Un conjunto de start-ups y equipos universitarios que trabajan en la creación de “científicos de IA” para diseñar y ejecutar experimentos en laboratorio, entre los que se incluyen biólogos y químicos robotizados, acaba de recibir financiación adicional por parte de la agencia gubernamental británica que impulsa la investigación y el desarrollo de proyectos de alto riesgo. La competición, promovida por la Advanced Research and Invention Agency (ARIA), ofrece una muestra clara de la velocidad a la que avanza esta tecnología: la agencia recibió 245 propuestas de investigadores que ya están desarrollando herramientas capaces de automatizar amplios tramos del trabajo en el laboratorio. 

ARIA define a un “científico de IA” como un sistema capaz de ejecutar un flujo de trabajo científico completo: formular hipótesis, diseñar y llevar a cabo los experimentos necesarios para ponerlas a prueba y, después, analizar los resultados. En muchos casos, el propio sistema puede integrar esos resultados y repetir el ciclo una y otra vez. Los científicos humanos pasan a convertirse en supervisores, planteando las preguntas iniciales de investigación y dejando que el científico de IA se encargue del trabajo más mecánico. 

“Hay mejores formas de aprovechar el tiempo de un doctorando que esperar en un laboratorio hasta las 3 de la madrugada para asegurarse de que un experimento llegue a su fin”, afirma Ant Rowstron, director de tecnología de ARIA. 

ARIA seleccionó 12 proyectos para financiar de entre las 245 propuestas recibidas, duplicando la cantidad de fondos prevista debido al volumen y la alta calidad de las propuestas presentadas. La mitad de los equipos procede del Reino Unido; el resto, de EE UU y Europa. Algunos equipos pertenecen al ámbito universitario y otros a la industria. Cada uno recibirá alrededor de 500.000 libras (unos 580.000 euros) para cubrir nueve meses de trabajo. Al término de ese periodo, deberán demostrar que su científico de IA fue capaz de producir hallazgos novedosos. 

Entre los equipos seleccionados figura Lila Sciences, una empresa estadounidense que está desarrollando lo que denomina un ‘nano-científico de IA’: un sistema que diseñará y ejecutará experimentos para descubrir las mejores formas de componer y procesar puntos cuánticos, partículas semiconductoras de escala nanométrica utilizadas en imagen médica, paneles solares y televisores QLED. 

“Estamos utilizando la financiación y el tiempo para demostrar un punto”, afirma Rafa Gómez-Bombarelli, director científico de ciencias físicas de Lila: “La beca nos permite diseñar un auténtico circuito robótico de IA en torno a un problema científico específico, generar pruebas de que funciona y documentar el playbook para que otros puedan reproducirlo y ampliarlo”. 

Otro equipo, de la Universidad de Liverpool (Reino Unido), está construyendo un químico robótico capaz de ejecutar múltiples experimentos de forma simultánea y que utiliza un modelo de lenguaje visual para ayudar a resolver errores cuando el robot falla. 

Y una start-up con sede en Londres, aún en modo sigiloso, desarrolla un científico de IA llamado ThetaWorld, que emplea LLMs para diseñar experimentos sobre interacciones físicas y químicas relevantes para el rendimiento de las baterías. Esos experimentos se ejecutarán después en un laboratorio automatizado. 

Tomando la temperatura 

En comparación con los proyectos de 5 millones de libras (unos 5,8 millones de euros) y dos o tres años de duración que ARIA suele financiar, 500.000 libras (unos 580.000 euros) parecen poca cosa. Pero esa era la intención, explica Rowstron: también es un experimento para ARIA. Al financiar una serie de proyectos durante un corto periodo, la agencia está tomando la temperatura de la frontera tecnológica para entender cómo está cambiando la práctica científica y a qué ritmo. Lo que aprenda servirá como referencia para futuras inversiones a gran escala. 

Rowstron reconoce que existe mucho entusiasmo, sobre todo ahora que la mayoría de las grandes empresas de IA tiene equipos centrados en ciencia. Cuando los resultados se comparten en notas de prensa y no a través de revisión por pares, es difícil saber de qué es capaz la tecnología y qué limitaciones tiene. “Ese es siempre un desafío para una agencia que intenta financiar la vanguardia”, afirma. “Para trabajar en la vanguardia, tenemos que saber dónde qué es la vanguardia”. 

Por ahora, la vanguardia consiste en sistemas agenticos que activan otras herramientas existentes sobre la marcha. “Ejecutan modelos de lenguaje de gran tamaño para la fase de ideación, y luego emplean otros modelos para la optimización y la ejecución de experimentos”, explica Rowstron. “Y después vuelven a incorporar los resultados”. 

Rowstron concibe esta tecnología como una estructura en capas. En la base se encuentran herramientas de IA diseñadas por humanos para humanos, como AlphaFold. Estas herramientas permiten a los científicos saltarse partes lentas y laboriosas del proceso científico, aunque aún requieren meses de trabajo experimental para verificar los resultados. La idea del científico de IA es automatizar también esa parte. 

Por encima de esas herramientas creadas por humanos se situaría un científico de IA que las invocaría según las necesitara, señala Rowstron. “Llegará un momento (y no creo que falte una década) en que esa capa del científico de IA diga: «Necesito una herramienta y no existe», y cree una especie de AlphaFold por el camino para resolver otro problema. Toda esa zona inferior quedará automatizada”. 

Descarrilamientos 

Pero aún no hemos llegado allí, matiza. Todos los proyectos que ARIA financia en esta fase dependen de sistemas que recurren a herramientas ya existentes, en lugar de generar otras nuevas. 

También hay problemas sin resolver en los sistemas agenticos en general, lo que limita el tiempo que pueden funcionar de forma autónoma sin desviarse y cometer errores. Por ejemplo, un estudio titulado Why LLMs aren’t scientists yet, publicado hace tres semanas por investigadores de Lossfunk, un laboratorio de IA con sede en India, indica que en un experimento para lograr que agentes basados en LLM completaran un flujo de trabajo científico, el sistema fracasó en tres de cada cuatro intentos. Según sus autores, las causas incluían “desviación de las especificaciones originales de la investigación hacia una solución más simple y familiar” y “exceso de entusiasmo que proclamaba éxito pese a fallos evidentes”. 

“Es evidente que, por ahora, estas herramientas están todavía en una fase bastante temprana y puede que su progreso se estanque”, afirma Rowstron. “No espero que ganen un Premio Nobel”.  

“Pero existe un escenario en el que algunas de estas herramientas nos obligarán a trabajar mucho más rápido”. Y añade: “Y si acabamos en ese escenario, es fundamental que estemos preparados”.