Sequoia entrevista a Hasabis: La información es la esencia del universo, la IA abrirá una nueva rama de la ciencia

Texto original organizado: Conocimiento nuevo de AI de Gua Ge

El contenido de este artículo está organizado a partir de una entrevista con Demis Hassabis en el canal de Sequoia Capital, publicada públicamente el 29 de abril de 2026.

Resumen del contenido: Entrevista con Demis Hassabis en AI Ascent 2026 de Sequoia Capital

La relación entre AI y los juegos: Los juegos son un excelente campo de experimentación para la inteligencia artificial. Al integrar AI como núcleo del juego, no solo se puede validar eficazmente el diseño de algoritmos, sino también proporcionar soporte computacional temprano para el desarrollo tecnológico.

La “teoría del momento” para emprender: Emprender debe “adelantarse cinco años a la época, no cincuenta”. Es crucial captar con agudeza el equilibrio entre avances tecnológicos y necesidades prácticas, ya que avanzar demasiado pronto suele dificultar el éxito.

Ruta evolutiva de la AGI: La misión de DeepMind es clara y firme: primero, construir inteligencia artificial general (AGI); segundo, usar la AGI para resolver todos los problemas complejos, incluyendo ciencia y medicina.

Valor central de “AI for Science”: AI es el lenguaje perfecto para describir biología y sistemas naturales complejos. Con simulaciones asistidas por AI, los ciclos de desarrollo de nuevos medicamentos podrían reducirse de años a semanas, e incluso lograr la medicina personalizada.

Nacimiento de nuevas disciplinas científicas: La complejidad de los sistemas de AI generará nuevas ciencias de ingeniería, como la “interpretabilidad de mecanismos”. Además, las tecnologías de simulación impulsadas por AI permitirán realizar experimentos controlados en sistemas sociales complejos como la economía, abriendo nuevas ramas científicas.

La información como esencia del universo: Materia, energía e información son intercambiables. La naturaleza del universo podría ser un vasto sistema de procesamiento de información, lo que otorga a AI un significado profundo en la comprensión de las leyes fundamentales del cosmos.

Límites computacionales de la máquina de Turing: Sistemas modernos de AI como redes neuronales han demostrado que la máquina de Turing clásica puede simular problemas que antes se pensaba solo resolubles con computación cuántica (como el plegamiento de proteínas). El cerebro humano probablemente sea una máquina de Turing altamente aproximada.

Reflexiones filosóficas sobre la conciencia: La conciencia quizás esté compuesta por componentes como la autoconciencia y la continuidad temporal. En el camino hacia la AGI, deberíamos considerarla primero como una poderosa herramienta y, con su ayuda, explorar la gran cuestión filosófica de la “conciencia”.

Resumen del contenido

Demis Hassabis, cofundador y CEO de Google DeepMind, galardonado con el Premio Nobel de Química 2024 por AlphaFold, y Konstantine Buhler, socio de Sequoia Capital, sostuvieron una conversación profunda y amplia en la cumbre AI Ascent 2026, discutiendo el camino hacia la AGI y el futuro post-AGI.

En la entrevista, explicó por qué confía en que la AGI será posible para 2030, por qué los largos ciclos de desarrollo de nuevos medicamentos podrían reducirse de diez años a unos pocos días, y por qué deberíamos considerar la “información” en lugar de materia o energía como la esencia más fundamental del universo. Además, reflexionó sobre cómo Einstein, si aún viviera, evaluaría las limitaciones de los modelos actuales de AI, y por qué los próximos uno o dos años serán decisivos para el destino humano.

Transcripción completa de la entrevista

Moderador: Demis, muchas gracias por acompañarnos.

Demis Hassabis: Encantado de estar aquí. Gracias a todos por venir, es un placer poder compartir con ustedes.

Moderador: Es un honor tenerte en nuestra fábrica de chocolates.

Demis Hassabis: Acabo de enterarme. Espero probar el chocolate en un rato.

Moderador: Genial. Demis, vamos directo al grano. Hoy contamos con un veterano de la industria: un pensador original, fundador, visionario y pionero en todos los ámbitos de la AI. Demis es un creyente puro y también un científico dedicado.

El origen y la línea interna de Demis Hassabis

La conversación de hoy comenzará con la historia temprana de DeepMind, luego profundizaremos en ciencia y tecnología, y finalmente pasaremos a las preguntas del público. Comencemos.

Demis, fuiste prodigio del ajedrez, fundador de una compañía de juegos y neurocientífico. Eres fundador de DeepMind y actualmente lideras una empresa de gran escala y peso. Estos roles parecen dispares, pero has mencionado que hay una línea interna que los conecta. ¿Puedes compartirla con nosotros?

Demis Hassabis: Efectivamente hay una línea, aunque quizás sea una interpretación post hoc. Pero mi deseo de dedicarme a AI viene de lejos. Desde muy joven, supe que era la carrera más importante y fascinante que podía seguir. Desde los 15 o 16 años, cada elección educativa y cada proyecto estaban orientados a algún día fundar una compañía como DeepMind.

Juegos: campo de entrenamiento para la inteligencia artificial

Entré en la industria de los juegos de forma “curva de aprendizaje”, porque en los 90, allí nacían las tecnologías más avanzadas. No solo AI, sino también gráficos y hardware. Los GPU que usamos hoy en día inicialmente estaban diseñados para motores gráficos, y ya en los finales de los 90 usaba los primeros GPU. Todos los juegos en los que participé, ya fuera para Bullfrog o para mi propia empresa Elixir Studios, tenían como núcleo mecánicas de juego basadas en AI.

Mi obra más conocida es “Theme Park”, que desarrollé con unos 17 años. Es un simulador de parques de atracciones, donde miles de personajes interactúan en el parque, usan las instalaciones y deciden qué comprar en las tiendas. Detrás de la apariencia, funciona un modelo completo de AI económica. Como “SimCity”, fue pionero en su género. Cuando vi que vendió más de 10 millones de copias y presencié cómo los jugadores disfrutaban interactuando con la AI, confirmé mi decisión de dedicar toda mi vida a AI.

Luego, me volqué a la neurociencia, buscando inspiración en el funcionamiento del cerebro para derivar nuevos algoritmos. Cuando llegó el momento de fundar DeepMind, toda esa experiencia se fusionó naturalmente. Además, usamos los juegos como campo de entrenamiento para validar ideas de AI en etapas tempranas.

Emprendimiento en Elixir Studios

Moderador: Hoy hay muchos emprendedores en la sala, y seguro que te resonará, porque no solo fundaste una empresa, sino que has emprendido dos veces. Volvamos a tu primera startup, Elixir Studios. ¿Cómo fue esa experiencia? Aunque no es tu compañía más famosa, lograste un gran éxito. ¿Cómo lideraste esa empresa? ¿Qué aprendiste sobre “cómo construir una compañía” en ese proceso?

Demis Hassabis: Cuando me gradué de la universidad, fundé Elixir Studios. Tuve la suerte de haber trabajado antes en Bullfrog Productions, una de las estudios más legendarios del sector, quizás el mejor en Reino Unido y Europa en esa época.

Quería hacer algo que ampliara los límites de la AI. En ese entonces, usé el desarrollo de juegos como “curva de aprendizaje” para financiar la investigación en AI, desafiando continuamente los límites tecnológicos y combinando innovación con creatividad extrema. Creo que esa filosofía sigue siendo válida para la investigación exploratoria (Blue-sky Research) que hacemos hoy.

La lección más importante que aprendí fue: debes estar cinco años adelante de tu tiempo, no cincuenta. En Elixir Studios, intentamos crear un juego llamado “The Republic”, que simulaba un país completo. La idea era que el jugador pudiera derrocar a un dictador mediante diferentes métodos, y en el juego simulábamos ciudades vivas y respirantes.

Recuerda, eso era a finales de los 90, con procesadores Pentium. Tuvimos que renderizar gráficos y lógica de AI para un millón de personajes en PCs domésticos de entonces. Era una ambición enorme — casi una quimera — y trajo problemas.

Aprendí que hay que estar adelante, pero si avanzas 50 años, probablemente fracasarás. Cuando una idea es demasiado obvia para todos, ya es tarde para entrar. La clave está en encontrar ese equilibrio delicado.

Fundación de DeepMind en 2009

Moderador: Muy bien, para no adelantarnos demasiado, llegamos a 2009. Estabas convencido de que la AGI sería posible, quizás solo 10 años antes de lo previsto, en lugar de 50. Cuéntanos cómo convenciste a los primeros talentos de tu equipo, en un momento en que la AGI parecía ciencia ficción. ¿Cómo lograste que creyeran en ello?

Demis Hassabis: En ese momento, detectamos algunas pistas interesantes. Pensábamos que solo estábamos cinco años adelantados, pero en realidad quizás diez. La deep learning (aprendizaje profundo) había sido inventada por Jeff Hinton y colegas, pero casi nadie entendía su potencial. Nosotros teníamos experiencia en aprendizaje por refuerzo, y pensábamos que combinando ambas tecnologías lograríamos avances revolucionarios. Hasta entonces, esas técnicas apenas se usaban juntas, solo en problemas académicos “de juguete”. En AI, eran islas separadas.

Además, veíamos el potencial de la computación (compute); en ese entonces, los GPU estaban en auge. Ahora usamos TPU, pero en ese momento, la aceleración del cálculo sería un motor enorme. También, en mis últimos años de doctorado y postdoc, algunos colegas neurocientíficos aportaron ideas valiosas sobre mecanismos cerebrales, incluyendo la creencia central de que el aprendizaje por refuerzo, escalado, podría llevar a la AGI.

Pensamos que teníamos todos los ingredientes clave. Nos sentíamos como guardianes de un secreto enorme, porque en academia y en industria nadie creía que AI pudiera dar un salto importante. Cuando propusimos centrarnos en la AGI —o lo que entonces llamábamos “inteligencia artificial fuerte”— muchos en la academia nos miraron con desdén. Para ellos, era un callejón sin salida; en los 90, ya lo habían intentado y fracasado.

Hice mi postdoc en MIT, donde estaban los expertos en sistemas expertos y lógica de primer orden. Ahora parece increíble, pero en ese momento, esa metodología me parecía anticuada. Sin embargo, en Cambridge y MIT, la comunidad seguía usando esas técnicas, lo que me reafirmó que íbamos por buen camino. Al menos, si fracasábamos, sería de una forma innovadora, no repitiendo los errores de los 90. Eso me motivó a seguir, aunque fuera una investigación de incierto futuro, con la esperanza de que, incluso en el fracaso, sería un aporte original.

La misión de DeepMind y la apuesta por la AGI

Moderador: ¿Encontraste resistencia en los primeros tiempos? Para convencer a los primeros seguidores, ¿tuviste que demostrarles algo a ti mismo o a ellos?

Demis Hassabis: Pase lo que pase, dedicaré toda mi vida a AI. La realidad es que su desarrollo ha superado nuestras expectativas más optimistas. Pero eso estaba dentro de lo que preveíamos en 2010 — una trayectoria de unos 20 años.

Creo que, como comunidad, nuestro avance ha sido coherente y hemos contribuido significativamente. Incluso si no fuera así, seguiría en este camino, porque considero que AI es la tecnología más importante que he conocido. Mi objetivo es claro: la misión inicial de DeepMind fue, primero, entender la inteligencia, construir la AGI; y segundo, usarla para resolver todos los demás problemas. Siempre he pensado que es la tecnología más importante y fascinante que la humanidad puede inventar.

Es una herramienta científica, una creación asombrosa y también una vía para entender la mente humana — conciencia, sueños, creatividad. Como neurocientífico, siempre sentí que nos faltaba una herramienta como AI para analizar estos fenómenos. Nos da un mecanismo comparativo, como experimentos controlados, para estudiar y contrastar diferentes sistemas.

Cultura de “AI para la ciencia”

Moderador: Hablemos de “AI para la ciencia”. Tú has sido un firme creyente desde temprano, un idealista puro. Es la misión central que impulsa a DeepMind. ¿Cómo lograste que esa cultura y ese modo de trabajo se mantuvieran en la vanguardia de “AI para la ciencia”?

Demis Hassabis: Esa es nuestra meta última. Para mí, la motivación principal es crear AI que impulse la ciencia, la medicina y nuestro conocimiento del mundo. Es mi forma de cumplir la misión: primero, crear la herramienta definitiva; luego, usarla para avances científicos. Ya logramos AlphaFold, y confío en que surgirán más logros.

DeepMind siempre ha priorizado ese objetivo. De hecho, tenemos un departamento liderado por Pushmeet Kohli dedicado a “AI para la ciencia”, que lleva casi diez años. Tras la victoria en AlphaGo en Seúl, lanzamos esa línea de trabajo, y en total, han pasado casi diez años.

He estado en modo de espera, esperando que los algoritmos sean lo suficientemente potentes y las ideas lo sean para abordar los grandes desafíos. La partida de Go fue un punto de inflexión: nos hizo ver que era momento de aplicar esas ideas a problemas reales, empezando por los grandes retos científicos.

Creemos firmemente que ese es el destino más beneficioso de la AI. ¿Qué hay más hermoso que usarla para curar enfermedades, extender la vida, mejorar la medicina? Luego, en materiales, medio ambiente y energía, la AI tendrá un impacto enorme en los próximos años.

Avances en biología y Isomorphic Labs

Moderador: ¿Cómo ha logrado AI avances en biología? Tú participaste profundamente en Isomorphic Labs, un campo que te apasiona. Desde el principio, creíste firmemente en el potencial de AI para curar enfermedades. ¿Cuándo veremos en biología un “momento brillante” similar al de la lingüística o la programación?

Demis Hassabis: Creo que AlphaFold ya marcó ese “momento brillante” en biología. La plegadura de proteínas y su estructura 3D fue un problema abierto durante 50 años. Resolverlo es clave para diseñar fármacos y entender la biología. Pero eso es solo una parte del proceso de descubrimiento de medicamentos, aunque una parte crucial.

Nuestra nueva empresa, Isomorphic Labs (que disfruto mucho dirigir), trabaja en tecnologías que diseñan compuestos que encajan perfectamente en sitios específicos de proteínas. Conocemos la forma y superficie de las proteínas, así que podemos identificar blancos. Luego, diseñamos compuestos que se unan con alta afinidad, evitando efectos secundarios indeseados.

Nuestro sueño final es trasladar casi todo el trabajo de descubrimiento de fármacos —que actualmente dura unos 10 años— a simulaciones computacionales (In Silico), dejando solo la validación experimental en laboratorio húmedo (Wet Lab). Si logramos esto en unos pocos años, podremos reducir el ciclo a meses, semanas o incluso días.

Creo que, al superar ese umbral, el tratamiento de todas las enfermedades será posible. La medicina personalizada, por ejemplo, será realidad. La transformación en la investigación médica será profunda en pocos años.

Nuevas ciencias nacidas de simulaciones

Moderador: Impresionante. Has mencionado varias veces “AI para la ciencia”. ¿Crees que en el futuro surgirán nuevas disciplinas científicas, como la termodinámica en la Revolución Industrial? ¿Qué tipo de nuevas ciencias podrían emerger en la educación o en otros ámbitos?

Demis Hassabis: Creo que sucederán varias cosas.

Primero, entender y analizar los sistemas de AI será en sí una disciplina — una ciencia de ingeniería (Engineering Science). Estos artefactos son fascinantes y complejos, y su complejidad llegará a igualar la de la mente humana. Por eso, debemos estudiarlos en profundidad para entender cómo funcionan, algo que hoy está muy lejos de nuestro nivel. Surgirá un campo dedicado a la interpretabilidad mecánica (Mechanistic Interpretability). Tenemos mucho por explorar en esa área.

Segundo, AI abrirá nuevas puertas en la ciencia. La más emocionante para mí es la “simulación asistida por AI” (AI for Simulations). Me encanta simular; en todos los juegos que he hecho, la AI y la simulación son fundamentales. Creo que los simuladores son la vía definitiva para resolver problemas en ciencias sociales, economía y humanidades.

Estas disciplinas, como la biología, son sistemas emergentes (Emergent Systems), muy difíciles de experimentar de forma controlada y repetible. Por ejemplo, si subes la tasa de interés en la economía, solo puedes hacerlo en la realidad, y observar las consecuencias. Tienes teorías, pero no puedes repetir el experimento miles de veces. Pero si pudiéramos simular con precisión estos sistemas complejos, podríamos hacer inferencias rigurosas y crear una ciencia basada en simulaciones de alta fidelidad. Esto nos daría mejores decisiones en áreas con mucha incertidumbre.

Para lograr simulaciones tan precisas, necesitamos avances en modelos del mundo (World Models). ¿Qué descubrimientos científicos y tecnológicos hacen falta? En nuestro trabajo, usamos mucho simuladores de aprendizaje (Learning Simulators). Son útiles en campos donde no entendemos bien los principios matemáticos o los sistemas son demasiado complejos. No basta con programar simulaciones específicas; necesitamos modelos que aprendan y se adapten.

Ya en meteorología, tenemos simuladores como “WeatherNext”, mucho más precisos y rápidos que los actuales. No sé si podemos entender todo, pero el primer paso es entender mejor estos sistemas complejos.

Incluso en biología, estamos investigando “Células Virtuales” (Virtual Cells), sistemas emergentes muy dinámicos. Como las matemáticas describen la física, la machine learning será la descripción perfecta de la biología. En sistemas naturales, hay señales débiles, correlaciones y datos masivos que superan la capacidad analítica del cerebro humano. Pero en esos datos, hay relaciones, causalidades y patrones profundos.

La machine learning será la herramienta ideal para describir estos sistemas. Hasta ahora, las matemáticas no han podido, por su complejidad o por su naturaleza estocástica (Stochastic). Pero si logramos crear simuladores precisos, quizás podamos derivar leyes científicas básicas, como las ecuaciones de Maxwell.

No sé si esas leyes existen en estos sistemas emergentes, pero si existen, creo que podemos encontrarlas mediante simulaciones y análisis.

La idea de que el universo está hecho de información

Moderador: Has mencionado que la estructura fundamental del universo podría ser similar a la información, en un nivel más teórico. ¿Qué opinas de esto? ¿Qué implicaciones tendría para la computación clásica de Turing?

Demis Hassabis: Puedes citar a Einstein y su famosa E=mc², que muestra la equivalencia entre energía y materia. Pero en realidad, creo que la información también tiene una especie de equivalencia. La organización de la materia y la estructura — especialmente en sistemas que resisten la entropía, como los seres vivos — puede entenderse como procesamiento de información. Por eso, creo que materia, energía e información son intercambiables en cierto sentido.

Mi intuición es que la información es la base última. Esto contrasta con la física clásica de los años 20, que priorizaba energía y materia. Yo pienso que entender el universo como información es una perspectiva más profunda.

Si esto es correcto — y hay evidencias que lo apoyan —, el significado de AI será aún más profundo. La AI ya es importante porque organiza, comprende y crea objetos informacionales.

Para mí, la clave de la AI es el procesamiento de información. Si adoptamos esa visión, podemos ver conexiones profundas entre campos aparentemente dispares.

¿Puede la máquina de Turing calcular todo?

Demis Hassabis: A veces pienso en nuestro trabajo y me considero un “defensor de Turing”, porque Alan Turing es uno de mis héroes científicos. Creo que su trabajo no solo sentó las bases de la computación, sino también de la AI. La máquina de Turing es uno de los logros más profundos: cualquier cosa computable puede ser modelada por una máquina relativamente simple. Por eso, creo que nuestro cerebro probablemente sea una máquina de Turing aproximada (Approximate Turing Machine).

Pensar en la relación entre máquinas de Turing y sistemas cuánticos es interesante. Pero con AlphaGo, AlphaFold y otros, hemos visto que las máquinas clásicas, con redes neuronales, pueden modelar problemas que antes se pensaba solo resolubles con computación cuántica, como el plegamiento de proteínas. La plegadura de proteínas, en cierto sentido, es un sistema cuántico con partículas muy pequeñas, donde se consideran efectos cuánticos en enlaces de hidrógeno y otras interacciones.

Pero en la práctica, se puede obtener una solución casi óptima con métodos clásicos. Esto sugiere que muchas cosas que creíamos que solo la computación cuántica podía resolver, en realidad, pueden abordarse con algoritmos clásicos adecuados.

Filosofía de la conciencia

Moderador: Siempre has visto la AI como una herramienta, como los telescopios, microscopios o astrolabios (Astrolabe) de siglos pasados. Pero, cuando una máquina puede simular casi todo, incluso sistemas cuánticos, ¿cuándo dejará de ser solo una herramienta? ¿Llegará ese día?

Demis Hassabis: Siento que en la misión de construir la AGI, todos pensamos que la mejor estrategia es primero crear una herramienta muy inteligente, útil y precisa, y luego cruzar el umbral hacia la autonomía. Esa herramienta en sí misma ya tiene un significado profundo. Y esa herramienta puede volverse cada vez más autónoma, con características de agente (Agent). Estamos en la era de los agentes (Agent Era).

Pero, ¿tiene esa máquina capacidad de agencia (Agency)? ¿Tiene conciencia? Son preguntas que tendremos que afrontar. Pero sugiero que las consideremos en una segunda etapa, usando primero la herramienta para explorar esas cuestiones filosóficas.

Idealmente, ese proceso nos ayudará a entender mejor nuestro propio cerebro y mente, y a definir con mayor precisión conceptos como “conciencia”.

Predicciones sobre la conciencia

Moderador: ¿Tienes alguna predicción sobre cómo se definirá la conciencia en el futuro?

Demis Hassabis: No, más allá de lo que la filosofía ha discutido durante milenios. Pero está claro que ciertos componentes son necesarios: autoconciencia, la percepción del yo y del otro, y la continuidad temporal. Sin estos, no parece posible que un sistema tenga conciencia.

Pero la definición completa sigue siendo una “pregunta abierta” (Open Question). He discutido esto con muchos filósofos, incluido Daniel Dennett, con quien tuve una profunda conversación antes de su fallecimiento. La clave está en el comportamiento: ¿el sistema actúa como si tuviera conciencia? A medida que la AI se acerque a la AGI, quizás pueda llegar a eso.

Pero, ¿por qué creemos que los humanos son conscientes? Porque su comportamiento y sus expresiones parecen conscientes. Pero también, porque todos operamos en la misma base subyacente (substrate). Si esto es así, y si tú y yo experimentamos lo mismo, en lógica, sería la opción más parsimoniosa (Principio de Parsimonia). Por eso, normalmente no discutimos si el otro tiene conciencia. Pero en sistemas artificiales, esa base no es la misma, y es muy difícil eliminar esa brecha. Desde el comportamiento, quizás sí, pero desde la experiencia (experiential), es otra historia. Después de lograr la AGI, quizás haya formas de abordar esto, pero aún está fuera de nuestro alcance actual, incluso en la discusión de “AI y ciencia”.

Cierre y preguntas rápidas

Moderador: Excelente. Ahora abriremos a preguntas del público. Antes, mencionaste a Kant y Spinoza, tus filósofos favoritos. Kant, un ético deontológico, enfatizaba la responsabilidad; Spinoza, una visión casi determinista del universo. ¿Cómo relacionas esas ideas tan distintas? ¿Cuál es tu visión sobre cómo funciona el mundo?

Demis Hassabis: Me gustan ambos porque Kant propuso que “la mente crea la realidad”, y eso me resonó mucho en mi doctorado en neurociencia. Es una idea poderosa que justifica estudiar cómo la mente interpreta el mundo. De Spinoza, admiro su visión de un universo ordenado y racional, que puede entenderse desde la ciencia. Para mí, al hacer ciencia y construir AI, estamos en cierto modo “leyendo el lenguaje del universo”.

Moderador: Hermoso. Demis, eres un científico, orador y filósofo en uno. Antes de terminar, unas preguntas rápidas: ¿Crees que la AGI llegará antes o después de lo previsto? ¿O prefieres no responder?

Demis Hassabis: Creo que antes de 2030. Esa es mi predicción constante.

Moderador: Bien, 2030. ¿Qué libros, poemas o artículos recomendarías para cuando logremos la AGI?

Demis Hassabis: Recomiendo “The Fabric of Reality” de David Deutsch. Sus ideas siguen siendo relevantes. Espero que, con la AGI, podamos responder esas profundas preguntas, y eso será mi foco en esa etapa.

Moderador: ¿Cuál ha sido tu momento más orgulloso en DeepMind?

Demis Hassabis: Sin duda, el nacimiento de AlphaFold.

Moderador: Para terminar, si jugaras un juego de estrategia de alto riesgo, como “Civilization” o “Polytopia”, y pudieras escoger un científico como aliado, ¿a quién elegirías? ¿Einstein, Turing o Newton?

Demis Hassabis: Elegiría a von Neumann, por su expertise en teoría de juegos (Game Theory). Es el mejor.

Moderador: Sin duda, un aliado de élite. Demis, muchas gracias por tu tiempo y por compartir tu visión. ¡Un aplauso para Demis!