de AlphaFold. Con el tiempo, llegó a cubrir más de 200 millones de estructuras predichas, que representan la mayoría de las proteínas catalogadas.
La base de datos cambió el punto de partida de muchas investigaciones biológicas. Los investigadores podían examinar una hipótesis estructural creíble antes de intentar cristalografía, microscopía electrónica criogénica u otros métodos de laboratorio.
Eso no significa que todas las predicciones sean correctas. La confianza varía según las regiones, los complejos y los contextos biológicos. Las proteínas también se mueven, cambian de forma e interactúan en entornos que una predicción estática no puede representar por completo.
Incluso con esas limitaciones, AlphaFold se convirtió en un ejemplo excepcionalmente visible de IA que ayuda a la ciencia. Proporcionó un resultado concreto mientras la industria más amplia de la IA a menudo se apoyaba en previsiones sobre capacidades futuras.
El reconocimiento Nobel reforzó ese simbolismo. DeepMind podía señalar AlphaFold al defender una investigación paciente y costosa cuyo valor práctico no era evidente de inmediato.
Desmantelar el equipo somete a presión ese argumento. Google debe demostrar ahora que una organización centrada en Gemini puede producir avances científicos comparables sin preservar la estructura especializada detrás de AlphaFold.
La reorganización también presiona la cultura de investigación de DeepMind. Los científicos que consideren proyectos largos observarán si el trabajo especializado sigue recibiendo protección cuando se intensifica la competencia de productos.
Alphabet afronta una presión distinta. Debe competir con OpenAI y Anthropic en modelos, sistemas de programación, agentes, productos empresariales y asistentes de consumo. Cada equipo especializado compite por investigadores y recursos de cómputo escasos.
Esa presión sobre los recursos ofrece una explicación empresarial racional para el cambio. Sin embargo, AlphaFold demuestra por qué la consolidación tiene riesgos. Algunos problemas científicos exigen que un equipo mantenga un enfoque estrecho durante el tiempo suficiente para descubrir un método que los sistemas generales no priorizarían.
Para los trabajadores del conocimiento, hay una lección más amplia. Preservar el razonamiento detrás de un avance puede importar tanto como preservar su resultado final. Una base de conocimiento técnico consultable ayuda, pero la documentación no puede reproducir por completo a un grupo de investigación que funciona.
Las búsquedas de Google RSSHub revelan un giro mayor hacia Gemini
Los cambios de personal sugieren que Google quiere que Gemini se convierta en el motor compartido para el descubrimiento científico, la programación y la investigación basada en agentes.
La expresión google rsshub describe cómo algunos lectores descubren el informe, no la institución que produjo los hechos subyacentes. RSSHub convierte sitios web compatibles en fuentes estandarizadas, mientras Google indexa o muestra páginas conectadas a esas fuentes.
Esa vía de descubrimiento puede difuminar la diferencia entre una fuente, un medio y un agregador. Por ello, la afirmación original debe evaluarse mediante reportajes consolidados, material de la empresa, registros públicos de investigación y anuncios de personal.
En esas fuentes se aprecia un patrón estratégico coherente. Google ha trasladado repetidamente equipos de IA más cerca de DeepMind y Gemini.
Google creó la actual organización Google DeepMind en 2023 al combinar DeepMind con Google Brain. Posteriormente transfirió al grupo equipos adicionales de desarrollo de modelos y productos.
En enero de 2025, Google trasladó más grupos de IA bajo DeepMind para acortar el camino de la investigación a los productos. La empresa describió el objetivo como acelerar el paso de la investigación a sistemas orientados a desarrolladores.
Ese lenguaje importa. AlphaFold siguió el modelo de investigación anterior: elegir un problema científico difícil, reunir especialistas y abordarlo a través de varios callejones sin salida técnicos. Gemini representa un modelo de plataforma con muchos usos posteriores.
Un modelo de plataforma puede reducir el trabajo duplicado. La infraestructura de entrenamiento compartida, los sistemas de evaluación, los métodos de razonamiento y los marcos de agentes pueden respaldar varios dominios científicos a la vez.
Gemini también puede conectar el razonamiento científico con la ejecución de código, la búsqueda, la planificación y el análisis multimodal. En teoría, un sistema subyacente puede ayudar a diseñar experimentos en biología, matemáticas, materiales y física.
Los proyectos de investigación más recientes de Google respaldan esta dirección. AlphaEvolve utiliza modelos Gemini con evaluadores automatizados para buscar algoritmos mejorados. Los sistemas de co-científico de IA buscan generar y refinar hipótesis de investigación mediante múltiples agentes especializados.
Estos proyectos tratan la ciencia como un dominio para sistemas de razonamiento general. AlphaFold, en cambio, codificaba un conocimiento extenso sobre un problema específico de predicción estructural.
El cambio no es simplemente “ciencia frente a productos”. Google puede seguir invirtiendo en ciencia mientras cambia la maquinaria utilizada para llevarla a cabo. La competencia real enfrenta a equipos científicos especializados contra una plataforma general compartida entre muchos campos.
Esa decisión ofrece ventajas claras. Una plataforma general puede reutilizar avances de inmediato. Las mejoras en planificación o generación de código podrían beneficiar a la biología, las matemáticas y la ingeniería sin requerir modelos fundacionales independientes.
También crea un riesgo de centralización. Las prioridades de investigación pueden quedar vinculadas a las capacidades, el calendario de lanzamientos y la importancia comercial de Gemini.
Un equipo especializado puede rechazar supuestos que funcionan en otros ámbitos. Puede crear conjuntos de datos, evaluaciones y arquitecturas inusuales en torno a una pregunta científica. Una organización de plataforma tiene mayores incentivos para favorecer el trabajo que mejora el sistema común.
AlphaFold ilustra por sí mismo el valor de la especialización. El sistema original alcanzó un límite de rendimiento y el equipo reconstruyó su enfoque en lugar de limitarse a escalar el diseño existente.
La explicación científica del comité Nobel describe ese callejón sin salida y el papel de Jumper en la reforma del modelo. El avance exigió una nueva arquitectura moldeada por el conocimiento de las proteínas.
Un modelo general podría acabar reproduciendo ese tipo de intuición. Google parece ahora dispuesta a poner a prueba esa propuesta en toda su cartera científica.
Por tanto, la reorganización funciona como una apuesta estratégica. DeepMind apuesta a que los sistemas de capacidades amplias pueden convertirse en mejores instrumentos para el descubrimiento que equipos separados centrados en retos científicos individuales.
El éxito permitiría a Google aplicar un motor de investigación en expansión a muchos ámbitos. El fracaso revelaría que los sistemas de razonamiento general todavía necesitan grupos especialistas estables para convertir la capacidad en ciencia fiable.
Anthropic es ahora la otra cara de la apuesta de DeepMind por el talento
Google se está consolidando en torno a Gemini, mientras Anthropic incorpora investigadores vinculados al trabajo especializado más respetado de DeepMind.
Según se informa, John Jumper, líder de AlphaFold y copremiado en química en 2024, dejó Google DeepMind para incorporarse a Anthropic en junio de 2026. Había pasado casi nueve años en DeepMind.
La salida de Jumper tiene más peso estratégico que un movimiento ejecutivo rutinario. Combinó experiencia en aprendizaje automático con conocimientos de física de proteínas y ayudó a liderar el rediseño que dio lugar a AlphaFold 2.
Según los informes, otros investigadores de AlphaFold también se han unido a Anthropic. Financial Times identificó a Jonas Adler y Alexander Pritzel entre las salidas.
Antes de marcharse, Jumper y Adler habrían trabajado con un grupo de DeepMind centrado en capacidades de programación. Esa asignación encaja con la estrategia más amplia de Google para Gemini, pero también acentúa el contraste con sus trayectorias en AlphaFold.
Anthropic no ha definido públicamente un programa científico completo en torno a estas contrataciones. Sería prematuro afirmar que la empresa está creando un competidor de AlphaFold o una división dedicada a la biología computacional.
Aun así, el patrón de contratación importa. Anthropic compite por personas que saben convertir la investigación de modelos en sistemas técnicos rigurosos. Ese conocimiento es transferible más allá de la biología.
AlphaFold exigió diseño de arquitectura, evaluación bajo incertidumbre, computación eficiente, colaboración interdisciplinaria y decisiones cuidadosas sobre lanzamientos. Estas habilidades también se aplican a agentes avanzados y modelos de razonamiento.
Anthropic puede ofrecer a los investigadores una organización centrada en una única familia de modelos y una estructura corporativa más acotada. Google ofrece mayor infraestructura de computación, más distribución de productos y acceso a una cartera científica más amplia.
No se trata de una simple competencia entre idealismo científico y comercialización. Ambas empresas desarrollan modelos comerciales, buscan clientes empresariales e invierten fuertemente en IA general.
La diferencia se refiere a la dirección organizativa. Google está trasladando investigadores especialistas a un programa compartido de Gemini. Anthropic está incorporando a algunos de esos investigadores mientras amplía sus propias capacidades de modelos y agentes.
Eso convierte al talento en la señal competitiva más inmediata. Los benchmarks de modelos cambian rápidamente y los productos pueden copiar características visibles de interfaz. La experiencia en construir equipos de investigación es más difícil de reproducir.
Google también conserva una profundidad científica considerable. Demis Hassabis sigue al frente de DeepMind, y muchos colaboradores de AlphaFold permanecen en Google o Alphabet. Isomorphic Labs ofrece otro espacio para el modelado biológico y el descubrimiento de fármacos.
Isomorphic Labs es especialmente importante porque complica las afirmaciones de que Alphabet ha abandonado la biología. Hassabis fundó la empresa para impulsar el descubrimiento de fármacos basado en IA, y AlphaFold 3 fue desarrollado conjuntamente con Google DeepMind.
Sus incentivos difieren de los del proyecto AlphaFold original. AlphaFold 2 pasó a estar ampliamente disponible como código de investigación y predicciones de bases de datos. El descubrimiento de fármacos depende más directamente de datos propietarios, validación de laboratorio y alianzas comerciales.
Ese cambio refleja una segunda transición organizativa. Parte del trabajo de IA biológica se está desplazando de la infraestructura científica abierta hacia una empresa diseñada para desarrollar medicamentos.
La tendencia comenzó antes de la supuesta desintegración del equipo. AlphaFold 3 recibió inicialmente críticas porque los investigadores obtuvieron acceso al servidor sin contar, en el lanzamiento, con el código completo y los pesos del modelo disponibles.
Más tarde, Google publicó el código y los pesos bajo términos que respaldaban la investigación no comercial. Sin embargo, el episodio mostró cómo la seguridad, la reproducibilidad y el valor comercial pueden empujar las publicaciones científicas en direcciones distintas.
Anthropic no es una respuesta automática a esas preocupaciones. También restringe el acceso a los pesos de sus modelos de frontera y enfatiza el despliegue controlado. Su contratación de investigadores de AlphaFold no garantiza una ciencia más abierta.
Aun así, las salidas imponen un coste a Google. Cuando un equipo enfocado se dispersa, el conocimiento tácito se marcha con las personas. La documentación interna y la infraestructura compartida solo preservan una parte de ese conocimiento.
Por eso la historia de personal importa más que el titular superficial de google rsshub. DeepMind está poniendo a prueba si la concentración organizativa en torno a Gemini compensa la pérdida de continuidad dentro de equipos especialistas reconocidos.
La reorganización no demuestra que la investigación de AlphaFold haya terminado
La crítica más sólida se refiere a la pérdida de continuidad del equipo, pero la evidencia actual no muestra que Google haya dejado de desarrollar IA biológica.
Varios detalles siguen siendo inciertos. Google no ha publicado una lista completa de antiguos miembros de AlphaFold, sus funciones actuales ni la fecha en que el equipo dedicado dejó formalmente de operar.
El término “desmantelado” puede describir varias realidades organizativas. Podría significar un cierre formal, una reasignación gradual tras completar el proyecto o una transición hacia programas sucesores.
Esas posibilidades conducen a juicios distintos. Cerrar un proyecto maduro después de transferir su tecnología es habitual. Eliminar un equipo antes de establecer a su sucesor supondría un mayor riesgo científico.
AlphaFold también se convirtió en algo más que un único proyecto interno. Investigadores de todo el mundo utilizan su base de datos, implementaciones abiertas, artículos y herramientas derivadas. Una reorganización interna no puede borrar ese ecosistema externo.
Los enfoques competidores reducen aún más la dependencia de un solo equipo. El grupo de David Baker en la Universidad de Washington desarrolló RoseTTAFold y sistemas relacionados de diseño de proteínas. Meta utilizó anteriormente modelos de lenguaje de proteínas para predecir estructuras a gran escala.
Laboratorios académicos y empresas de biotecnología siguen desarrollando modelos para predicción de estructuras, diseño de secuencias, interacción molecular y descubrimiento de fármacos. Los métodos de AlphaFold ayudaron a expandir ese campo en lugar de encerrarlo.
La base de datos pública sigue siendo especialmente valiosa. Contiene estructuras predichas de más de 200 millones de proteínas y las conecta con estimaciones de confianza y registros biológicos.
Sin embargo, una base de datos existente no equivale a investigación de frontera continua. La biología estructural todavía presenta problemas difíciles relacionados con la dinámica, las regiones desordenadas, los entornos moleculares, las conformaciones poco frecuentes y las interacciones a lo largo del tiempo.
Un modelo puede generar una estructura convincente sin captar el estado relevante para un mecanismo de enfermedad. Los investigadores deben combinar las predicciones con experimentos y conocimiento del dominio.
Una revisión de 2023 sobre biología estructural señaló que los sistemas de aprendizaje automático aprenden patrones estadísticos y no comprenden plenamente la química física. Esa limitación sigue siendo relevante al interpretar los resultados de AlphaFold.
El descubrimiento de fármacos añade más incertidumbre. Predecir una estructura molecular plausible no establece la seguridad, eficacia, selectividad ni el comportamiento dentro del cuerpo humano. El desarrollo clínico sigue requiriendo una amplia evidencia experimental.
Estas limitaciones debilitan la afirmación de que el problema científico central de AlphaFold simplemente está terminado. La predicción de estructuras de proteínas alcanzó un nuevo nivel, pero la comprensión biológica va mucho más allá de estimar formas estáticas.
La estrategia de plataforma de Google enfrenta las mismas restricciones. Un agente científico basado en Gemini puede proponer hipótesis y escribir código de análisis. Aun así, necesita herramientas fiables, evaluaciones del dominio, retroalimentación de laboratorio e investigadores que reconozcan errores sutiles.
Los sistemas de IA general también generan afirmaciones sin respaldo. En ciencia, un error expresado con fluidez puede consumir tiempo de laboratorio o distorsionar un plan experimental. Por ello, la evaluación debe probar la fiabilidad factual y causal, no solo una presentación convincente.
El argumento escéptico es directo: dispersar a los especialistas podría hacer que DeepMind sea mejor creando demostraciones de capacidades amplias, pero peor sosteniendo programas científicos profundos.
El contraargumento es igual de concreto. La misión original de AlphaFold alcanzó un punto natural de transición, mientras que sus investigadores ahora pueden extender su experiencia a más problemas.
La evidencia pública aún no resuelve ese desacuerdo. La reasignación del equipo por sí sola no puede demostrar una menor ambición científica. Tampoco puede demostrar que Gemini preservará el enfoque que produjo AlphaFold.
La interpretación más precisa es condicional. Google ha cambiado su método para organizar la IA científica, y ese método ahora necesita resultados comparables con el modelo especialista que reemplazó.
Qué observar tras la desintegración del equipo de AlphaFold
Tres señales mostrarán si DeepMind preservó el modelo de investigación de AlphaFold o lo cambió por una estrategia de producto más centralizada.
La primera señal es el próximo gran modelo biológico de Google. Un sucesor debería abordar una limitación científica definida, publicar evaluaciones creíbles y explicar cómo los investigadores especialistas moldearon su desarrollo.
Otra interfaz con la marca AlphaFold no resolvería la cuestión. La evidencia relevante es un avance técnico que científicos independientes puedan poner a prueba frente a tareas biológicas difíciles.
Un lanzamiento sustancial reforzaría el argumento de Google de que la reorganización extiende la experiencia de AlphaFold sin poner fin al trabajo. Un largo intervalo respaldaría las preocupaciones sobre la pérdida de continuidad.
La segunda señal es el destino de los antiguos miembros del equipo. Anthropic no ha revelado qué desarrollarán Jumper y otros investigadores de AlphaFold.
Si lideran un programa científico dedicado, Anthropic se convertirá en un contraejemplo organizativo directo de la consolidación de Google. Si trabajan en programación o agentes generales, las salidas parecerán una migración más amplia de la industria hacia los modelos fundacionales.
Sus publicaciones, apariciones en conferencias y funciones en proyectos identificados ofrecerán mejor evidencia que los titulares sobre contrataciones. La producción investigadora lleva tiempo, pero la formación de equipos suele hacerse visible antes.
La tercera señal es la calidad del trabajo científico liderado por Gemini. Google necesita más que mejoras en benchmarks de pruebas de razonamiento general. Necesita descubrimientos o herramientas que resistan el escrutinio científico independiente.
Entre los indicadores útiles se incluyen predicciones validadas externamente, métodos reproducibles, colaboraciones experimentales exitosas y evidencia de que los científicos pueden auditar los resultados de los modelos.
Los proyectos AlphaEvolve y AI co-scientist ofrecen ejemplos tempranos del nuevo enfoque. Su importancia a largo plazo depende de que generen resultados que las comunidades expertas adopten, reproduzcan y amplíen.
Las condiciones de acceso también merecen atención. La influencia de AlphaFold provino en parte de su amplia disponibilidad para la investigación. Los sistemas futuros limitados a interfaces controladas pueden producir resultados valiosos mientras respaldan un ecosistema científico más reducido.
Isomorphic Labs proporciona otra prueba. Los avances en programas de descubrimiento de fármacos mostrarían cómo la experiencia de AlphaFold se traduce en investigación comercial. Sin embargo, el éxito clínico opera en un plazo más largo que los lanzamientos de modelos.
Por tanto, los lectores deberían resistirse a dos conclusiones prematuras. Google no ha borrado AlphaFold, y el reconocimiento Nobel no exige que un equipo permanezca intacto para siempre.
La cuestión de fondo es si DeepMind puede producir repetidamente ciencia al nivel de AlphaFold después de cambiar las condiciones que hicieron posible AlphaFold.
Una búsqueda de google rsshub puede revelar las noticias sobre el personal, pero no puede responder a esa pregunta estratégica. La respuesta vendrá de nuevos modelos, validación independiente y el trabajo de investigadores que se trasladaron a otros lugares.
Para los desarrolladores y los equipos empresariales, el episodio también ofrece una advertencia práctica. Las plataformas centrales mejoran la reutilización, pero los grupos especializados preservan un contexto que los sistemas generales suelen pasar por alto. Observe cómo Google equilibra esas fuerzas antes de considerar la consolidación como una plantilla universal.
Para los científicos, el siguiente paso es igualmente directo. Sigan las condiciones de acceso, la calidad de las evaluaciones y la reproducibilidad junto con la capacidad de los modelos. Un sistema más general solo importa si los investigadores pueden confiar en su contribución al trabajo científico real.
La reorganización de DeepMind ha aclarado su estrategia. Ahora la empresa debe demostrar que Gemini puede respaldar el razonamiento paciente y especializado que convirtió AlphaFold de un experimento difícil en ciencia reconocida con el Nobel.
