Hay una gran cantidad de artículos científicos interesantísimos que siguen saliendo regularmente. De hecho, los publican más rápidamente de lo que los podemos leer y analizar. Por eso ya empezamos a usar herramientas de Inteligencia Artificial para ayudarnos a digerir esta información.
Hace dos días salió este artículo, titulado "De Inteligencia Artificial para Ciencia, a Ciencia Agentiva", que explica cómo se emplean los agentes de Inteligencia Artificial para llevar a cabo descubrimiento científico autónomo.
El enlace al artículo original, en inglés, es el siguiente, para aquellos que quieran profundizar sobre el tema:
From AI for Science to Agentic Science: A Survey on Autonomous Scientific Discovery, por Jiaqi Wei y colegas, publicado en Octubre 20 de 2025.
El resumen, la transcripción y la traducción fueron hechos usando herramientas de software de Inteligencia Artificial.
El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.
Resumen
Alicia
Bienvenidos a esta inmersión profunda. Estamos aquí para desentrañar investigaciones complejas y, bueno, hacer que tengan sentido. Y hoy vamos a ver algo realmente transformador en la ciencia, en serio, sísmico.
Durante mucho tiempo, la IA ha sido esta herramienta increíble, ¿no?, como una supercalculadora o un procesador de datos. Pero eso está cambiando rápido. La IA ya no es solo una herramienta. Está convirtiéndose en una pareja de investigación autónoma. Vamos a profundizar en lo que se está llamando la "ciencia basada en agentes" ("Agentic Science").
Beto
Realmente es un cambio masivo. Estamos yendo más allá de la idea estándar de “IA para la ciencia”, esas sobre todo centradas en herramientas especializadas dirigidas por humanos. Ahora hablamos de IA con auténtica agencia científica. Está decidiendo qué estudiar y cómo hacerlo.
Alicia
Bien, nuestra misión aquí es darte el desglose esencial. ¿Qué es esto? ¿Cómo funciona? Nos basamos en una encuesta realmente exhaustiva sobre descubrimiento autónomo. Queremos desentrañar estos sistemas agentes. Y quizá la parte más emocionante: hablar de los descubrimientos reales, a veces sorprendentes, que ya están ocurriendo en biología y química.
Niveles de Autonomía
Beto
Sí, los resultados del mundo real son clave. Pero para entenderlo, tenemos que conocer el trayecto, los niveles de autonomía implicados. Las fuentes describen cuatro niveles claros que mapean cómo pasamos de la IA como herramienta simple, a potencialmente una socia.
Alicia
Vale, vamos a rastrear ese camino.
Nivel uno: el oráculo computacional. Esto suena como la IA que ya conocemos principalmente.
Beto
Exacto. Piensa en modelos como MolGPT. Son brillantes en tareas específicas: predecir una propiedad, clasificar datos, muy especializados. Pero son completamente no agentivos. Necesitan entrada humana constante para encontrar la tarea, ejecutarla, interpretarla y decidir el siguiente paso. El humano está totalmente a cargo del proceso científico en sí.
Alicia
Así que el nivel uno es el asistente experto esperando instrucciones.
¿Dónde empieza a volverse agentivo entonces? ¿Dónde está la línea?
Beto
Eso empieza a emerger en el nivel dos, el asistente de investigación automatizado.
Aquí la IA tiene autonomía parcial. Puede ejecutar fragmentos predefinidos de un flujo de trabajo, quizá encadenando herramientas del nivel uno para un subobjetivo específico, como una canalización bioinformática. Está ejecutando un proceso, pero el humano aún fija el objetivo principal y la hipótesis central. El humano escribe, básicamente, la receta.
Alicia
Entendido. El gran salto, el núcleo de lo que hablamos hoy, debe ser el nivel tres, la socia científica autónoma.
Beto
Precisamente. Esta es la ciencia basada en agentes tal como existe ahora. En el nivel tres, la IA gestiona todo el ciclo de descubrimiento. Y, crucialmente, puede observar y formular hipótesis novedosas. Ese es el gran paso: diseñar experimentos, ejecutarlos, analizar resultados, aprender y repetir. Piensa en sistemas como Robin, OriGene, AI Co-scientist, que incluso pueden controlar robots de laboratorio. Es agencia de ciclo completo con mínimo empujón humano.
Alicia
Wow. Bien. Y el nivel tres es el presente. ¿Qué es el nivel cuatro, esta IA generativa? ¿Es ese el futuro?
Beto
Ese es el extremo puntero, la prospectiva. El nivel cuatro, el arquitecto generativo, es donde el agente no solo usa herramientas, sino que las inventa. No solo descubre un material usando métodos conocidos; crea métodos científicos completamente nuevos, nuevos instrumentos, tal vez incluso nuevos marcos matemáticos. Imagínate una IA que inventa un nuevo tipo de espectroscopía porque lo necesita para un problema. Ese es el tipo de cambio del que hablamos: de usuaria de herramientas a creadora de herramientas.
Alicia
Es un cambio fundamental. Y obviamente redefine por completo el trabajo del científico humano, ¿no? Las fuentes sugieren que pasamos de hacer trabajo de laboratorio a ser más como estrategas. Validadoras.
Beto
Sí. Exacto. Nos convertimos en el humano “on the loop”, fijando objetivos de gran escala, los límites éticos, las redes de seguridad, proporcionando la visión inicial. Ya no estamos repitiendo día a día los pasos iterativos del método científico. El agente los maneja. Nuestro valor cambia hacia el juicio de alto nivel, el pensamiento crítico, tal vez incluso la dirección filosófica.
Capacidades Clave
Alicia
Bien. Para lograr esto, la IA necesita una maquinaria interna seria. No es solo un gran modelo de lenguaje, ¿verdad? ¿Cuáles son las capacidades clave, las piezas del motor que permiten este tipo de autonomía?
Beto
Bien. Es una arquitectura sofisticada. Las fuentes identifican cinco capacidades clave que trabajan juntas.
1) El cerebro
Los motores de planificación y razonamiento. Esto traduce un objetivo de alto nivel, como “encontrar un material mejor para celdas solares”, en pasos ejecutables.
Alicia
Pero la ciencia no es lineal; es desordenada y llena de callejones sin salida. ¿Cómo maneja la IA esa incertidumbre?
Beto
Tiene que ir más allá de planes simples paso a paso. Usa estrategias de búsqueda más complejas, como “Tree of Thought” (ToT). Piensa en ToT como la IA jugando ajedrez científico, mirando varios movimientos por delante en múltiples ramas a la vez. “¿Y si pruebo esta reacción? ¿O aquella?” Crucialmente, puede reconocer un callejón sin salida y retroceder, ahorrando tiempo y recursos. Explora de forma dinámica y emplea ciclos ReAct constantemente, entrelazando razonamiento, acción y observación para ajustar inmediatamente el plan.
Alicia
ReAct es como la IA pensando en voz alta: "Intentaré con X ... no funcionó ... entonces, aumentaré la concentración e intentaré con Y."
Beto
Exactamente, empleando un ciclo de retroalimentación.
2) Capacidad de usar e integrar herramientas
El agente necesita interactuar con el mundo. Eso significa usar herramientas básicas como intérpretes de código — por ejemplo, SymPy para matemáticas — pero también software científico altamente especializado: ChemCrow para tareas de química, simuladores de acoplamiento molecular, e incluso APIs para controlar robots de laboratorio. El desafío aquí es enorme. Las herramientas científicas requieren precisión increíble; un pequeño error en un parámetro de simulación puede hacer que el resultado sea científicamente inválido.
Alicia
Correcto. No puedes estar “más o menos” acertado en una reacción química.
Y el descubrimiento requiere contexto, la memoria debe ser inmensa.
3) Memoria y acceso al conocimiento
Beto
Absolutamente crítico, y cumple dos roles.
Primero, como centro de conocimiento. Los agentes usan RAG (recuperación aumentada por generación) para consultar grandes cantidades de literatura científica, bases de datos y resultados experimentales. Herramientas tipo “PaperQA” ayudan aquí. Piensa en ello como la IA teniendo una memoria instantánea y precisa de libros y artículos relevantes para fundamentar sus ideas, en vez de “inventar” cosas.
Segundo, como repositorio de experiencia: aprende de sus propios experimentos, éxitos y fracasos para volverse más inteligente con el tiempo. Sistemas como IRCoT y MemGPT gestionan ese aprendizaje de la experiencia.
Alicia
¿Y cómo se puede hacer que el proceso sea más robusto, más riguroso?
Beto
Eso nos lleva a la cuarta capacidad, colaboración entre agentes.
4) Colaboración entre agentes
Usar múltiples agentes suele hacer el sistema más creativo y menos propenso a errores. Ves estructuras jerárquicas: un agente gestor descompone un gran problema en tareas científicas y asigna agentes trabajadores especializados. MetaGPT es un ejemplo.
O enfoques de refinamiento deliberativo: imagina agentes debatiendo hipótesis, como una revisión por pares simulada. Un agente propone una idea, otros la cuestionan. Este enfoque multi-perspectiva aumenta la rigurosidad, como un sistema interno de pesos y contrapesos.
Alicia
Y esto nos lleva a la última capacidad, optimización y evolución. ¿Cómo mejora todo el sistema? ¿Dónde están los cuellos de botella?
5) Optimización y evolución
Beto
Mejoran mediante autorrefinamiento iterativo. Un agente puede criticar sus planes o resultados pasados usando marcos como Self-Refine y ajustar estrategias. Pero hay un gran cuello de botella: la retroalimentación científica suele ser escasa, cara y lenta. Ejecutar una simulación puede ser rápido, pero un experimento de laboratorio real puede tardar días o semanas y costar mucho. Ese ciclo de retroalimentación lento hace que el aprendizaje y la optimización sean mucho más difíciles que en dominios puramente digitales como los juegos de IA.
Alicia
Así que tenemos estas cinco piezas esenciales:
- el razonamiento (el “cerebro”),
- las “manos” para usar herramientas,
- la memoria/conocimiento y repositorio de experiencia,
- el trabajo en equipo entre agentes, y,
- el mecanismo de aprendizaje/evolución.
El Flujo de Trabajo
Alicia
Cuando funcionan juntas, siguen una especie de ciclo, ¿verdad? Las fuentes describen un flujo de trabajo de cuatro etapas.
Beto
Exactamente. Es un ciclo continuo, que refleja el método científico.
Etapa 1: Observación y generación de hipótesis.
El agente recopila conocimiento usando RAG, quizá construye grafos de conocimiento internos para estructurarlo, y crucialmente genera hipótesis novedosas y comprobables, a veces ideas que los humanos no habrían pensado.
Etapa 2: Planificación y ejecución experimental.
Alicia
Aquí decide cómo probar la hipótesis.
Beto
Sí. Genera planes experimentales optimizados, eficientes y seguros, descompone el objetivo en pasos concretos. La ejecución suele estar automatizada: generar código para correr simulaciones o, como en algunos sistemas, controlar brazos robóticos e instrumentos en el laboratorio.
Etapa 3: Análisis de datos y resultados.
El agente interpreta la salida: extrae información de formatos variados (texto, gráficos, lecturas de sensores) e idealmente realiza una actualización bayesiana: Según los nuevos datos, "¿con qué probabilidad mi hipótesis es ahora más o menos viable?" Y trata de evitar sesgos de confirmación.
Alicia
Correcto. Y el ciclo se cierra con la etapa 4.
Etapa 4: Síntesis, validación y evolución.
Beto
Reunir toda la evidencia, someterla a críticas simuladas y luego adaptar el sistema. Aprender de todo lo ocurrido para hacer el siguiente ciclo de descubrimiento más inteligente. Es ciencia en piloto automático, refinándose constantemente.
El Beneficio
Alicia
Bien, ya tenemos la teoría, la arquitectura y el flujo de trabajo; vayamos a los resultados, el beneficio.
¿Qué ha descubierto realmente la ciencia agentiva? Quiero ejemplos del mundo real que demuestren que esto no es solo bombo.
Beto
Y los ejemplos son bastante contundentes porque suelen ser hallazgos no obvios que luego se validaron experimentalmente. Muestran que la intuición del agente puede ser genuinamente perspicaz.
Ciencias de la Vida
Alicia
Empecemos por las ciencias de la vida. Encontrar nuevos dianas farmacológicas es un gran área.
Beto
Definitivamente. Fíjate en OriGene: actúa como un biólogo virtual de enfermedades, integrando enormes conjuntos de datos (genética, datos clínicos, farmacología) y nominó dos dianas terapéuticas para cáncer de hígado y colorrectal —GPR160 y ARG2— que estaban, bueno, seriamente subexplotadas por investigadores humanos. Y lo importante: estas dianas nominadas por la IA fueron después validadas en modelos de laboratorio derivados de pacientes. Funcionaron.
Alicia
Espera: una IA escaneó los datos, señaló dos dianas que los humanos habían ignorado para cáncer y resultaron ser válidas. Eso es más que velocidad; es intuición.
Beto
Sugiere una forma distinta de ver los datos.
Otro ejemplo llamativo es Robin, un agente centrado en el reposicionamiento de fármacos. Robin hipotetizó independientemente que un fármaco ya existente para glaucoma, Ripasudil, podría usarse para la degeneración macular seca relacionada con la edad (dAMD). No había un vínculo previo claro. El agente ideó la hipótesis y diseñó los experimentos para probarla y entender por qué podría funcionar.
Alicia
El reposicionamiento de drogas es enorme: ahorra mucho tiempo y dinero.
¿Están encontrando también ciencia fundamental nueva? Mencionaste Sparks.
Beto
Sí: Sparks trabaja en ciencia de proteínas. No solo hizo predicciones; descubrió nuevos principios de diseño. Encontró dos fenómenos previamente desconocidos, incluido un modo específico en que la fuerza de desdoblamiento de péptidos cambia con la longitud. Está descubriendo nuevas reglas sobre cómo se comportan las proteínas a nivel fundamental.
Química y Ciencia de Materiales
Alicia
Pasando a química y ciencia de materiales, esos espacios de búsqueda son increíblemente complejos. ¿Cómo se desempeñan los agentes al generar material real?
Beto
Están acelerando drásticamente la generación de materiales novedosos. Toma MOFGen: generó cientos de miles de posibles estructuras nuevas para frameworks metal-orgánicos (MOFs). Y no se quedó ahí: eso condujo directamente a que químicos sintetizaran con éxito cinco MOFs totalmente nuevos en el laboratorio. Los llamaron materiales "AI-dreamt", del concepto a la materia tangible.
Alicia
Hay ejemplos que reclaman autonomía completa en química experimental.
Beto
Coscientist demostró investigación autónoma: planificó, diseñó y ejecutó experimentos químicos complejos, optimizando condiciones para una reacción importante — acoplamiento cruzado catalizado por paladio — básicamente haciendo química con robots sin intervención humana tras fijarse el objetivo inicial.
Alicia
Eso demuestra autocontrol experimental y optimización en el mundo físico. También se ha trabajado en coordinación entre laboratorios.
Beto
Un proyecto fascinante usó un planificador de IA basado en la nube para orquestar un proceso de descubrimiento en ciclo cerrado conectando cinco laboratorios geográficamente dispersos. Este esfuerzo descentralizado coordinado condujo al hallazgo de 21 nuevos materiales orgánicos de estado sólido de primer nivel para láseres. La IA estaba esencialmente gestionando un equipo de investigación distribuido.
Alicia
Todo suena increíblemente poderoso, pero seguro conlleva nuevos riesgos y desafíos, ¿no? Cuando la IA asume todo el proceso.
Riesgos y Desafíos
Beto
Sí. los desafíos son significativos y difieren de los riesgos de las IA anteriores.
Un gran problema es la reproducibilidad agentiva. La ciencia depende de reproducir resultados. Pero estos agentes a menudo siguen caminos estocásticos.
Alicia
¿Qué significa eso en la práctica? Si ejecuto el mismo agente con el mismo objetivo la próxima semana, ¿obtendré un descubrimiento completamente distinto o ninguno?
Beto
Posiblemente sí. Porque el agente aprende, se adapta y toma decisiones probabilísticas. Cambios mínimos en las condiciones iniciales, incluso reformular un poco el prompt, pueden llevarlo por una cadena de razonamiento muy diferente. Además, si el agente se actualiza constantemente, puede sufrir olvido catastrófico y perder la capacidad de reproducir algo que hizo antes. Hacer reproducible la propia vía de descubrimiento es realmente difícil hoy. Ese es un problema para validación científica.
Alicia
Eso se conecta con otro gran tema: la validación de la novedad. ¿Cómo sabemos que es realmente nuevo?
Beto
Esto es un problema profundo, casi filosófico. ¿La IA hizo un salto conceptual genuino? ¿Encontró algo verdaderamente inesperado? ¿O simplemente interpoló entre puntos de datos con sofisticación? ¿O generó una salida verosímil pero ficticia (alucinación)? Estos modelos pueden ser cajas negras; no siempre vemos los pasos exactos del razonamiento. Es difícil estar seguro de si es creatividad auténtica o un emparejamiento avanzado de patrones. La confianza es un gran problema aquí.
Alicia
Y con esta capacidad vienen preocupaciones de seguridad.
Beto
Definitivamente. Hay riesgo de doble uso: ¿podrían los agentes ser encargados, o incluso tropezar por sí solos, con formas de crear materiales peligrosos, toxinas o patógenos? Y si un agente autónomo causa daño o hace un descubrimiento peligroso, ¿quién es responsable? ¿El agente, el programador, el usuario que fijó el objetivo? Son preguntas espinosas que necesitamos responder.
La Visión del Futuro
Alicia
Tejiendo poder, descubrimientos y retos serios: ¿hacia dónde va la ciencia basada en agentes? ¿Cuál es la visión última?
Beto
El objetivo a corto plazo es la síntesis interdisciplinaria a escala. Imagina agentes entrenados en física, biología, química e ingeniería que encuentren conexiones ocultas y analogías entre campos que especialistas humanos encajonados en sus silos podrían pasar por alto — por ejemplo, aplicar un concepto de dinámica de fluidos para modelar algo en neurociencia. Ese tipo de polinización cruzada a gran escala.
Alicia
Y usar ese poder globalmente.
Beto
Ese es el sueño. La visión es una red descentralizada de agentes especializados colaborando en todo el mundo, compartiendo datos, revisando por pares los hallazgos, ejecutando experimentos en laboratorios automáticos por todo el planeta. Un sistema así podría abordar desafíos colosales — cambio climático, nuevas pandemias — con una velocidad y complejidad que los humanos solos no podrían gestionar.
Alicia
¿Y el examen final? La prueba definitiva de que la ciencia agentiva realmente ha llegado.
Beto
Un referente provocador que se menciona es la “prueba Nobel-Turing”.
¿Podría una IA autónoma, o quizá un equipo humano–IA usando este marco agentivo, hacer un descubrimiento que merezca un Nobel? No basta con eficiencia; tiene que ser invención real, un cambio de paradigma generado de forma autónoma.
Alicia
Eso subraya cómo el papel humano se altera radicalmente: ya no somos técnicos de laboratorio ni necesariamente los generadores primarios de hipótesis. Somos los directores, los estrategas que proporcionan la brújula ética.
Beto
Una buena forma de decirlo: el científico humano se convierte en el arquitecto de la indagación, el validador de lo profundo, el guardián del camino responsable.
Alicia
Y eso nos deja con una reflexión final fascinante. Si un agente de IA pasara esa prueba Nobel-Turing y hiciera un descubrimiento Nobel de forma esencialmente independiente, ¿quién recibe el premio? ¿La persona que codificó el algoritmo, la que verificó el resultado, o el propio agente?
Beto
Es una pregunta que nos obliga a replantear qué significan descubrimiento, creatividad e incluso la autoría científica en esta nueva era.
Alicia
Eso es todo el tiempo que tenemos para esta inmersión profunda. Gracias por acompañarnos en este paisaje complejo.
Beto
Un placer. Es un campo fascinante y que avanza muy rápido.
Entradas
