Google DeepMind amplió Co-Scientist, su sistema multiagente de investigación, desde un generador de hipótesis hacia un socio de laboratorio que planifica experimentos, escribe código y controla instrumentos. Según la compañía, el sistema ya entregó resultados validados experimentalmente en tres disciplinas distintas.
Lo técnicamente nuevo es el flujo de trabajo cerrado: el sistema deriva hipótesis a partir de una pregunta de investigación, crea planes experimentales, programa protocolos de laboratorio legibles por máquina, analiza los resultados y genera manuscritos científicos. Módulos de verificación cruzan cada afirmación numérica del texto contra los registros de ejecución del código generado, para reducir los resultados fabricados.
Google presentó Co-Scientist por primera vez en febrero de 2025, entonces basado en Gemini 2.0 y con deficiencias en verificación de datos y revisión bibliográfica. Dieciocho meses después, la versión ampliada corre sobre los modelos Gemini actuales y se validó en tres aplicaciones con grados crecientes de autonomía: síntesis de materiales guiada por humanos, biología colaborativa y desarrollo completamente autónomo de una arquitectura de IA médica.
¿Qué hace exactamente Co-Scientist en el laboratorio?
Para la síntesis de materiales, los investigadores conectaron Co-Scientist a un horno de alta temperatura semiautomatizado. El sistema encontró una ruta más segura para obtener un material 2D buscado, que hasta ahora se producía principalmente mediante grabado químico peligroso, y generó recetas de crecimiento completas adaptadas al equipamiento específico de ese laboratorio. Tras 25 rondas con refinamiento humano, el equipo produjo estructuras en capas cuyas propiedades se parecen a las del material objetivo, aunque la confirmación definitiva de la estructura atómica sigue pendiente.
En un segundo experimento se sintetizaron tres películas delgadas semiconductoras al primer intento. Co-Scientist usó Gemini 3 Deep Thinking para el control directo del equipo, y redujo el desarrollo de recetas de días a minutos. Los humanos todavía tuvieron que cargar manualmente las muestras y los precursores, y el modo rápido produjo cristales más pequeños y menos uniformes que las recetas cuidadosamente optimizadas.
Si esas recetas se transfieren a otros laboratorios sigue siendo una pregunta abierta, según escribe el autor principal, Samuel Schmidgall.
En biología, Co-Scientist construyó de forma autónoma una tubería de análisis de imágenes que predice qué patrones forman las colonias de E. coli modificadas genéticamente a distintas concentraciones químicas. Las predicciones generadas con Gemini 3 Pro Image coincidieron con resultados de laboratorio no publicados en tres de cuatro características de forma. Los propios investigadores reconocen que el sistema solo razona entre condiciones conocidas y no puede predecir el comportamiento de sistemas enteramente nuevos.
Un experimento sin humanos y un resultado incómodo
El experimento de ciencias de la computación corrió sin ninguna intervención humana más allá de la configuración inicial. Co-Scientist diseñó "Agent_H", una arquitectura de IA médica que clasifica las consultas entrantes, genera decenas de respuestas candidatas en paralelo y las refina. Tras corregir por respuestas excesivamente largas, Agent_H superó a seis modelos de frontera en pruebas de salud, incluidos GPT-5 y Claude Opus 5.
Pero los resultados de esas pruebas no resistieron la evaluación humana. Tres médicos con certificación de junta puntuaron las respuestas en nueve categorías, y Agent_H mostró una ventaja estadísticamente significativa sobre la línea base Gemini 3.1 Pro en solo una: menor riesgo de respuestas potencialmente dañinas.
Los evaluadores automáticos, además, correlacionaron solo débilmente con el juicio de los médicos. Puntajes altos en las pruebas no significan que un sistema entregue mejores respuestas desde el punto de vista clínico, señalan los investigadores, lo que abre la pregunta de qué están midiendo realmente esos indicadores.
¿Cuánto se inventa el sistema?
El problema central de los sistemas autónomos de investigación basados en modelos de lenguaje es la fabricación de resultados. Cuando un agente es recompensado por buenos resultados, tiene un incentivo para inventarlos. Análisis previos documentaron tasas de fabricación de entre 80% y 100% en los sistemas existentes.
Co-Scientist ataca eso por dos vías: penaliza el contenido fabricado o plagiado, y usa un módulo de verificación separado que contrasta cada afirmación numérica contra los resultados reales del código ejecutado.
En un estudio doble ciego con 30 expertos de dominio y 450 revisiones independientes, los investigadores evaluaron 150 papers generados de forma autónoma. Estos son los números, ordenados para comparar:
| Métrica | Co-Scientist con módulos | Co-Scientist sin módulos | Sistema de comparación |
|---|---|---|---|
| Resultados clave fabricados | 4% | 46% | 90% |
| Datos completamente inventados | 0% | (no reportado) | 44% |
| Contenido casi plagiado | 16% | 60% | (no reportado) |
Una arquitectura de seguridad integrada rechazó además el 98,7% de las direcciones de investigación potencialmente peligrosas.
Pese a las mejoras, los investigadores siguen observando errores residuales. El sistema tiende al reporte selectivo y, según Schmidgall, escribe "métodos altamente plausibles en el paper que no coincidían con su código real".
¿Qué tan lejos está el investigador autónomo?
Los autores ven los resultados como un avance hacia sistemas multiagente de ciclo cerrado que mejoran con retroalimentación experimental.
"Hay un largo camino por delante antes de que los sistemas de IA puedan navegar las realidades físicas de la ciencia. Pero estamos profundamente entusiasmados con el potencial de los modelos de lenguaje para ayudar a las personas y acelerar el progreso en el mundo real", escribe Schmidgall.
Conviene leer el cuello de botella con precisión: el material más caro de esta receta no es el modelo, sino el instrumento. El horno de alta temperatura semiautomatizado y la carga manual de precursores siguen siendo el paso lento, algo relevante para los laboratorios universitarios de la región, donde el acceso a un modelo de frontera hoy es más barato que la automatización del equipamiento que ese modelo necesita operar.
La investigación automatizada es una de las aplicaciones más publicitadas del momento. OpenAI planea presentar este otoño boreal un sistema de agentes capaz de investigar al menos al nivel de un practicante. Sigue abierto el debate sobre si los sistemas actuales basados en modelos de lenguaje descubren conocimiento genuinamente nuevo o solo hacen explícito lo que ya estaba enterrado en sus datos de entrenamiento.
