Google DeepMind presenta un co-científico de IA que diseña experimentos y opera equipos de laboratorio

Google DeepMind expandió su sistema multi-agente Co-Scientist de un generador de hipótesis a un asistente de laboratorio integrado. Según The Decoder, la herramienta ya entregó resultados experimentales validados en tres disciplinas distintas, operando equipos reales y escribiendo manuscritos científicos completos.

Cómo funciona el ciclo cerrado

Construido sobre modelos Gemini actuales, Co-Scientist implementa un flujo de investigación de ciclo cerrado: deriva hipótesis de una pregunta de investigación, crea planes experimentales, programa protocolos legibles por máquinas, analiza resultados y genera manuscritos científicos. La novedad técnica está en los módulos de verificación que cruzan cada afirmación numérica del texto contra los logs de ejecución del código generado, reduciendo drásticamente los resultados inventados.

Google presentó la primera versión en febrero de 2025, basada en Gemini 2.0 y con problemas en fact-checking y revisión de literatura. El sistema expandido se validó en tres disciplinas con niveles crecientes de autonomía: síntesis de materiales con ejecución humana, pipeline predictivo en biología con feedback de expertos, y desarrollo completamente autónomo en ciencias de la computación.

Tres experimentos, tres niveles de autonomía

En ciencia de materiales, los investigadores conectaron Co-Scientist a un horno de alta temperatura semi-automatizado. El sistema encontró una ruta más segura para un material 2D buscado (anteriormente producido mediante grabado peligroso) y generó recetas de crecimiento completas adaptadas al equipamiento del lab. Después de 25 rondas con refinamiento humano, el equipo produjo estructuras en capas cuyas propiedades se asemejan al material objetivo, aunque la confirmación definitiva de la estructura atómica sigue pendiente. En un segundo experimento, tres películas delgadas semiconductoras se sintetizaron al primer intento. Co-Scientist usó Gemini 3 Deep Think para control directo del equipo, reduciendo el desarrollo de recetas de días a minutos.

En biología, Co-Scientist construyó autónomamente un pipeline de análisis de imágenes que predice qué patrones forman colonias de E. coli genéticamente modificadas a diferentes concentraciones químicas. Las predicciones generadas con Gemini 3 Pro Image coincidieron con resultados de laboratorio no publicados para tres de cuatro características de forma. Los investigadores reconocen que el sistema solo razona entre condiciones conocidas y no puede predecir comportamiento en sistemas enteramente nuevos.

El experimento de ciencias de la computación corrió sin intervención humana más allá del setup inicial. Co-Scientist diseñó "Agent_H", una arquitectura de IA médica que clasifica consultas entrantes, genera docenas de respuestas candidatas en paralelo y las refina. Después de corregir respuestas excesivamente largas, Agent_H superó a seis modelos frontier en benchmarks de salud, incluyendo GPT-5 y Claude Opus 5. Pero los resultados no resistieron la evaluación humana: tres médicos certificados encontraron ventaja estadísticamente significativa en solo una de nueve categorías (menor riesgo de respuestas potencialmente dañinas). Los evaluadores automatizados correlacionaron débilmente con los juicios de los médicos, cuestionando qué miden realmente esos benchmarks.

Del 90% al 4% de alucinaciones

Un problema central de los sistemas de investigación autónomos basados en LLMs es la fabricación de datos. Cuando un agente de IA es recompensado por buenos resultados, tiene incentivo para inventar. Análisis previos documentaron tasas de fabricación del 80% al 100% en sistemas existentes.

Co-Scientist ataca esto de dos formas: penaliza contenido fabricado o plagiado, y un módulo de verificación separado cruza cada afirmación numérica contra los resultados reales del código ejecutado. En un estudio doble ciego con 30 expertos de dominio y 450 revisiones independientes, se evaluaron 150 papers generados autónomamente. Con módulos de confiabilidad activos, Co-Scientist fabricó resultados clave en 4% de los casos. Sin ellos, la tasa llegó al 46%. El sistema de comparación alcanzó 90%. Datos completamente fabricados nunca aparecieron en el output de Co-Scientist pero estuvieron en 44% de los papers del sistema de comparación. El contenido casi-plagiado bajó de 60% a 16%.

Una arquitectura de seguridad integrada rechazó 98.7% de direcciones de investigación potencialmente dañinas. A pesar de las mejoras, los investigadores observaron errores residuales. El sistema tiende al reporte selectivo y, según el autor principal Samuel Schmidgall, escribe "métodos altamente plausibles en el paper que no coincidieron con su código real".

Por qué importa

Co-Scientist representa un salto cualitativo: pasar de asistir con búsquedas y análisis a ejecutar el ciclo completo de investigación. La reducción de alucinaciones del 90% al 4% no es incremental, es la diferencia entre un prototipo académico y una herramienta potencialmente útil. Pero los resultados mixtos — síntesis de materiales pendiente de confirmación, benchmarks médicos que no correlacionan con juicio clínico — muestran que "autónomo" no significa "confiable por defecto".

Para empresas que desarrollan productos basados en IA, la lección es doble. Primero, la verificación cruzada automática (claims vs. código ejecutado) es arquitectura, no feature. Segundo, los benchmarks automatizados siguen siendo proxies débiles de valor real. Si un sistema de IA médica supera a GPT-5 en benchmarks pero solo muestra ventaja clínica en una de nueve dimensiones evaluadas por médicos, el problema no es el sistema — es confiar en métricas que no miden lo que importa.

La pregunta no es si la IA puede planificar experimentos. Ya lo hace. La pregunta es cuánta supervisión humana necesita cada tipo de tarea antes de que el costo de verificar supere el beneficio de automatizar.