Imagine un socio de investigación que ha leído todos los documentos científicos que tiene, haciendo una lluvia de ideas incansable de nuevos experimentos durante todo el 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 examinar las vastas bibliotecas de investigación, proponer hipótesis frescas e incluso describir los planes experimentales, todo en colaboración con investigadores humanos. La última herramienta de Google, probada en la Universidad de Stanford y el Imperial College London, utiliza un razonamiento avanzado para ayudar a los científicos a sintetizar montañas de literatura y generar ideas novedosas. El objetivo es acelerar los avances científicos dando sentido a la sobrecarga de información y sugiriendo ideas que un humano podría perderse.
Este “AI co-cientista“Como Google lo llama, no es un robot físico en un laboratorio, sino un sistema de software sofisticado. Se basa en los modelos de IA más nuevos de Google (en particular el Modelo Géminis 2.0) y refleja la forma en que piensan los científicos, desde una lluvia de ideas hasta ideas de criticación. En lugar de resumir hechos conocidos o buscar documentos, el sistema está destinado a descubrir el conocimiento original y proponer hipótesis genuinamente nuevas basadas en la evidencia existente. En otras palabras, no solo encuentra respuestas a las preguntas, sino que ayuda a inventar nuevas preguntas para hacer.
Google y su unidad de IA Profundo han priorizado las aplicaciones científicas para la IA, después de demostrar éxitos como Alfafoldque usó IA para resolver el rompecabezas de 50 años de plegamiento de proteínas. Con el co-científico de IA, esperan “acelerar la velocidad del reloj” de los descubrimientos en los campos desde la biomedicina hasta la física.
Co-Cientista de IA (Google)
Cómo funciona un co-científico de IA
Bajo el capó, el co-científico de AI de Google en realidad está compuesto por múltiples programas de IA especializados, piense en ellos como un equipo de asistentes de investigación súper 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 los critican y las refinan, y las mejores ideas se envían al científico humano.
Según el equipo de investigación de Google, así es como se desarrolla el proceso:
- Agente de la generación – La investigación relevante de las minas y sintetiza los hallazgos existentes para proponer nuevas vías o hipótesis.
- Agente de reflexión – Actúa como un revisor de pares, 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, que efectivamente las hipótesis compiten en debates simulados, y luego las clasifica en función de lo cual parecen más prometedoras.
- Agente de proximidad – grupos hipótesis similares juntas y eliminan duplicados para que el investigador no esté revisando ideas repetitivas.
- Agente de evolución -Toma las hipótesis mejor clasificadas y las refina más, usando analogías o simplificando conceptos para mayor claridad para mejorar las propuestas.
- Agente de meta-revisión – Finalmente, compila las mejores ideas en una propuesta de investigación coherente o una visión general para que el científico humano lo revise.
Crucialmente, el científico humano permanece en el bucle en cada etapa. El co-científico de IA no funciona de forma aislada ni toma decisiones finales por su cuenta. Los investigadores comienzan alimentándose en un objetivo o pregunta de investigación en lenguaje natural, por ejemplo, un objetivo de encontrar nuevas estrategias para tratar una determinada enfermedad, junto con cualquier restricción relevante o ideas iniciales que tengan. El sistema AI luego pasa por el ciclo anterior para producir sugerencias. El científico puede proporcionar retroalimentación o ajustar los parámetros, y la IA iterará nuevamente.
Google construyó el sistema para que sea “diseñado especialmente para la colaboración”, lo que significa que los científicos pueden insertar sus propias ideas o críticas de semillas durante el proceso de la IA. La IA puede incluso usar herramientas externas como búsqueda web y otros modelos especializados para verificar los hechos o recopilar datos mientras funciona, asegurando que sus hipótesis se basen en información actualizada.
Agentes co-científicos de IA (Google)
Un camino más rápido hacia los avances
Al externalizar parte del trabajo de investigación de la investigación, revisiones de literatura exhaustiva y lluvia de ideas inicial, a una máquina inquebrantable, los científicos esperan acelerar dramáticamente el descubrimiento. El co-científico de IA puede leer muchos más documentos que cualquier humano, y nunca se queda sin nuevas combinaciones de ideas para probar.
“Tiene el potencial de acelerar los esfuerzos de los científicos para abordar grandes desafíos en ciencia y medicina”, los investigadores del proyecto escribió en el periódico. Los primeros resultados son alentadores. En un ensayo centrado en la fibrosis hepática (cicatrices del hígado), Google informó que cada enfoque que sugirió el co-científico de IA 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, se alinearon con lo que los expertos consideran intervenciones plausibles.
Además, el sistema demostró la capacidad de mejorar las soluciones de desarrollo humano con el tiempo. Según Google, la IA siguió refinando y optimizando soluciones que los expertos habían propuesto inicialmente, lo que indica que puede aprender y agregar un valor incremental más allá de la experiencia humana con cada iteración.
Otra prueba notable involucró el problema espinoso de la resistencia a los antibióticos. Los investigadores encargaron que la IA explicara cómo un cierto elemento genético ayuda a las bacterias a difundir sus rasgos resistentes a las drogas. Sin el conocimiento de la IA, un equipo científico separado (en un estudio aún no publicado) ya había descubierto el mecanismo. La IA solo recibió información de fondo básica y un par de documentos relevantes, luego se dejó a sus propios dispositivos. En dos días, llegó a la misma hipótesis que tenían los científicos humanos.
“Este hallazgo fue validado experimentalmente en el estudio de investigación independiente, que fue desconocido para el co-científico durante la generación de hipótesis”, señalaron los autores. En otras palabras, la IA logró redescubrir una visión clave por sí sola, mostrando que puede conectar puntos de una manera que rivaliza la intuición humana, al menos en los casos en que existen amplios 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 un experto en todo. Una IA que ha absorbido el conocimiento en la genética, la química, la medicina y más podría proponer ideas que los especialistas humanos puedan pasar por alto. La unidad DeepMind de Google ya ha demostrado cómo puede ser la IA transformadora en la ciencia con Alfafold, que predijo las estructuras 3D de proteínas y fue aclamada como un gran avance para la biología. Ese logro, que aceleró el descubrimiento de fármacos y el desarrollo de la vacuna, incluso le ganó al equipo 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 brindar saltos similares a la lluvia de ideas de la investigación cotidiana. Si bien las primeras aplicaciones han estado 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 examinar hipótesis es agnóstico de disciplina. Los investigadores pueden usarlo para buscar materiales novedosos, explorar soluciones climáticas o descubrir nuevos teoremas matemáticos. En cada caso, la promesa es la misma: un camino más rápido de la pregunta a la idea, lo que puede comprimir años de prueba y error en un plazo mucho más corto.
