DeepMind amplía Co-Scientist a un sistema de investigación que ejecuta en el laboratorio

DeepMind lleva Co-Scientist más allá de la ideación

Google DeepMind afirma que su sistema de investigación con IA, Co-Scientist, ha pasado de generar hipótesis a participar en una franja más amplia del flujo de trabajo científico, incluyendo la planificación de experimentos, la escritura de código, el manejo de parte del equipo de laboratorio, el análisis de resultados y la redacción de manuscritos científicos. La actualización, descrita por Google como un proceso de investigación de circuito cerrado, marca una expansión notable respecto a la versión de Co-Scientist que la empresa presentó en febrero de 2025.

Según el informe proporcionado, el nuevo sistema está construido sobre los modelos actuales de Gemini y está diseñado para tomar una pregunta de investigación, derivar hipótesis, convertirlas en planes experimentales o protocolos legibles por máquina, analizar los datos resultantes y luego generar una salida de extensión similar a un artículo. Google también dice que el sistema incluye módulos de verificación que comparan las afirmaciones numéricas del texto generado con los registros de ejecución del código que produjo, en un intento por reducir resultados fabricados o inconsistentes.

Esto importa porque una de las debilidades centrales de los sistemas de IA en la ciencia ha sido la brecha entre un lenguaje plausible y evidencia confiable. Un sistema que puede conectar lo que escribe con lo que realmente ejecutó, incluso dentro de un flujo de trabajo acotado, aborda uno de los modos de fallo más obvios en la investigación generada por máquinas. No resuelve por completo el problema de confianza, pero sí muestra dónde creen los desarrolladores que primero debe mejorar la autonomía científica práctica.

Tres campos, tres niveles de autonomía

El informe describe esfuerzos de validación en ciencia de materiales, biología e informática, y cada dominio muestra un nivel distinto de independencia de la máquina. En materiales, Co-Scientist propuso recetas de síntesis para que las personas las llevaran a cabo. En biología, construyó una canalización de predicción con retroalimentación de expertos. En informática, Google dice que el sistema operó por completo por su cuenta.

Esta estructura por etapas es significativa. En lugar de afirmar que existe un científico autónomo universal, Google parece presentar un espectro: uso guiado por humanos en contextos donde los experimentos físicos son costosos y sensibles, uso colaborativo donde la supervisión experta sigue siendo central, y mayor autonomía donde el entorno experimental ya es nativo del software. Esa división refleja la realidad de que los sistemas de IA suelen avanzar más rápido en dominios digitales que en laboratorios húmedos o instalaciones avanzadas de materiales, donde los tiempos, la contaminación, la variabilidad del hardware y las restricciones de seguridad limitan la automatización.

El ejemplo de materiales ilustra tanto la promesa como los límites. Según el informe, Co-Scientist se combinó con un horno semiautomatizado de alta temperatura e identificó una ruta más segura hacia un material bidimensional muy buscado que antes se producía principalmente mediante grabado peligroso. Tras 25 rondas de refinamiento humano, el equipo produjo estructuras laminares con propiedades similares a las del material objetivo. Pero el informe también señala que la confirmación definitiva de la estructura atómica sigue pendiente.

Ese matiz es importante. El sistema puede haber acelerado la generación de recetas y reducido el espacio de búsqueda, pero aún no se ha establecido la versión más fuerte de la afirmación científica. En otras palabras, el resultado es prometedor como demostración de proceso, no como prueba final de que el material objetivo se haya realizado por completo como se pretendía.

Las ganancias de velocidad conllevan concesiones prácticas

En un segundo experimento de materiales, el informe dice que tres películas delgadas semiconductoras se sintetizaron al primer intento. Co-Scientist utilizó Gemini 3 Deep Think para el control directo del equipo, y Google afirma que esto redujo el desarrollo de recetas de días a minutos. Si esa comparación temporal se mantiene en un uso más amplio, apunta a uno de los argumentos comerciales más claros para la IA en I+D: comprimir ciclos de iteración costosos en entornos de laboratorio donde los investigadores a menudo dedican mucho tiempo a ajustar procedimientos.

Al mismo tiempo, el informe identifica varias limitaciones que impiden leer el anuncio como un avance sencillo en automatización de laboratorio. Los humanos todavía tuvieron que cargar manualmente las muestras y los materiales precursores. El modo de operación más rápido produjo cristales más pequeños y menos uniformes que las recetas más cuidadosamente optimizadas. Y la transferibilidad de las recetas a otros laboratorios sigue sin resolverse.

Esos detalles importan porque la reproducibilidad es un estándar definitorio en la investigación. Un sistema que funciona bien con una pila de instrumentos, una configuración de laboratorio y la supervisión de un equipo concretos aún no ha demostrado que pueda generalizar. La automatización científica se vuelve más valiosa cuando los procedimientos sobreviven a cambios de equipo, operadores y condiciones ambientales. Al señalar la transferencia de recetas como una cuestión abierta, el informe destaca indirectamente cuánta ingeniería sigue habiendo entre una demostración convincente y una plataforma ampliamente desplegable.

Por qué este paso importa para la infraestructura de investigación en IA

La parte más trascendental de la actualización quizá no sea ningún experimento individual. Es la idea de unir generación de hipótesis, planificación de ejecución, control de instrumentos, análisis y redacción de manuscritos en un solo sistema conectado. Esa arquitectura sugiere dónde ven los desarrolladores de IA de frontera la siguiente fase de las herramientas científicas: no como un chatbot que ayuda a un investigador en pasos aislados, sino como un orquestador que puede mover el trabajo a través de múltiples etapas mientras conserva un registro interno de lo propuesto, ejecutado y observado.

Si estos sistemas maduran, podrían alterar la economía de la investigación en áreas donde los espacios de búsqueda son grandes y la iteración es costosa. El descubrimiento de materiales, la predicción biológica y el diseño de modelos son dominios en los que los investigadores se enfrentan a demasiadas combinaciones posibles para probarlas manualmente. Una herramienta que reduzca opciones rápidamente, escriba procedimientos ejecutables y mantenga un rastro estructurado desde la afirmación hasta el resultado podría volverse valiosa incluso si nunca alcanza la autonomía total.

Pero el anuncio también se inserta en un patrón más amplio en la cobertura de la ciencia de la IA: la expansión de capacidades suele ir por delante de la validación independiente. El informe proporcionado atribuye los resultados a Google y describe experimentos en tres disciplinas, pero aquí no presenta pruebas de replicación externa. Eso no invalida el trabajo, pero sí debería influir en cómo se interpretan las afirmaciones. La lectura más sólida es que Google está mostrando un agente de investigación más integrado, con algunos éxitos fundamentados experimentalmente y limitaciones visibles, no que ya haya llegado un científico autónomo de propósito general.

• Google afirma que Co-Scientist ahora cubre más del ciclo de investigación, desde la hipótesis hasta el borrador del artículo.
• Según los informes, el sistema fue probado en ciencia de materiales, biología e informática con distintos niveles de autonomía.
• Los módulos de verificación están pensados para contrastar las afirmaciones numéricas del texto con los registros de ejecución.
• Persisten dudas sobre la reproducibilidad, la transferencia a otros laboratorios y las concesiones de calidad de una operación más rápida.

Para el sector de la IA, eso sigue representando un cambio significativo. La competencia ya no trata solo de qué modelo puede resumir artículos o proponer ideas. Cada vez se trata más de qué sistemas pueden conectar el razonamiento con instrumentos, canales de datos y resultados auditables. Co-Scientist, tal como se describe aquí, es un paso en esa dirección.

Este artículo se basa en la cobertura de The Decoder. Leer el artículo original.