¿Cómo podemos determinar si la inteligencia artificial ya es lo suficientemente inteligente como para realizar investigaciones científicas y lograr el descubrimiento científico autónomo de extremo a extremo?
Un estudio reciente de la Universidad de Ciencia y Tecnología de China hizo que un «cerebro» de IA se hiciera cargo del «cuerpo» del laboratorio de un científico robótico, llevando así esta cuestión más allá de las preguntas de conocimiento y la generación de planes, hacia la ejecución de experimentos y el aprendizaje por retroalimentación en el mundo físico real.
Enlace al artículo: https://arxiv.org/abs/2607.23045
El equipo de investigación construyó un laboratorio robótico de catálisis, que incluye 45 estaciones de trabajo automatizadas modulares que cubren síntesis, caracterización y pruebas de rendimiento catalítico.
Para permitir que la IA comprenda y utilice las capacidades del laboratorio, el equipo encapsuló estas capacidades en habilidades legibles por máquina (skills). El agente de IA puede invocar directamente los equipos experimentales a través de estas habilidades, aceptando al mismo tiempo las restricciones de las capacidades reales del equipo, las normas operativas y las condiciones experimentales.
Figura 1. Arquitectura del laboratorio de científico robótico comprensible para la IA, diseñado para la investigación en catálisis.
Figura 2. Trayectoria desde la intención científica hasta la ejecución en el laboratorio robótico.
Prueba de esfuerzo
Basándose en esta plataforma, el equipo realizó una evaluación sistemática de 48 configuraciones prácticas compuestas por 6 marcos de agentes y 9 modelos de lenguaje grande (LLMs).
La prueba abarcó 32 tareas de investigación definidas por expertos del área, con un total de 4,608 ejecuciones de evaluación. La evaluación no solo examinó si los agentes podían generar planes experimentales, sino que también rastreó si estos planes podían pasar la verificación y enviarse al sistema robótico, y si los flujos de trabajo generados podían ejecutarse directamente sin intervención humana.
Resultados crudos de la evaluación en el mundo real
Los agentes actuales basados en modelos de lenguaje grande líderes aún están lejos de poder «hacerse cargo». En las 4,608 pruebas, solo 151 flujos de trabajo pudieron ejecutarse sin necesidad de reparación humana, lo que representa el 3.3% del total. La combinación de mejor rendimiento, Claude Code con Claude Opus 4.7, alcanzó una tasa de ejecutabilidad del 28.1%; la combinación Codex con GPT 5.5 tuvo una tasa de ejecutabilidad del 19.8%.
Ajustar parámetros no es lo mismo que replanificar
El estudio también investigó si los agentes podían aprender de los resultados experimentales reales. El equipo puso a la combinación Codex/GPT 5.5 en un ciclo cerrado abierto de cinco rondas, realizando continuamente planificación experimental, ejecución robótica, obtención de evidencias y replanificación.
El agente pudo ajustar la formulación de materiales y las condiciones operativas según los resultados experimentales devueltos, pero estos ajustes se mantuvieron principalmente en el nivel de optimización local de parámetros.
Durante las cinco rondas, el agente siempre conservó la estructura básica del flujo de trabajo original; no rediseñó los métodos de análisis ni corrigió algunas omisiones clave persistentes, como la falta de aglutinante de electrodos y reactivos cromogénicos específicos para los analitos objetivo.
Los resultados indican que poder leer la retroalimentación experimental y ajustar parámetros no equivale a poder identificar problemas en la estrategia de investigación en sí, y mucho menos a realizar una replanificación a nivel científico.
Figura 3. Rendimiento del agente de IA en cada etapa: planificación ejecutable, verificación y envío de tareas al laboratorio.
La planificación a largo plazo sigue siendo un cuello de botella
Aunque algunos agentes generaron flujos de trabajo que, según la evaluación de expertos, eran ejecutables y contenían hasta 44 pasos operativos, en todas las pruebas solo 3 flujos de trabajo superaron los 30 pasos. Esto indica que, a medida que se alarga la cadena de tareas, la capacidad del agente para mantener la integridad lógica del experimento y su ejecutabilidad física sigue enfrentándose a desafíos significativos.
Redefiniendo las capacidades científicas de la IA
El estudio distingue así tres capacidades que a menudo se confunden en los debates actuales sobre «científicos de IA»: primero, generar planes experimentales con fluidez; segundo, generar flujos de trabajo que realmente puedan ejecutarse en un laboratorio físico; tercero, ajustar la estrategia de investigación global según los resultados experimentales.
Los resultados muestran que la capacidad de planificación a nivel lingüístico no se traduce automáticamente en una capacidad confiable de ejecución experimental, y que el ajuste local de parámetros no puede considerarse directamente como una replanificación a nivel científico.
Del «campo de pruebas de IA» al «campo de entrenamiento de IA»
Como infraestructura de investigación inteligente para IA para la Ciencia (AI for Science), el laboratorio robótico puede servir tanto como un «campo de pruebas» para evaluar las capacidades científicas de la IA como un «campo de entrenamiento» para impulsar su evolución continua. Los agentes de IA dialogan directamente con el laboratorio robótico a través de habilidades legibles por máquina, transformando la intención científica en tareas ejecutables y recibiendo retroalimentación real de la ejecución robótica, el estado de los instrumentos y los resultados experimentales.
El ciclo cerrado de «planificación-ejecución-retroalimentación-replanificación» así formado no solo puede exponer las deficiencias de la IA en conocimiento, operación y estrategia de investigación, sino también consolidar los flujos de trabajo exitosos, casos de falla, resultados experimentales y evaluaciones de expertos como datos para el entrenamiento de modelos y la alineación de agentes, iterando continuamente los modelos de IA y sus sistemas de agentes.
De este modo, el científico robótico proporciona evidencia cuantificable, reproducible y verificable del mundo físico para responder a la pregunta «¿cómo podemos determinar si la inteligencia artificial ya es lo suficientemente inteligente como para realizar investigaciones científicas?», e impulsa a la IA desde la generación de planes experimentales hacia el descubrimiento científico autónomo de extremo a extremo, que abarca la formulación de problemas científicos, el diseño experimental, la ejecución robótica, el análisis de datos y la replanificación basada en evidencia.
Figura 4. Cinco rondas de iteración del científico robótico-IA bajo un problema científico abierto.
Referencia: https://arxiv.org/abs/2607.23045
Este artículo proviene del canal público WeChat "新智元" (Nueva Inteligencia Artificial), autor: 新智元; editor: LRST
