La próxima frontera de la IA busca que las máquinas experimenten y aceleren descubrimientos científicos

La inteligencia artificial que millones de personas utilizan todos los días aprendió a responder preguntas, escribir código, analizar documentos y generar imágenes en pocos segundos. El próximo salto que empieza a explorar la industria apunta a darle una capacidad diferente. La máquina recibe un problema, propone una posible solución, realiza una prueba, observa qué ocurrió y utiliza ese resultado para decidir qué debería intentar a continuación.

Esta idea está en el centro de Discovery Loop, una compañía presentada el 5 de agosto que busca automatizar los ciclos de experimentación utilizados en ciencia e ingeniería. Sus sistemas pretenden combinar modelos avanzados de IA con grandes infraestructuras de cómputo para proponer, ejecutar y evaluar miles de experimentos en paralelo, reduciendo el tiempo necesario para recorrer sucesivas etapas de prueba y aprendizaje.

La propuesta marca una evolución relevante respecto de los asistentes que dominaron la primera etapa de la IA generativa. Sistemas como ChatGPT, Gemini o Claude pueden desarrollar una respuesta compleja y utilizar distintas herramientas para completar tareas. Discovery Loop lleva esa lógica hacia un proceso iterativo en el que cada resultado pasa a convertirse en información para diseñar el siguiente experimento.

La escala es una parte fundamental de la apuesta. Un investigador o un equipo puede explorar una cantidad limitada de alternativas antes de decidir cuál merece mayor atención. Una infraestructura automatizada podría recorrer miles de variantes simultáneamente, descartar caminos poco prometedores y concentrar recursos en aquellos que producen mejores resultados. La IA pasaría a funcionar como un multiplicador de la capacidad experimental de los investigadores.

El primer campo donde Discovery Loop quiere poner a prueba este modelo es la propia inteligencia artificial, un entorno especialmente adecuado porque gran parte del proceso experimental puede realizarse dentro de computadoras. Es posible modificar un algoritmo, entrenar un modelo, medir su rendimiento y utilizar esos datos para diseñar inmediatamente una nueva prueba.

La compañía plantea automatizar estos ciclos para mejorar su propia tecnología antes de avanzar hacia otros campos científicos. Su hipótesis es que una gran cantidad de experimentos ejecutados en paralelo puede acelerar la búsqueda de nuevas técnicas de machine learning, arquitecturas y métodos de entrenamiento. La empresa asegura que pretende aplicar posteriormente esas capacidades a desafíos relacionados con mejores medicamentos, informática médica, energía solar, acceso al agua, ciberseguridad y nuevas herramientas para la investigación científica.

Ese mecanismo introduce una característica particularmente interesante. La generación actual de inteligencia artificial puede convertirse en una herramienta para acelerar el desarrollo de las generaciones siguientes. Los investigadores seguirían definiendo objetivos y evaluando las decisiones relevantes, mientras una parte del recorrido experimental podría ejecutarse de manera automatizada a una escala difícil de alcanzar manualmente.

El desafío será comprobar que una mayor cantidad de experimentos produce también mejores ideas. Oriol Vinyals, uno de los fundadores de Discovery Loop, reconoció que la capacidad de los modelos actuales para generar ideas realmente nuevas sigue siendo uno de los aspectos que necesitan mejorar. Esa limitación resulta central porque probar miles de variantes tiene poco valor si todas recorren caminos demasiado parecidos.

La automatización resulta más sencilla cuando el experimento tiene resultados que pueden medirse digitalmente. Un algoritmo puede ejecutar una tarea más rápido, un modelo puede alcanzar mayor precisión y una arquitectura puede necesitar menos recursos. El sistema obtiene una métrica, compara alternativas y utiliza esa información para continuar explorando.

El escenario cambia al ingresar en disciplinas como la química, la biología o la medicina. Una inteligencia artificial puede analizar enormes cantidades de combinaciones y detectar una molécula prometedora, aunque ese resultado representa solamente una etapa dentro de un proceso mucho más extenso. Después será necesario producirla, estudiar su comportamiento en condiciones reales, analizar posibles efectos adversos y completar las diferentes fases necesarias antes de cualquier aplicación médica.

Por esa razón, el avance de estos sistemas probablemente resulte más rápido en áreas donde una proporción importante del trabajo pueda realizarse mediante software, simulaciones y experimentos computacionales. Su expansión hacia otras ciencias dependerá también del desarrollo de laboratorios automatizados capaces de ejecutar físicamente las pruebas propuestas por los modelos y devolver los resultados al sistema.

Discovery Loop tiene todavía que demostrar hasta dónde puede llegar ese ciclo y cuánto conocimiento útil consigue producir. La propia compañía presenta actualmente el proyecto como una misión y una arquitectura de trabajo, mientras construye los sistemas que deberían convertir esa visión en resultados concretos.

La utilización de inteligencia artificial para acelerar descubrimientos científicos ya cuenta con antecedentes capaces de mostrar su potencial. El más conocido probablemente sea AlphaFold, desarrollado por Google DeepMind para predecir la estructura tridimensional de las proteínas a partir de sus secuencias.

El avance permitió abordar a una escala inédita un problema que había ocupado a investigadores durante décadas. AlphaFold2 llegó a predecir las estructuras de prácticamente los 200 millones de proteínas identificadas por los científicos y sus resultados fueron utilizados por investigadores de numerosos países. El trabajo de Demis Hassabis y John Jumper recibió en 2024 la mitad del Premio Nobel de Química por sus aportes a la predicción de estructuras de proteínas, mientras la otra mitad fue otorgada a David Baker por diseño computacional de proteínas.

Discovery Loop intenta extender esa lógica hacia una etapa diferente de la investigación. AlphaFold mostró la capacidad de una IA altamente especializada para resolver un problema científico definido. Los nuevos sistemas experimentales buscan intervenir también en la exploración, utilizando los resultados obtenidos para determinar qué pruebas vale la pena realizar posteriormente.

Si ese modelo consigue reducir meses de exploración a días o permitir que pequeños equipos evalúen una cantidad de posibilidades hasta ahora inaccesible, el impacto podría alcanzar campos muy distintos. El valor estaría en acelerar la velocidad con la que una hipótesis puede transformarse en evidencia y esa evidencia alimentar una nueva hipótesis.

El proyecto adquirió además relevancia por las personas que decidieron impulsarlo. Jeff Dean, Sanjay Ghemawat, Oriol Vinyals y Quoc Le acumulan décadas de experiencia en Google y participaron en tecnologías que abarcan desde la infraestructura utilizada por el buscador hasta TensorFlow, AlphaStar, AlphaFold y Gemini, según la presentación de la propia compañía.

Crédito: Discovery Loop.

Dean deja Google después de 27 años y junto con Ghemawat estuvo involucrado en algunas de las principales transformaciones de infraestructura y aprendizaje automático de la compañía. Sundar Pichai confirmó públicamente la creación de la nueva organización y anunció que Google continuará vinculado al proyecto como inversor fundador, socio de Google Cloud y colaborador en investigaciones relacionadas con sistemas de machine learning e infraestructura.

La salida de investigadores de ese nivel agrega atención al proyecto, aunque la historia tecnológica de Discovery Loop resulta más relevante que el movimiento corporativo. Personas que participaron en la construcción de algunos de los sistemas fundamentales de Google están apostando ahora a una idea específica sobre el futuro de la IA. Creen que su capacidad para experimentar puede convertirse en una de las próximas grandes fuentes de progreso.

Durante los últimos años, la evolución de la inteligencia artificial se midió principalmente por la calidad de las respuestas que podía generar. Modelos más recientes escribieron mejor, razonaron durante más tiempo, utilizaron herramientas y comenzaron a ejecutar tareas con mayor autonomía. La experimentación automatizada agrega otra dimensión porque permite que la máquina incorpore resultados producidos durante su propio proceso de búsqueda.

Discovery Loop recién comienza y la magnitud de su promesa obliga a mantener cautela sobre sus resultados. Al mismo tiempo, el proyecto muestra con claridad una dirección que empieza a ganar importancia dentro de la industria. La próxima generación de inteligencia artificial puede convertirse en una herramienta capaz de recorrer miles de caminos experimentales junto a los científicos y acelerar la búsqueda de conocimientos que todavía están por descubrir.