<\/p>\n\n\n\n
Por primera vez en la historia, una m\u00e1quina propuso una hip\u00f3tesis cient\u00edfica que investigadores humanos descubrieron de forma independiente \u2014 al mismo tiempo.<\/strong> No es una met\u00e1fora ni un ejercicio de laboratorio controlado. Es lo que ocurri\u00f3 cuando el AI Co-Scientist de Google, construido sobre Gemini 2.0, fue aplicado al problema de la resistencia antimicrobiana. El sistema lleg\u00f3 en d\u00edas a una conclusi\u00f3n que a los cient\u00edficos del Imperial College London les llev\u00f3 a\u00f1os de trabajo experimental.<\/p>\n\n\n\n Ese momento define algo nuevo: la IA no ya asiste a los cient\u00edficos. Est\u00e1 comenzando a hacer ciencia.<\/p>\n\n\n\n Son dos sistemas distintos pero complementarios lanzados por Google DeepMind en 2025. Ambos usan modelos Gemini como n\u00facleo cognitivo. Ambos operan con bucles aut\u00f3nomos de generaci\u00f3n, evaluaci\u00f3n y refinamiento. Y ambos est\u00e1n produciendo resultados que eran impensables hace dos a\u00f1os.<\/p>\n\n\n\n AI Co-Scientist<\/strong> es un sistema multi-agente dise\u00f1ado para ayudar a los cient\u00edficos a generar hip\u00f3tesis novedosas, planes de investigaci\u00f3n y protocolos experimentales. Los investigadores especifican un objetivo de investigaci\u00f3n en lenguaje natural \u2014por ejemplo, entender mejor c\u00f3mo se propaga un microorganismo causante de enfermedad\u2014 y el AI Co-Scientist propone hip\u00f3tesis comprobables, junto con un resumen de la literatura publicada relevante y un posible enfoque experimental.<\/p>\n\n\n\n AlphaEvolve<\/strong> es un agente de c\u00f3digo evolutivo dise\u00f1ado para descubrir y optimizar algoritmos. Combina las capacidades creativas de resoluci\u00f3n de problemas de los modelos Gemini con evaluadores automatizados que verifican las respuestas, y usa un marco evolutivo para mejorar las ideas m\u00e1s prometedoras. Su objetivo no es la hip\u00f3tesis cient\u00edfica sino el algoritmo \u00f3ptimo: el c\u00f3digo m\u00e1s eficiente posible para un problema dado.<\/p>\n\n\n\n Dado un objetivo de investigaci\u00f3n especificado en lenguaje natural, el AI Co-Scientist est\u00e1 dise\u00f1ado para generar hip\u00f3tesis de investigaci\u00f3n novedosas, una descripci\u00f3n detallada de la investigaci\u00f3n y protocolos experimentales. Para hacerlo, utiliza una coalici\u00f3n de agentes especializados \u2014 Generation, Reflection, Ranking, Evolution, Proximity y Meta-review \u2014 inspirados en el m\u00e9todo cient\u00edfico mismo. Estos agentes usan retroalimentaci\u00f3n automatizada para generar, evaluar y refinar hip\u00f3tesis de forma iterativa, resultando en un ciclo autoajustable de outputs de calidad e innovaci\u00f3n crecientes.<\/p>\n\n\n\n En detalle, cada agente tiene un rol distinto:<\/p>\n\n\n\n El sistema usa un enfoque llamado test-time compute para generar hip\u00f3tesis, una t\u00e9cnica que permite aumentar la calidad del output de un modelo de IA aumentando el tiempo e infraestructura que invierte en generar respuestas. A m\u00e1s compute invertido en tiempo de inferencia, mejor calidad de las hip\u00f3tesis generadas.<\/p>\n\n\n\n El proceso completo es un ciclo \u00abgenerate, debate, and evolve\u00bb que replica formalmente la estructura del m\u00e9todo cient\u00edfico, pero ejecutado por una coalici\u00f3n de agentes especializados operando en paralelo y de forma as\u00edncrona.<\/p>\n\n\n\n AlphaEvolve opera sobre un principio diferente: evoluci\u00f3n darwiniana aplicada al c\u00f3digo.<\/p>\n\n\n\n El usuario define una especificaci\u00f3n del problema, la l\u00f3gica de evaluaci\u00f3n (para medir qu\u00e9 tan bien funciona una soluci\u00f3n propuesta) y un programa de inicializaci\u00f3n semilla. La semilla es un fragmento de c\u00f3digo compilable que ya resuelve el problema, aunque de forma sub\u00f3ptima. Los modelos Gemini procesan el contexto y generan versiones mutadas y optimizadas del c\u00f3digo que se agregan al \u00abespacio de poblaci\u00f3n\u00bb. Los algoritmos de evoluci\u00f3n seleccionan cu\u00e1les de las mutaciones combinar y mutar a\u00fan m\u00e1s, prioriz\u00e1ndolas como punto de partida para la pr\u00f3xima generaci\u00f3n. Los resultados de la evaluaci\u00f3n son usados por el ensemble de LLMs para generar el siguiente conjunto de soluciones mejoradas.<\/p>\n\n\n\n AlphaEvolve emplea un ensemble de modelos de lenguaje: una combinaci\u00f3n de Gemini 2.0 Flash y Gemini 2.0 Pro. Este enfoque permite balancear el throughput computacional con la calidad de las soluciones generadas. Gemini 2.0 Flash, con su menor latencia, permite una mayor tasa de generaci\u00f3n de candidatos, aumentando el n\u00famero de ideas exploradas por unidad de tiempo. Gemini 2.0 Pro, con mayor capacidad, aporta sugerencias ocasionales de mayor calidad que pueden avanzar significativamente la b\u00fasqueda evolutiva.<\/p>\n\n\n\n La clave del sistema es la separaci\u00f3n entre generaci\u00f3n y verificaci\u00f3n: el evaluador es definido por el usuario y mide el rendimiento real del c\u00f3digo, no la plausibilidad verbal de la propuesta. Esto reduce dr\u00e1sticamente el riesgo de alucinaciones.<\/p>\n\n\n\n 1. Leucemia mieloide aguda (AML):<\/strong> el AI Co-Scientist propuso candidatos para reposicionamiento de drogas con hallazgos de validaci\u00f3n prometedores, incluyendo candidatos para leucemia mieloide aguda que mostraron inhibici\u00f3n tumoral in vitro a concentraciones cl\u00ednicamente aplicables.<\/p>\n\n\n\n 2. Fibrosis hep\u00e1tica:<\/strong> dos de los tres medicamentos recomendados por el AI Co-Scientist que apuntaban a modificadores epigen\u00f3micos exhibieron actividad antifibr\u00f3tica significativa. El sistema fue consultado sobre el rol de cambios epigen\u00f3micos en la fibrosis hep\u00e1tica, gener\u00f3 hip\u00f3tesis testables y las prioriz\u00f3 para validaci\u00f3n experimental. Los resultados fueron confirmados en organoides hep\u00e1ticos humanos, modelos tridimensionales multicelulares que replican la estructura del h\u00edgado humano. Fuente del paper: biorxiv.org\/content\/10.1101\/2025.04.29.651320<\/a><\/p>\n\n\n\n 3. Resistencia antimicrobiana \u2014 el resultado m\u00e1s perturbador:<\/strong> el AI Co-Scientist recapitul\u00f3 un descubrimiento no publicado sobre c\u00f3mo las islas cromosomales inducibles por fagos formadoras de c\u00e1psides se propagan entre m\u00faltiples especies bacterianas \u2014 un mecanismo clave subyacente a la resistencia antimicrobiana. Seg\u00fan el paper de Gottweis et al., este resultado le tom\u00f3 al sistema un par de d\u00edas, mientras que el mismo hallazgo emergi\u00f3 de a\u00f1os de trabajo convencional de laboratorio.<\/p>\n\n\n\n En s\u00edntesis: en paralelo con investigadores del Imperial College London que trabajaban en el mismo problema, el AI Co-Scientist lleg\u00f3 a la misma hip\u00f3tesis de forma independiente. No es que la IA encontr\u00f3 algo que los humanos no pod\u00edan encontrar. Es que lo encontr\u00f3 \u00f3rdenes de magnitud m\u00e1s r\u00e1pido.<\/p>\n\n\n\n Paper original (arXiv): arxiv.org\/abs\/2502.18864<\/a> Blog de Google Research: research.google\/blog\/accelerating-scientific-breakthroughs-with-an-ai-co-scientist<\/a><\/p>\n\n\n\n 1. Algoritmo de 56 a\u00f1os superado:<\/strong> AlphaEvolve desarroll\u00f3 un procedimiento de optimizaci\u00f3n basado en gradientes que descubri\u00f3 m\u00faltiples nuevos algoritmos para multiplicaci\u00f3n de matrices. Una de sus descobiertas mejor\u00f3 el algoritmo de Strassen de 1969 \u2014 el mejor conocido para multiplicar matrices 4×4 de valores complejos usando 48 multiplicaciones escalares, la primera mejora tras 56 a\u00f1os.<\/p>\n\n\n\n 2. Optimizaci\u00f3n de data centers de Google:<\/strong> un algoritmo descubierto por AlphaEvolve lleva m\u00e1s de un a\u00f1o impulsando Borg, el sistema masivo de gesti\u00f3n de clusters de Google, recuperando en promedio 0,7% de los recursos de c\u00f3mputo globales de Google de forma continua. A escala de Google, eso equivale a millones de d\u00f3lares en capacidad recuperada diariamente.<\/p>\n\n\n\n 3. Aceleraci\u00f3n del entrenamiento de Gemini:<\/strong> AlphaEvolve aceler\u00f3 en 23% un kernel vital en la arquitectura de Gemini, lo que llev\u00f3 a una reducci\u00f3n del 1% en el tiempo de entrenamiento de Gemini.<\/p>\n\n\n\n 4. Dise\u00f1o de chips TPU:<\/strong> AlphaEvolve propuso una reescritura en Verilog que removi\u00f3 bits innecesarios en un circuito aritm\u00e9tico clave y altamente optimizado para multiplicaci\u00f3n de matrices. Esta propuesta fue integrada en un pr\u00f3ximo Tensor Processing Unit (TPU), el acelerador de IA personalizado de Google.<\/p>\n\n\n\n 5. Problemas matem\u00e1ticos abiertos:<\/strong> cuando se aplic\u00f3 a m\u00e1s de 50 problemas abiertos en an\u00e1lisis matem\u00e1tico, geometr\u00eda, combinatoria y teor\u00eda de n\u00fameros, AlphaEvolve redescubri\u00f3 soluciones de vanguardia en aproximadamente el 75% de los casos. En el 20% de los casos, mejor\u00f3 las mejores soluciones conocidas.<\/p>\n\n\n\n Paper t\u00e9cnico (arXiv): arxiv.org\/abs\/2506.13131<\/a> Blog de Google DeepMind: deepmind.google\/blog\/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms<\/a><\/p>\n\n\n\n El impacto de estas herramientas no es solo acad\u00e9mico. Google DeepMind proveer\u00e1 un programa de acceso acelerado para cient\u00edficos de los 17 Laboratorios Nacionales del Departamento de Energ\u00eda de EE.UU. a sus modelos de IA de frontera y herramientas ag\u00e9nticas para ciencia. El AI Co-Scientist es un colaborador virtual multi-agente construido sobre Gemini, dise\u00f1ado para ayudar a los cient\u00edficos a sintetizar grandes cantidades de informaci\u00f3n para generar hip\u00f3tesis y propuestas de investigaci\u00f3n novedosas, acelerando el ritmo de descubrimientos cient\u00edficos y biom\u00e9dicos.<\/p>\n\n\n\n La Casa Blanca encuadra esto bajo la Genesis Mission: el objetivo de duplicar la productividad cient\u00edfica de Estados Unidos dentro de la d\u00e9cada mediante IA. El AI Co-Scientist puede acelerar el desarrollo de hip\u00f3tesis de a\u00f1os a d\u00edas.<\/p>\n\n\n\n Estado actual:<\/strong> disponible en acceso temprano a trav\u00e9s del Trusted Tester Program de Google.<\/p>\n\n\n\n C\u00f3mo solicitar acceso:<\/strong><\/p>\n\n\n\n Qu\u00e9 necesit\u00e1s para probar el sistema:<\/strong><\/p>\n\n\n\n Flujo de interacci\u00f3n b\u00e1sico:<\/strong><\/p>\n\n\n\n Estado actual:<\/strong> disponible en private preview en Google Cloud para empresas, con acceso temprano para investigadores acad\u00e9micos.<\/p>\n\n\n\n C\u00f3mo solicitar acceso acad\u00e9mico:<\/strong><\/p>\n\n\n\n Qu\u00e9 necesit\u00e1s para correr AlphaEvolve:<\/strong><\/p>\n\n\n\n Ejemplo de problema apto para AlphaEvolve:<\/strong> Ten\u00e9s un algoritmo de ruteo log\u00edstico que tarda 200ms por consulta. Defin\u00eds tu funci\u00f3n evaluadora como \u00abminimizar tiempo de ejecuci\u00f3n manteniendo precisi\u00f3n >99%\u00bb. AlphaEvolve genera variantes del c\u00f3digo, las eval\u00faa autom\u00e1ticamente y evoluciona las mejores hacia versiones cada vez m\u00e1s eficientes.<\/p>\n\n\n\n Herramientas alternativas de acceso abierto para experimentar con el paradigma:<\/strong><\/p>\n\n\n\n La diferencia no es solo cuantitativa. Es arquitect\u00f3nica.<\/p>\n\n\n\n Un LLM convencional recibe un prompt y genera una respuesta en un solo paso. No verifica su propia respuesta. No itera. No tiene memoria de sus errores anteriores. No compite sus propias hip\u00f3tesis entre s\u00ed.<\/p>\n\n\n\n El AI Co-Scientist y AlphaEvolve operan en bucles: generan, eval\u00faan, seleccionan, mutan, eval\u00faan de nuevo. Gemini Deep Think act\u00faa como \u00abmultiplicador de fuerza\u00bb del intelecto humano, manejando la recuperaci\u00f3n de conocimiento y la verificaci\u00f3n rigurosa para que los cient\u00edficos puedan enfocarse en la profundidad conceptual y la direcci\u00f3n creativa.<\/p>\n\n\n\n La evaluaci\u00f3n automatizada es clave. En AlphaEvolve, el c\u00f3digo que no funciona mejor es simplemente descartado por el evaluador, sin que ning\u00fan humano tenga que revisarlo. En AI Co-Scientist, las hip\u00f3tesis compiten en torneos donde son juzgadas por criterios formalizados de novedad, plausibilidad y relevancia experimental.<\/p>\n\n\n\n Esto convierte a la IA de un or\u00e1culo que responde preguntas en un sistema que formula preguntas, las testea y descarta las malas sin intervenci\u00f3n humana.<\/p>\n\n\n\n Ninguno de estos sistemas opera en el vac\u00edo ni reemplaza al cient\u00edfico. AI Co-Scientist es una herramienta colaborativa para ayudar a los expertos a reunir investigaci\u00f3n y refinar su trabajo \u2014 no est\u00e1 dise\u00f1ada para automatizar el proceso cient\u00edfico.<\/p>\n\n\n\n Los l\u00edmites reales son tres:<\/p>\n\n\n\n Validaci\u00f3n experimental sigue siendo humana.<\/strong> El sistema genera hip\u00f3tesis; los laboratorios las prueban. La brecha entre propuesta in silico y confirmaci\u00f3n in vivo sigue siendo trabajo cient\u00edfico duro. AlphaEvolve reduce el espacio de b\u00fasqueda; no elimina la necesidad de ingenieros que entiendan los resultados.<\/p>\n\n\n\n Dependencia de la calidad del input.<\/strong> El AI Co-Scientist es tan bueno como la literatura cient\u00edfica que procesa y la claridad del objetivo que el investigador especifica. Objetivos vagos producen hip\u00f3tesis vagas.<\/p>\n\n\n\n Riesgos de sesgos en la literatura.<\/strong> Si la IA es entrenada sobre literatura con sesgos de publicaci\u00f3n (donde los resultados negativos no se publican), sus hip\u00f3tesis heredar\u00e1n esos sesgos.<\/p>\n\n\n\n El AI Co-Scientist y AlphaEvolve no son herramientas de productividad. Son una nueva clase de agente cient\u00edfico que opera dentro del m\u00e9todo cient\u00edfico, no solo alrededor de \u00e9l. Estas herramientas abren la puerta a un futuro donde cada cient\u00edfico en un laboratorio tiene un equipo de asistentes de IA investigando simult\u00e1neamente miles de soluciones potenciales a los desaf\u00edos que motivan su trabajo.<\/p>\n\n\n\n El algoritmo de Strassen resisti\u00f3 56 a\u00f1os sin mejoras. La resistencia antimicrobiana tard\u00f3 a\u00f1os en ser elucidada en el laboratorio. La fibrosis hep\u00e1tica no ten\u00eda blancos terap\u00e9uticos evidentes. En los tres casos, un agente que genera, eval\u00faa y refina sin descanso lleg\u00f3 m\u00e1s lejos, m\u00e1s r\u00e1pido.<\/p>\n\n\n\n La pregunta ya no es si la IA puede hacer ciencia. Es c\u00f3mo vamos a integrar estos sistemas en la pr\u00e1ctica cient\u00edfica sin perder el escepticismo, la verificaci\u00f3n rigurosa y el juicio experto que hacen confiable al conocimiento cient\u00edfico.<\/p>\n\n\n\n Papers originales:<\/strong><\/p>\n\n\n\n Blogs oficiales de Google:<\/strong><\/p>\n\n\n\n Genesis Mission y Laboratorios Nacionales:<\/strong><\/p>\n\n\n\n Acceso y pruebas:<\/strong><\/p>\n\n\n\n An\u00e1lisis y cobertura:<\/strong><\/p>\n\n\n\n Por primera vez en la historia, una m\u00e1quina propuso una hip\u00f3tesis cient\u00edfica que investigadores humanos descubrieron de forma independiente \u2014 al mismo tiempo. No es una met\u00e1fora ni un ejercicio de laboratorio controlado. Es lo que ocurri\u00f3 cuando el AI Co-Scientist de Google, construido sobre Gemini 2.0, fue aplicado al problema de la resistencia antimicrobiana. […]<\/p>\n","protected":false},"author":2,"featured_media":11898,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[267,4],"tags":[],"class_list":["post-11897","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-actualidad","category-ai"],"yoast_head":"\n
\n\n\n\nQu\u00e9 son AI Co-Scientist y AlphaEvolve<\/h2>\n\n\n\n
\n\n\n\nLa arquitectura t\u00e9cnica: c\u00f3mo funciona AI Co-Scientist<\/h2>\n\n\n\n
\n
\n\n\n\nLa arquitectura t\u00e9cnica: c\u00f3mo funciona AlphaEvolve<\/h2>\n\n\n\n
\n\n\n\nLos resultados que cambian todo: datos concretos<\/h2>\n\n\n\n
AI Co-Scientist: tres validaciones biom\u00e9dicas<\/h3>\n\n\n\n
AlphaEvolve: cinco m\u00e9tricas de impacto real<\/h3>\n\n\n\n
\n\n\n\nEl ecosistema m\u00e1s amplio: Genesis Mission y los 17 laboratorios nacionales<\/h2>\n\n\n\n
\n\n\n\nC\u00f3mo hacer una prueba: gu\u00eda pr\u00e1ctica para acceder hoy<\/h2>\n\n\n\n
AI Co-Scientist<\/h3>\n\n\n\n
\n
\n
\n
AlphaEvolve<\/h3>\n\n\n\n
\n
\n
\n
\n\n\n\nQu\u00e9 distingue este paradigma de los LLMs convencionales<\/h2>\n\n\n\n
\n\n\n\nLas implicancias y los l\u00edmites honestos<\/h2>\n\n\n\n
\n\n\n\nConclusi\u00f3n<\/h2>\n\n\n\n
\n\n\n\nFuentes y recursos esenciales<\/h3>\n\n\n\n
\n
\n
\n
\n
\n