El nuevo AI “Co-Científico” de Google tiene como objetivo acelerar el descubrimiento científico

Imagina un compañero de investigación que ha leído todos los artículos científicos que tú has leído, ideando incansablemente nuevos experimentos las 24 horas del día. Google está tratando de convertir esta visión en realidad con un nuevo sistema de IA diseñado para actuar como un “co-científico”.

Este asistente impulsado por IA puede buscar en vastas bibliotecas de investigación, proponer nuevas hipótesis y even bosquejar planes de experimentos, todo en colaboración con investigadores humanos. La última herramienta de Google, probada en la Universidad de Stanford y el Imperial College de Londres, utiliza un razonamiento avanzado para ayudar a los científicos a sintetizar montañas de literatura y generar ideas nuevas. El objetivo es acelerar los avances científicos al dar sentido a la sobrecarga de información y sugerir ideas que un ser humano podría pasar por alto.

Este “co-científico de IA“, como lo llama Google, no es un robot físico en un laboratorio, sino un sistema de software sofisticado. Está construido sobre los últimos modelos de IA de Google (notablemente el modelo Gemini 2.0) y refleja la forma en que los científicos piensan, desde la generación de ideas hasta la crítica de las mismas. En lugar de simplemente resumir hechos conocidos o buscar artículos, el sistema está diseñado para descubrir conocimiento original y proponer hipótesis genuinamente nuevas basadas en evidencia existente. En otras palabras, no solo encuentra respuestas a preguntas, sino que ayuda a inventar nuevas preguntas para hacer.

Google y su unidad de IA DeepMind han priorizado las aplicaciones científicas para la IA, después de demostrar éxitos como AlphaFold, que utilizó la IA para resolver el rompecabezas de 50 años de la folding de proteínas. Con el co-científico de IA, esperan “acelerar la velocidad del reloj” de los descubrimientos en campos que van desde la biomedicina hasta la física.

Co-científico de IA (Google)

Cómo funciona un co-científico de IA

Bajo la superficie, el co-científico de IA de Google está compuesto en realidad por múltiples programas de IA especializados, piensa en ellos como un equipo de asistentes de investigación super rápidos, cada uno con un papel específico. Estos agentes de IA trabajan juntos en una tubería que imita el método científico: uno genera ideas, otros las critican y las refinan, y las mejores ideas se envían al científico humano.

Según el equipo de investigación de Google, este es cómo se desarrolla el proceso:

• Agente de generación – busca en la investigación relevante y sintetiza los hallazgos existentes para proponer nuevas avenidas o hipótesis.
• Agente de reflexión – actúa como un revisor par, verificando la precisión, la calidad y la novedad de las hipótesis propuestas y eliminando las ideas defectuosas.
• Agente de clasificación – realiza un “torneo” de ideas, efectivamente haciendo que las hipótesis compitan en debates simulados, y luego las clasifica según cuáles parezcan más prometedoras.
• Agente de proximidad – agrupa hipótesis similares y elimina duplicados para que el investigador no revise ideas repetitivas.
• Agente de evolución – toma las hipótesis mejor clasificadas y las refina aún más, utilizando analogías o simplificando conceptos para mejorar las propuestas.
• Agente de revisión meta – finalmente compila las mejores ideas en una propuesta de investigación coherente o resumen para que el científico humano lo revise.

Crucialmente, el científico humano permanece en el bucle en cada etapa. El co-científico de IA no trabaja en aislamiento ni toma decisiones finales por sí solo. Los investigadores comienzan alimentando una meta de investigación o pregunta en lenguaje natural, por ejemplo, una meta para encontrar nuevas estrategias para tratar una enfermedad en particular, junto con cualquier restricción o idea inicial que tengan. El sistema de IA luego pasa por el ciclo anterior para producir sugerencias. El científico puede proporcionar retroalimentación o ajustar parámetros, y la IA iterará de nuevo.

Google construyó el sistema para ser “diseñado específicamente para la colaboración”, lo que significa que los científicos pueden insertar sus propias ideas iniciales o críticas durante el proceso de la IA. La IA incluso puede utilizar herramientas externas como la búsqueda en la web y otros modelos especializados para verificar hechos o recopilar datos mientras trabaja, asegurando que sus hipótesis estén basadas en información actualizada.

Agentes de co-científico de IA (Google)

Un camino más rápido hacia los avances

Al externalizar parte del trabajo de investigación, como las exhaustivas revisiones de la literatura y el brainstorming inicial, a una máquina incansable, los científicos esperan acelerar dramáticamente el descubrimiento. El co-científico de IA puede leer muchos más artículos que cualquier ser humano y nunca se queda sin combinaciones frescas de ideas para intentar.

“Tiene el potencial de acelerar los esfuerzos de los científicos para abordar los grandes desafíos de la ciencia y la medicina”, escribieron los investigadores del proyecto en el documento. Los resultados iniciales son alentadores. En un ensayo centrado en la fibrosis hepática (cicatrices en el hígado), Google informó que cada enfoque que el co-científico de IA sugirió mostró una capacidad prometedora para inhibir los impulsores de la enfermedad. De hecho, las recomendaciones de la IA en ese experimento no fueron disparos en la oscuridad, sino que se alinearon con lo que los expertos consideran intervenciones plausibles.

Además, el sistema demostró una capacidad para mejorar las soluciones ideadas por los humanos con el tiempo. Según Google, la IA siguió perfeccionando y optimizando las soluciones que los expertos habían propuesto inicialmente, lo que indica que puede aprender y agregar valor incremental más allá de la experiencia humana con cada iteración.

Otra prueba notable involucró el espinoso problema de la resistencia a los antibióticos. Los investigadores encomendaron a la IA que explicara cómo un cierto elemento genético ayuda a las bacterias a difundir sus características resistentes a los medicamentos. Sin que la IA lo supiera, un equipo científico separado (en un estudio aún no publicado) ya había descubierto el mecanismo. La IA se le dio solo información de fondo básica y un par de artículos relevantes, y luego se le dejó a su propio dispositivo. Dentro de dos días, llegó a la misma hipótesis que los científicos humanos habían tenido.

“Este hallazgo fue validado experimentalmente en el estudio de investigación independiente, que era desconocido para el co-científico durante la generación de la hipótesis”, señalaron los autores. En otras palabras, la IA logró redescubrir una idea clave por sí sola, lo que muestra que puede conectar los puntos de una manera que rivaliza con la intuición humana, al menos en casos donde exista una gran cantidad de datos.

Las implicaciones de tal velocidad y alcance interdisciplinario son enormes. Los avances a menudo ocurren cuando las ideas de diferentes campos chocan, pero ninguna persona puede ser experta en todo. Una IA que haya absorbido conocimiento en genética, química, medicina y más podría proponer ideas que los especialistas humanos podrían pasar por alto. La unidad DeepMind de Google ya ha demostrado cómo la IA en la ciencia puede ser transformadora con AlphaFold, que predijo las estructuras tridimensionales de las proteínas y fue aclamada como un gran salto adelante para la biología. Ese logro, que aceleró el descubrimiento de fármacos y el desarrollo de vacunas, incluso valió a los científicos de DeepMind una parte de los más altos honores de la ciencia (incluido el reconocimiento vinculado al Premio Nobel).

El nuevo co-científico de IA tiene como objetivo traer saltos similares a la brainstorming de investigación diaria. Si bien las primeras aplicaciones han sido en biomedicina, el sistema podría aplicarse en principio a cualquier dominio científico, desde la física hasta la ciencia ambiental, ya que el método de generar y evaluar hipótesis es agnóstico de la disciplina. Los investigadores podrían utilizarlo para buscar nuevos materiales, explorar soluciones climáticas o descubrir nuevos teoremas matemáticos. En cada caso, la promesa es la misma: un camino más rápido desde la pregunta hasta la idea, potencialmente comprimiendo años de prueba y error en un marco de tiempo mucho más corto.