La inteligencia artificial ya puede buscar literatura científica, analizar datos, escribir código y proponer hipótesis. Pero investigar no consiste únicamente en producir respuestas: también implica decidir qué vale la pena explorar, cambiar de rumbo cuando aparece nueva evidencia y comprobar si una idea tiene sentido en el mundo real.
Ese fue el tema central de un evento celebrado el 27 de agosto por el Allen Institute for AI, conocido como Ai2, para marcar la expansión de su trabajo con el Paul G. Allen Research Center del Providence Swedish Cancer Institute. La colaboración en investigación oncológica sirvió como punto de partida para discutir una pregunta más amplia: ¿qué le falta todavía a la IA científica?
El reto no es solo generar hipótesis
Los sistemas actuales pueden encontrar patrones estadísticos y sugerir relaciones que un investigador quizá no había considerado. Sin embargo, una relación llamativa no siempre representa un descubrimiento importante. Puede ser trivial, poco plausible, ya conocida o imposible de aplicar en un contexto clínico.
Bodhisattwa Prasad Majumder, investigador sénior de Ai2, describió esta capacidad humana como criterio científico. Es una mezcla de experiencia, intuición y comprensión del problema que permite distinguir una pista prometedora de un resultado que no merece más tiempo.
La meta no tiene por qué ser trasladar ese criterio completo a una máquina. Un objetivo más realista es construir sistemas que permitan a los científicos incorporar sus prioridades, experiencia y cambios de opinión durante la investigación.
El proyecto AutoDiscovery mostró por qué esa colaboración es necesaria. El sistema podía encontrar hipótesis estadísticamente sorprendentes, pero algunas no tenían sentido biológico o clínico cuando se analizaban con conocimiento experto. La IA aportaba señales; los investigadores ayudaban a interpretarlas.
La IA puede ampliar el espacio de posibilidades, pero todavía necesita que los expertos decidan cuáles merecen una investigación rigurosa.
Cinco desafíos para la IA científica
1. Mantener el control humano
Una investigación rara vez sigue el plan inicial. Un experimento puede producir un resultado inesperado, un nuevo artículo puede cambiar lo que se sabe o un investigador puede decidir incorporar otro conjunto de datos y utilizar una herramienta diferente.
El problema es que muchos agentes de IA todavía son difíciles de dirigir durante proyectos largos. Si el científico cambia las instrucciones, el contexto o las herramientas disponibles, el sistema puede perder continuidad o exigir que todo el proceso comience de nuevo.
La solución requiere agentes con memoria de trabajo, contexto actualizable y capacidad para adaptar su comportamiento sin tener que volver a entrenar el modelo base cada vez. En otras palabras, no basta con que la IA siga un encargo inicial: debe acompañar una investigación que está cambiando.
2. Decidir qué tareas delegar
Hoifung Poon, director de IA de Recursion, distinguió entre dos tipos de ayuda. La primera produce ganancias de productividad: buscar registros, ordenar información, resumir artículos o estructurar datos. Son tareas relativamente fáciles de describir y verificar.
La segunda busca ganancias de creatividad. Aquí la IA podría proponer un mecanismo biológico desconocido para el equipo o sugerir un experimento inesperado. El potencial es enorme, pero comprobar la calidad de esas ideas suele requerir análisis adicional, experimentos y replicación.
Abraham Flaxman compartió un caso revelador desde su trabajo como editor del Journal of Privacy and Confidentiality. Un investigador utilizó una herramienta de IA para probar algoritmos incluidos en sus propios artículos publicados. El sistema detectó un posible error y, después de revisarlo, el investigador concluyó que la crítica era correcta y solicitó retirar el artículo.
La lección no es que debamos aceptar automáticamente lo que dice una IA. Su valor estuvo en señalar algo que merecía ser examinado.
En ciencia no se trata solo de buscar una respuesta. Hay que descubrir, cuestionar y verificar.
3. Evitar que la IA amplifique la mala ciencia
Analizar más datos a mayor velocidad no corrige un estudio mal diseñado ni convierte datos deficientes en evidencia confiable. Stephen Salerno describió la IA como un amplificador, no como un igualador.
Cuando el diseño experimental es sólido, la IA puede aumentar su alcance. Pero si existen supuestos débiles, sesgos de selección o errores metodológicos, también puede hacer que esos problemas se reproduzcan a una escala mucho mayor.
Por eso siguen siendo esenciales preguntas básicas:
- ¿De dónde provienen los datos?
- ¿Por qué se recopilaron?
- ¿Quién quedó incluido o excluido?
- ¿La relación observada implica causalidad o solo correlación?
- ¿El resultado tiene sentido desde el punto de vista científico?
La automatización no elimina la necesidad de pensar como investigador. De hecho, mientras más hipótesis y conjuntos de datos pueda procesar una IA, más importantes se vuelven los controles de calidad.
4. Conectar la IA con los experimentos
Uno de los escenarios más ambiciosos es dejar atrás la idea de una IA que trabaja de forma aislada frente a una pantalla. El siguiente paso sería conectar sus análisis con el laboratorio para que los resultados de un experimento ayuden a decidir el siguiente.
Kyle Travaglini explicó que algunos proyectos de neurociencia estudian cientos de tipos de células y miles de genes que cambian con el tiempo. Para una persona es difícil seguir todas las relaciones relevantes a través de la literatura científica. Los agentes podrían sintetizar esa evidencia y priorizar hipótesis para la siguiente fase.
A largo plazo, esos sistemas podrían interactuar con instrumentos de laboratorio. El ciclo sería más estrecho: la IA analiza los resultados, propone una prueba, el laboratorio ejecuta el experimento y la nueva evidencia actualiza la investigación.
Esto no significa entregar el laboratorio a una máquina. Significa reducir el tiempo entre una observación, una hipótesis y una prueba verificable.
5. Construir modelos computacionales más completos
Poon también planteó el desarrollo de modelos biológicos más ricos. Una posibilidad es crear una virtual tissue, o tejido virtual, que conecte modelos de células individuales con simulaciones más amplias del organismo.
Ese enfoque podría convertirse en un puente hacia el concepto de un paciente virtual, capaz de ayudar a predecir la progresión de una enfermedad o la respuesta de una persona a un tratamiento. Todavía es una meta compleja, porque la biología depende de múltiples escalas, interacciones y condiciones cambiantes.
Aun así, la dirección es clara: la IA científica no debería limitarse a resumir lo que ya se conoce. También tendría que integrar evidencia nueva, representar sistemas biológicos con mayor contexto y ayudar a elegir el próximo experimento.
La IA científica necesita adaptarse, no solo ser más grande
El futuro de la investigación asistida por IA no depende únicamente de modelos con más parámetros o mejores resultados en benchmarks. También exige sistemas que puedan actualizar su conocimiento, aceptar instrucciones nuevas, conservar el contexto de un proyecto y mostrar por qué proponen una hipótesis.
Para los científicos, la capacidad de dirigir y verificar será tan importante como la capacidad de generar. Una herramienta útil no decide por cuenta propia qué pregunta merece una respuesta. Ayuda a explorar más posibilidades sin perder el criterio humano que convierte un resultado interesante en ciencia confiable.
La promesa no es reemplazar al investigador, sino acortar el camino entre una buena pregunta, una evidencia relevante y un experimento que realmente permita aprender algo nuevo.