Por Canuto  

Google DeepMind convirtió su Co-Científico en un sistema que formula hipótesis, diseña experimentos, controla equipos y redacta artículos. Las pruebas muestran avances concretos, pero también revelan que los benchmarks y los textos científicamente plausibles todavía pueden alejarse de la realidad del laboratorio.
***

  • El sistema fue validado en ciencia de materiales, biología e informática, con distintos niveles de autonomía.
  • Sus módulos de verificación redujeron la fabricación de resultados clave del 46% al 4% en una evaluación doble ciego.
  • Agent_H superó a seis modelos de frontera en benchmarks de salud, aunque médicos solo detectaron una ventaja significativa.

Google DeepMind amplió su sistema multiagente Co-Científico, que inicialmente generaba hipótesis, para convertirlo en un socio de investigación conectado con el laboratorio. De acuerdo con la información publicada por The Decoder, la herramienta ahora puede planificar experimentos, escribir código, controlar equipos y preparar manuscritos científicos, aunque el grado de intervención humana todavía depende de la disciplina y del tipo de experimento.

La novedad central está en un flujo de trabajo de bucle cerrado: Co-Científico parte de una pregunta, propone hipótesis, desarrolla planes experimentales, transforma protocolos en instrucciones legibles por máquinas, analiza los resultados y redacta un artículo. Además, módulos de verificación contrastan las afirmaciones numéricas del texto con los registros de ejecución del código, una barrera diseñada para contener resultados inventados o desconectados de la evidencia.

Google presentó por primera vez Co-Científico en febrero de 2025, cuando el sistema estaba basado en Gemini 2.0 y mostraba debilidades en la comprobación de hechos y la revisión de literatura. La versión ampliada fue evaluada en tres áreas: ciencia de materiales con ejecución humana, biología con colaboración experta e informática con autonomía desde la configuración inicial.

Del diseño de materiales al control del laboratorio

En ciencia de materiales, los investigadores conectaron Co-Científico con un horno semiautomatizado de alta temperatura para buscar una vía más segura hacia un material bidimensional muy solicitado. El sistema propuso recetas completas de crecimiento adaptadas al equipo disponible, con lo que intentó sustituir un proceso basado principalmente en un grabado peligroso por una alternativa experimental menos riesgosa.

Después de 25 rondas de refinamiento humano, el equipo produjo estructuras en capas con propiedades parecidas a las del material objetivo, pero todavía no confirmó de forma definitiva su estructura atómica. En otro experimento, tres películas delgadas de semiconductor se sintetizaron en el primer intento, un resultado que muestra la utilidad práctica del sistema, aunque no equivale a una receta universalmente optimizada.

Co-Científico utilizó Gemini 3 Deep Think para controlar directamente el equipo y recortó el desarrollo de recetas, que podía tomar días, a unos pocos minutos. Los técnicos aún debían cargar manualmente las muestras y los materiales precursores, mientras que el modo rápido produjo cristales más pequeños y menos uniformes que los obtenidos con protocolos cuidadosamente ajustados.

Samuel Schmidgall, autor principal del trabajo, advirtió que sigue abierta la pregunta de si las recetas pueden transferirse de manera confiable a otros laboratorios. Esa limitación es importante porque la reproducibilidad depende de las características del equipo, la preparación de las muestras y las condiciones físicas que un modelo puede no capturar por completo.

Biología colaborativa y autonomía en informática

En biología, Co-Científico construyó de forma autónoma un pipeline de análisis de imágenes para predecir qué patrones formarían colonias de E. coli modificadas genéticamente bajo distintas concentraciones químicas. Las predicciones generadas con Gemini 3 Pro Image coincidieron con resultados de laboratorio aún no publicados en tres de cuatro características de forma evaluadas por los investigadores.

El resultado sugiere que la IA puede ayudar a organizar análisis y anticipar comportamientos dentro de un rango de condiciones previamente observado. Sin embargo, el propio equipo reconoce que el sistema razona entre escenarios conocidos y no puede predecir con la misma confianza qué ocurrirá en sistemas completamente nuevos, que es precisamente donde suelen aparecer los descubrimientos más difíciles.

El experimento de informática alcanzó un nivel de autonomía mayor, porque no tuvo participación humana después de la configuración inicial. Co-Científico diseñó Agent_H, una arquitectura de IA médica que clasifica consultas, genera en paralelo docenas de respuestas candidatas y luego las refina para producir una respuesta final.

Tras corregir una tendencia a entregar respuestas excesivamente largas, Agent_H superó a seis modelos de frontera en benchmarks de salud, incluidos GPT-5 y Claude Opus 5. No obstante, esa ventaja se debilitó cuando tres médicos certificados evaluaron las respuestas a ciegas en nueve categorías, pues el sistema solo superó de forma estadísticamente significativa a Gemini 3.1 Pro en una: el menor riesgo de respuestas potencialmente dañinas.

La verificación reduce, pero no elimina, las alucinaciones

Los sistemas autónomos de investigación basados en modelos de lenguaje enfrentan un problema conocido como basura de IA: producir afirmaciones convincentes sin respaldo suficiente cuando el sistema recibe incentivos por parecer exitoso. Evaluaciones anteriores habían documentado tasas de fabricación de entre 80% y 100% en sistemas existentes, una vulnerabilidad especialmente delicada cuando el resultado adopta la forma de un artículo científico.

Co-Científico intenta contener ese riesgo mediante dos mecanismos: penaliza el contenido fabricado o plagiado y utiliza un verificador separado para comparar cada afirmación numérica con los resultados del código ejecutado. En un estudio doble ciego con 30 expertos de distintas áreas y 450 revisiones independientes, los investigadores examinaron 150 artículos generados de manera autónoma.

Con los módulos de fiabilidad activados, el sistema fabricó resultados clave en 4% de los casos, frente a 46% cuando esos controles estaban desactivados. El sistema de comparación llegó a 90%, mientras que los datos completamente inventados no aparecieron en las salidas de Co-Científico, aunque sí estuvieron presentes en 44% de los artículos producidos por el comparador.

Los controles también redujeron el contenido casi plagiado de 60% a 16% y una arquitectura de seguridad rechazó 98,7% de las direcciones de investigación potencialmente dañinas. Aun así, los investigadores detectaron selección interesada de datos y métodos muy plausibles en el manuscrito que no coincidían con el código ejecutado, por lo que una reducción de las alucinaciones no garantiza rigor científico completo.

Los benchmarks no sustituyen al juicio experto

La experiencia con Agent_H expuso una diferencia entre el rendimiento medido por benchmarks y la calidad que perciben profesionales especializados. Los evaluadores automatizados mostraron una correlación débil y constante con los juicios de los médicos, incluso después de que el sistema superara a seis modelos de frontera en las pruebas estandarizadas.

Para los autores, el hallazgo cuestiona qué están midiendo realmente esos benchmarks cuando se aplican a tareas clínicas. Una puntuación elevada puede reflejar fluidez, cobertura o coincidencia con un criterio automático, pero no necesariamente una respuesta más segura, útil o adecuada para una persona que busca orientación médica.

El episodio también ofrece una advertencia para el desarrollo de agentes científicos: la autonomía no debe confundirse con independencia de la validación humana. En materiales, los investigadores todavía cargaron insumos y revisaron recetas; en biología, las predicciones funcionaron principalmente dentro de condiciones conocidas; y en informática, la evaluación clínica limitó el entusiasmo inicial generado por los benchmarks.

Los investigadores consideran que estos resultados representan un avance hacia sistemas multiagente capaces de mejorar mediante retroalimentación experimental y acelerar la investigación del mundo real. Schmidgall sostuvo que aún queda un largo camino antes de que la IA pueda desenvolverse en las realidades físicas de la ciencia, aunque destacó el potencial de los modelos de lenguaje para ayudar a las personas y acelerar el progreso.

La investigación automatizada se convirtió en una de las aplicaciones de IA con mayor expectativa, y, según reportes de prensa, OpenAI apunta a desarrollar para 2026 sistemas de agentes orientados a la investigación, con la meta de alcanzar al menos el nivel de un practicante. El debate de fondo continúa abierto: no está claro si los sistemas actuales pueden descubrir conocimiento nuevo o si principalmente hacen explícito lo que ya estaba contenido en sus datos de entrenamiento.

Para Google DeepMind, Co-Científico representa un paso desde la generación de ideas hacia la coordinación de tareas experimentales, computacionales y editoriales. Para la comunidad científica, los resultados son más ambivalentes: prometen ciclos de investigación más rápidos, pero recuerdan que la reproducibilidad, la evaluación experta y la confirmación física siguen siendo el filtro decisivo.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados