Un ensayo invitado de Anthropic insta a la IA a ofrecer una gama de modelos científicos

Anthropic publicó el 6 de noviembre de 2026 un ensayo de investigación invitado en el que los beneficiarios de las subvenciones de AI for Science Jakob Macke, Daniel Gedon y Stefan Wahl sostienen que los agentes basados en LLM deberían ofrecer distribuciones ponderadas de modelos científicos plausibles en lugar de un único modelo que mejor se ajuste a los datos. Los autores son investigadores del ELLIS Institute Tübingen y la Universidad de Tübingen.

La distinción central que plantean es la que existe entre reproducir observaciones y comprender un sistema. Muchas configuraciones de parámetros pueden producir resultados equivalentes, y distintas estructuras de ecuaciones pueden explicar las mismas mediciones. Por eso, un agente que ofrece una única respuesta adecuada oculta alternativas que podrían respaldar mecanismos o predicciones diferentes.

Construcción, ajuste e interpretación de modelos

El ensayo divide la modelización científica en tres pasos que se repiten: construir los componentes y las ecuaciones de un modelo, ajustar sus parámetros modificables a partir de mediciones e interpretar lo que el resultado revela sobre el sistema real. El ejemplo histórico que presentan es el modelo de célula nerviosa de Hodgkin y Huxley. Ambos eligieron un término elevado a la cuarta potencia porque las versiones más simples se ajustaban peor a sus datos, mientras que Huxley pasó más de tres semanas resolviendo las ecuaciones con una calculadora de manivela, después de que el ordenador de la Universidad de Cambridge dejara de funcionar en 1951.

La clave está en ese historial de alternativas descartadas. La cuarta potencia respaldaba una hipótesis sobre varias partes móviles de una compuerta de membrana; sin saber que las potencias inferiores no funcionaban, el ajuste numérico por sí solo no habría justificado esa interpretación. Los autores recurren a este ejemplo para definir un criterio para la IA: conservar lo que revela el proceso de modelización, incluidos los candidatos que no dieron resultado y la incertidumbre que persiste.

De las distribuciones de parámetros a las distribuciones de modelos

La inferencia bayesiana aborda el problema en lo que respecta a los parámetros, al representar las configuraciones plausibles mediante una distribución de probabilidad basada en el ajuste a los datos y en el conocimiento previo. Los cálculos convencionales de verosimilitud suelen ser intratables en simuladores mecanicistas: una revisión de PNAS de 2020 explica que la verosimilitud integra implícitamente todas las trayectorias de ejecución posibles de un simulador.

La inferencia basada en simulaciones, en cambio, muestrea parámetros, ejecuta el simulador y entrena un estimador neuronal con los resultados sintéticos. El método SNPE requiere un modelo ejecutable, restricciones previas sobre los parámetros y datos observados o características resumidas, pero no evaluaciones de verosimilitud ni código de modelo diferenciable. En el experimento simulado de Hodgkin-Huxley, una ronda utilizó 100.000 simulaciones para estimar ocho parámetros biofísicos a partir de siete características del voltaje. Añadir características estrechó la distribución posterior y mostró qué parámetros estaban sujetos a restricciones fuertes o débiles por parte de las observaciones. Tras la fase inicial de simulación y entrenamiento, el modelo sustituto aprendido puede evaluar nuevos datos de manera eficiente.

El ensayo extiende esa lógica de los parámetros a las estructuras de los modelos. Un agente basado en LLM puede escribir código para simuladores candidatos, ejecutarlos, ajustar sus parámetros, comparar los resultados con las observaciones y revisar las ecuaciones. Distintas ejecuciones pueden generar estructuras diferentes pero igualmente adecuadas, por lo que la propuesta consiste en ofrecer una población ponderada: los candidatos reciben mayor peso según el respaldo que les dan los datos, los ajustes excesivamente flexibles reciben menos crédito y los candidatos más sólidos sirven de base para nuevas variantes. Las características compartidas por los modelos que persisten indican qué favorecen las pruebas, mientras que las discrepancias señalan dónde las pruebas son escasas y qué experimentos podrían realizarse a continuación.

ModelSMC busca entre modelos ejecutables

En un artículo de ModelSMC publicado a principios de 2026, Wahl y sus colegas, entre ellos Macke y Gedon, formalizaron ese enfoque como una inferencia probabilística sobre programas ejecutables de simuladores. Cada candidato es una partícula propuesta o refinada por un LLM a partir de implementaciones predecesoras, comentarios de evaluación y el contexto de la tarea. La ponderación basada en la verosimilitud y el remuestreo concentran la población en las estructuras prometedoras, mientras que, durante la búsqueda, los parámetros se marginalizan en lugar de reducirse a una única estimación optimizada por estructura. El trabajo reconoce los créditos de API proporcionados mediante el programa AI for Science de Anthropic, lanzado el 5 de mayo de 2025 para investigadores seleccionados afiliados a instituciones, con especial atención a la biología y las ciencias de la vida.

Los experimentos abarcaron dinámicas epidemiológicas sintéticas, un simulador de regulación de la aldosterona en los riñones y una tarea de descubrimiento estructural de Hodgkin-Huxley que utilizó 10 registros reales de voltaje. Los autores informan de que los modelos de neurociencia con mayor peso incorporaron repetidamente una corriente lenta de potasio de tipo M, a veces junto con otro canal, y que esta familia ocupó el primer puesto en nueve de 10 ejecuciones. En términos cuantitativos generales, su rendimiento fue comparable al de FunSearch+ y una variante de partícula única con presupuestos similares; la ventaja que reivindican es el análisis posterior de familias de modelos, no una superioridad uniforme en rendimiento.

Interpretación y validación

Los costes y las dependencias documentados de ModelSMC son tan importantes como sus resultados. La simulación repetida y la estimación de verosimilitud tienen un elevado coste computacional, las verosimilitudes sustitutas pueden introducir sesgos cuando el modelo está mal especificado y el descubrimiento depende de que el LLM proponga estructuras útiles. El ensayo invitado añade una salvedad más general: estos sistemas se han probado principalmente para redescubrir modelos conocidos, y hay pocas pruebas de que funcionen en problemas científicos cuya respuesta se desconoce.

Los autores consideran que la interpretación es el paso más difícil de delegar, porque el ajuste de los datos es mensurable, mientras que no existe un objetivo igualmente claro para evaluar una mayor comprensión. La concordancia entre los modelos ajustados después de perturbar un sistema refuerza una predicción, mientras que las discrepancias ponen al descubierto mecanismos aún sin resolver y pueden orientar el siguiente experimento. Este requisito cobra más importancia si la IA reduce la presión histórica para crear modelos compactos y comprensibles para las personas, porque los modelos más grandes hacen más necesario expresar explícitamente la incertidumbre y ofrecer resúmenes mecanísticos breves.

Por tanto, el estándar que establecen los autores va más allá de un modelo que se ajusta a los datos: un sistema de IA debería documentar las pruebas que respaldan su respuesta, incluidas las mediciones que permiten determinar cada componente, las opciones que no dieron resultado, la incertidumbre que sigue sin resolverse y las preguntas que surgieron durante la búsqueda. Ante una base de validación tan limitada, la pregunta decisiva es si conservar las distribuciones de los modelos, junto con el historial de alternativas descartadas, permite alcanzar una comprensión de problemas científicos realmente abiertos.