Google presenta AI co-scientist para acelerar la investigación científica
La tecnología de la inteligencia artificial sigue rompiendo barreras, y la última novedad que acapara la atención en el ámbito científico es el AI co-scientist de Google. Esta herramienta, construida sobre el modelo avanzado Gemini 2.0, ha sido diseñada con el objetivo de acelerar significativamente el proceso de descubrimiento científico y biomédico. Google lo concibe como un colaborador virtual para los científicos. Estamos compartiendo también el link a un podcast sobre el mismo tema.
El Desafío de la Investigación Moderna
En el mundo actual, los investigadores se enfrentan a un crecimiento rapidísimo en la tasa de publicaciones científicas y al desafío de integrar ideas de múltiples dominios. Superar esto es crítico, como demuestran los avances que surgen de esfuerzos transdisciplinarios, similar al trabajo en CRISPR que combinó microbiología, genética y biología molecular. Este desafío se conoce como el "dilema de amplitud y profundidad". El AI co-scientist busca ser un aliado para superar este problema. A diferencia de las herramientas estándar de revisión o resumen de literatura, el AI co-scientist tiene la intención de descubrir conocimiento nuevo y original y de formular hipótesis y propuestas de investigación demostrablemente novedosas, basándose en evidencia previa y adaptadas a objetivos específicos. La compañía aclara que esta IA no automatiza el proceso de investigación, sino que está diseñada para asistir a los profesionales.
Cómo Funciona el AI co-scientist
El sistema funciona como un sistema multi-agente AI, diseñado para reflejar el proceso de razonamiento del método científico. Dada una meta de investigación en lenguaje natural, el AI co-scientist genera hipótesis de investigación novedosas, una descripción detallada de la investigación y protocolos experimentales. Para lograrlo, utiliza una coalición de agentes especializados — Generation, Reflection, Ranking, Evolution, Proximity y Meta-review — que están inspirados en el método científico mismo. Estos agentes utilizan retroalimentación automatizada para generar, evaluar, y refinar hipótesis iterativamente, lo que resulta en un ciclo de auto-mejora. El sistema también se apoya en herramientas como la búsqueda web y modelos AI especializados para mejorar la calidad y el fundamento de las hipótesis generadas. El sistema se basa en múltiples agentes especializados dentro de Gemini 2.0. El proceso comienza con la definición de un plan de investigación, gestionado por un “supervisor”, quien asigna tareas a los agentes y establece los recursos necesarios. Esta capacidad de automejora recursiva es uno de los aspectos más innovadores de la herramienta. Los científicos pueden interactuar con el sistema proporcionando sus propias ideas o retroalimentación en lenguaje natural. El sistema aprovecha el escalamiento de cómputo en tiempo de prueba para razonar, evolucionar y mejorar las salidas de manera iterativa.
Resultados de las Pruebas y Evaluación de Expertos
Los resultados de las pruebas internas de Google sugieren que el sistema muestra una promesa temprana. Según un sistema de auto-evaluación llamado Elo, el AI co-scientist superó a otros modelos agentivos y de razonamiento para problemas complejos. El Elo es una auto-evaluación y no se basa en una verdad fundamental independiente. Se analizó la concordancia entre las auto-calificaciones de Elo y la precisión en el conjunto diamante de preguntas desafiantes del benchmark GPQA, encontrando una correlación positiva entre calificaciones Elo más altas y una mayor probabilidad de respuestas correctas. Evaluaciones con expertos en un subconjunto más pequeño de 11 objetivos de investigación indicaron que las salidas del AI co-scientist tenían mayor potencial de novedad e impacto y fueron preferidas sobre otros modelos. Se observó que el rendimiento de la IA co-científica mejora a medida que el sistema dedica más tiempo a la computación. Si bien el tamaño de la muestra de evaluación humana fue pequeño, las preferencias de los expertos también parecieron concordar con la métrica de auto-evaluación Elo previamente introducida.
Validación en el Laboratorio: Casos de Éxito
El valor práctico del sistema ha sido evaluado a través de experimentos de laboratorio en tres aplicaciones biomédicas clave: reposicionamiento de fármacos para la leucemia mieloide aguda (AML), descubrimiento de nuevos objetivos terapéuticos para la fibrosis hepática y explicación de mecanismos de resistencia antimicrobiana (AMR).
En el caso de AML, el sistema propuso candidatos para reposicionamiento que fueron validados experimentalmente, demostrando que inhiben la viabilidad tumoral a concentraciones clínicamente relevantes en múltiples líneas celulares de AML. Esto aborda el desafío de descubrir nuevas aplicaciones terapéuticas para fármacos existentes.
Para la fibrosis hepática, identificó objetivos con actividad significativa en organoides hepáticos humanos (cultivos de tejido multicelular 3D), resultados que serán detallados en un próximo informe liderado por colaboradores de la Universidad de Stanford. Los tratamientos sugeridos mostraron actividad prometedora con valores p inferiores a 0.01.
En el área de AMR, el sistema fue instruido para explorar un tema que ya había sido objeto de un descubrimiento novedoso por parte de un grupo de expertos, pero que no había sido revelado públicamente: cómo existen islas cromosómicas fago-inducibles formadoras de cápsides (cf-PICIs) en múltiples especies bacterianas. El sistema re-descubrió independientemente un mecanismo novedoso de transferencia de genes relacionado con la resistencia: propuso que los cf-PICIs interactúan con diversas colas de fagos para expandir su rango de hospedadores. Este descubrimiento in silico había sido validado experimentalmente antes del uso del sistema AI co-scientist, demostrando su valor como tecnología de asistencia. Este hallazgo se describe en manuscritos simultáneos con colaboradores del Fleming Initiative y el Imperial College London.
Según las pruebas internas de Google, la IA cocientífica ya ha generado hipótesis novedosas y comprobables en campos científicos y biomédicos, algunas validadas experimentalmente. La integración con AlphaFold también permite a los investigadores predecir estructuras de proteínas.
Limitaciones y Próximos Pasos
A pesar de su potencial, el sistema aún enfrenta limitaciones, como la necesidad de mejorar las revisiones de literatura, la verificación de hechos, la verificación cruzada con herramientas externas y las técnicas de auto-evaluación a mayor escala. También existen riesgos relacionados con la transparencia del algoritmo, el rendimiento inconsistente, la reproducibilidad y el potencial de sesgos en los datos, así como preguntas sobre la responsabilidad y la propiedad intelectual. Estos sistemas también presentan desafíos relacionados con la integridad de los datos y la posible dependencia excesiva de la automatización, lo que podría comprometer el pensamiento crítico.
Google está ofreciendo acceso temprano al sistema a través de un Programa de probadores de confianza (Trusted Tester Program) para permitir que organizaciones de investigación evalúen sus fortalezas y limitaciones de manera responsable. El AI co-scientist representa un avance prometedor hacia tecnologías asistidas por IA para ayudar a los científicos a acelerar el descubrimiento y abordar grandes desafíos en ciencia y medicina. Su capacidad para generar hipótesis novedosas y comprobables en diversos dominios científicos y biomédicos, y su capacidad para la auto-mejora recursiva con mayor cómputo, demuestran su potencial para acelerar los esfuerzos de los científicos. Este proyecto ilustra cómo los sistemas de IA colaborativos y centrados en el ser humano podrían aumentar el ingenio humano y acelerar el descubrimiento científico.
Fuentes
- "Accelerating scientific breakthroughs with an AI co-scientist":
https://research.google/blog/accelerating-scientific-breakthroughs-with-an-ai-co-scientist/ - "Google’s new AI co-scientist aims to speed up the scientific discovery process":
https://www.computerworld.com/article/3829135/googles-new-ai-co-scientist-aims-to-speed-up-the-scientific-discovery-process.html - "Google revoluciona la ciencia con su IA cocientífica: AI co-scientist ¿Qué es y cómo funciona?": https://www.ejecentral.com.mx/nuestro-eje/google-revoluciona-la-ciencia-con-su-ia-cocientifica-ai-co-scientist-que-es-y-como-funciona
Sobre este blog
Tenemos el objetivo de traerte novedades, tendencias y contenido interesante que tenga relación con nuestra plataforma de capacitación https://apprendia.com. Los cursos y consultorías que desde allí brindamos son de temáticas diversas, pero siempre con el hilo conductor de la IA. Es por eso que este mismo blog y el podcast lo hemos preparado con ayuda de herramientas como ChatGPT y NotebookLM.
Comentarios
Publicar un comentario