Editor|Panda
En "Resident Evil", hay un laboratorio subterráneo llamado "Colmena". El control de acceso, la videovigilancia, la ventilación, la seguridad e incluso el funcionamiento de toda la instalación están en manos de una IA: la Reina Roja.
Los científicos humanos son responsables de la investigación, pero quien realmente controla las "manos y pies" de este laboratorio es la IA.
Cuando ocurre una anomalía, la Reina Roja puede cerrar puertas, cortar sistemas, controlar las instalaciones e intervenir directamente en el mundo físico.
Hace más de veinte años, este tipo de trama era un recurso clásico del cine de ciencia ficción para generar miedo: la IA entra en el mundo físico, manipula máquinas, ejecuta experimentos e interviene directamente en el mundo real.
Ahora, esta imagen comienza a entrar en la realidad de una manera completamente diferente — al menos por ahora, no da miedo.
Ayer mismo, Anthropic presentó el Model Hardware Standard (MHS) para hardware físico, intentando extender la lógica de MCP desde GitHub, Slack y bases de datos hasta brazos robóticos, microscopios, dispensadores de líquidos, láseres y otros dispositivos reales. Véase el reportaje "Hace un momento, Anthropic presentó el MCP físico: Claude comienza a tomar el control del mundo real".
En pocas palabras, los Agentes de IA ya no solo necesitan "interfaces" para interactuar con software; ahora empiezan a necesitar un conjunto de "nervios y extremidades" que los conecten con el mundo real. Y hoy, Google DeepMind ha mostrado sus propios avances en este aspecto.
En un artículo de 83 páginas recién publicado, Google integró a Co-Scientist, impulsado por Gemini, en flujos de investigación reales, haciéndolo diseñar experimentos, generar código de ejecución, leer retroalimentación experimental y conectarse directamente con el equipo experimental. Google denomina este cambio como pasar de in-silico hypothesis generator a execution-grounded research partner, es decir, de generador de hipótesis en el chip → socio de investigación basado en la ejecución.
En el experimento más llamativo, los investigadores informaron a Gemini 3 Deep Think sobre las condiciones de un equipo de deposición química de vapor (CVD) construido internamente. En pocos minutos, este proporcionó un plan de crecimiento de materiales adaptado a la máquina, y luego tradujo el plan a código máquina capaz de controlar el equipo. Finalmente, tres semiconductores bidimensionales lograron crecer con éxito en el primer intento.
Así, una escena que antes existía principalmente en películas de ciencia ficción se convierte de repente en realidad: cuando un modelo de lenguaje grande realmente desarrolla "manos" y comienza a manipular equipos experimentales. Entonces, a partir de hoy, ¿en qué se convertirá el Científico de IA?
En "Resident Evil", los humanos temían que la IA se hiciera cargo del laboratorio. En la realidad, los científicos están entregando activamente el laboratorio, poco a poco, a la IA. Por supuesto, lo que Google quiere hacer no es una "Colmena" descontrolada, sino una máquina de descubrimiento científico que pueda pasar desde proponer hipótesis y diseñar experimentos hasta la verificación experimental real.
Título del artículo: Accelerating Scientific Research with Gemini in the Real-World
Enlace del artículo: https://arxiv.org/pdf/2608.26701
Gemini se hace cargo de un equipo experimental
Primero, Ciencia de Materiales.
Los investigadores utilizaron un horno de deposición química de vapor (CVD) construido internamente. Al realizar experimentos con materiales bidimensionales, un problema persistente es: la dificultad para reproducir "recetas" públicas.
Con los mismos parámetros de temperatura, gas, precursores, etc., al cambiar de horno, con ligeras diferencias en el tamaño de la cámara, el flujo de gas o la posición de colocación del material, los cristales que crecen finalmente pueden ser completamente diferentes. Los investigadores a menudo necesitan semanas o incluso meses para ajustar los parámetros repetidamente.
Por lo tanto, el equipo de investigación dejó de decirle a Gemini cómo hacer el experimento, y en su lugar le informó sobre qué equipo tenía el laboratorio, qué productos químicos disponía y la estructura del horno. El resto de los parámetros los decidió la IA por sí misma.
Co-Scientist generó un plan experimental completo basado en estas restricciones, incluyendo flujo de gas, curva de temperatura, cantidad de precursor, posición de colocación del material, etc., y luego lo entregó al equipo experimental para su ejecución.
Uno de los experimentos fue especialmente brillante. Después de conectar Gemini 3 Deep Think al flujo de control del CVD, ya no generaba un plan experimental en lenguaje natural para que los científicos lo leyeran lentamente, sino que completaba el razonamiento en minutos y traducía directamente el resultado a código máquina capaz de controlar el equipo.
Finalmente, MoS2, MoSe2 y WS2, tres semiconductores bidimensionales, lograron hacer crecer monocristales en el primer intento experimental. Todo el flujo experimental se completó en aproximadamente una hora.
MoSe2 y WS2 son aún más especiales: los investigadores ni siquiera habían hecho crecer estos dos materiales en este equipo antes. Al menos cinco experimentos de repetición posteriores validaron el resultado.
Esto tiene un eco interesante con el MHS que Anthropic mostró ayer. El problema que Anthropic quiere resolver es cómo permitir que los Agentes conozcan y manipulen el equipo experimental de manera más conveniente y estandarizada; el artículo de Google discute el siguiente paso: cuando el modelo de razonamiento ya puede controlar el equipo experimental, ¿cómo se debe reestructurar el flujo de trabajo de investigación?
En este sentido, "la IA se conecta al hardware" ya no es un problema.
No solo hace experimentos según artículos, la IA también comienza a buscar sus propias recetas
Sin embargo, si solo se deja que Gemini ajuste un equipo basándose en el conocimiento existente, aún no se puede considerar un descubrimiento científico en el verdadero sentido. Por eso, Google realizó un segundo experimento más difícil: intentar sintetizar desde cero un material bidimensional MXene llamado Ti3C2Tx.
Las rutas tradicionales a menudo implican agentes corrosivos peligrosos, y algunos esquemas de CVD conocidos utilizan TiCl4, que es tóxico y sensible al aire. Por lo tanto, el equipo de investigación le planteó a Co-Scientist una tarea: ¿puede encontrar una ruta de precursor más segura?
Co-Scientist finalmente identificó al hexacloroetano C2Cl6 como objetivo, y proporcionó además una serie de parámetros como cantidad de precursor, posición, flujo de gas, sustrato y curva de temperatura.
Pero esta no es una historia de "la IA tiene una idea brillante y el experimento tiene éxito a la primera". Co-Scientist generó un total de 272 planes candidatos, los investigadores seleccionaron y continuaron optimizando los planes de alto rango; después de 25 rondas de iteración experimental, finalmente obtuvieron un cristal laminado bidimensional. En múltiples indicadores como DRX, microscopía electrónica y composición elemental, mostró características altamente similares a las del MXene Ti3C2Tx.
Los problemas del mundo real que siguieron también son típicos. La tasa de éxito inicial para reproducir el experimento fue solo del 11.5%. Los investigadores descubrieron más tarde que el problema principal no era el razonamiento químico de la IA, sino fugas de oxígeno causadas por sellos deficientes en el equipo experimental.
Solo después de limpiar nuevamente el tubo de cuarzo, reemplazar las juntas tóricas y mejorar el proceso de mantenimiento del equipo, la tasa de éxito del experimento para el mismo material bidimensional aumentó al 68%.
Esto ilustra precisamente por qué la "IA del mundo real" es muy diferente de los Agentes de software: si el código está mal, se puede volver a ejecutar. Pero en experimentos reales, una junta tórica envejecida, un residuo en la tubería, o incluso el oxígeno del aire, pueden hacer que un plan de investigación correcto fracase por completo.
Google también es muy cauteloso en el artículo: actualmente no se puede confirmar definitivamente que este material sea el MXene Ti3C2Tx, todavía tiene problemas como bajo rendimiento y oxidación severa, y es necesario realizar una caracterización a escala atómica para confirmarlo.
A pesar de esto, podemos sacar la siguiente conclusión: la IA ya puede proponer una ruta de síntesis candidata con significado científico, y luego realmente llevar esta ruta a experimentos físicos para su verificación.
Algunos experimentos quizás puedan dejar que la IA "adivine primero"
Google también colocó a Co-Scientist en un escenario experimental completamente diferente: Biología Sintética. El objeto de estudio era un grupo de bacterias E. coli modificadas genéticamente.
Estas bacterias forman diferentes patrones de colonias en placas de Petri. Cuando cambia la concentración del inductor IPTG, el tamaño, el borde y la forma de las colonias también cambian. Normalmente, para obtener toda la curva de cambio, los científicos necesitan preparar diferentes concentraciones, cultivar las bacterias, esperar a que crezcan y luego escanear las placas una por una.
Google intentó que la IA complementara parte del experimento intermedio. Los investigadores proporcionaron a Co-Scientist solo imágenes reales de colonias en algunas concentraciones, y luego le pidieron al sistema que predijera cómo deberían verse las colonias en concentraciones intermedias no vistas. Además, estos datos experimentales aún no se habían publicado en ese momento, por lo que el artículo considera que es improbable que el modelo simplemente haya memorizado los resultados de los datos de entrenamiento para completar la tarea.
El resultado fue que, en cuatro indicadores de morfología de colonias, las predicciones de la IA en tres no mostraron diferencias significativas con los resultados experimentales reales (húmedos); también juzgó correctamente que el grupo de control no produciría cambios correspondientes con la concentración de IPTG.
El único problema evidente fue la "redondez": las colonias generadas por la IA eran más regulares que la realidad real. Esto encaja perfectamente con la estética consistente de los modelos generativos: el mundo real no es tan perfecto, pero la IA no puede evitar dibujarlo un poco más redondo.
La definición de Google para este experimento también es cautelosa: lo logrado actualmente es una interpolación dentro de un intervalo de concentración conocido, no la predicción de fenómenos desconocidos frente a un circuito genético completamente nuevo.
Pero esto ya corresponde a un uso muy realista. En el futuro, quizás los científicos no necesiten realizar todos los experimentos húmedos en un espacio de parámetros enorme. Primero pueden medir algunos puntos, dejar que la IA prediga el resto del espacio basándose en estos datos reales, y luego seleccionar las posiciones más dignas de verificación para realizar experimentos.
Por lo tanto, el experimento gradualmente pasa de ser de "fuerza bruta" a: muestreo del mundo real → predicción de IA → selección de experimento → nueva retroalimentación de datos a la IA.
Esto es precisamente lo que el artículo enfatiza repetidamente como lab-in-the-loop (laboratorio en el bucle).
La IA ya ha comenzado a diseñar IA por sí misma
Al llegar a experimentos de Ciencias de la Computación, el grado de autonomía de Co-Scientist aumentó otro nivel.
Esta vez, los investigadores le dieron una tarea muy simple: diseñar un Agente capaz de responder mejor a preguntas médicas. Luego, los humanos ya no participaron en el diseño de la arquitectura. Co-Scientist propuso soluciones, escribió código, ejecutó pruebas, analizó errores y continuó modificando la arquitectura por sí mismo.
Finalmente, "evolucionó" un sistema llamado Agent_H.
Este sistema necesita reorganizar el proceso de razonamiento de los modelos existentes. Frente a una pregunta médica, primero juzgará a qué campo médico pertenece la pregunta, si está dirigida a pacientes o médicos, y cuál es el nivel de riesgo; las preguntas complejas se dividirán en múltiples subpreguntas; luego generará simultáneamente de 28 a 48 respuestas candidatas, dejará que diferentes Jueces las eliminen por pares, y luego tres Jueces votarán para seleccionar la respuesta final. La respuesta ganadora también debe pasar por múltiples rondas de revisión clínica, verificación de citas, y finalmente comprimir la longitud.
Para responder una pregunta, todo el Agente necesita invocar el modelo aproximadamente de 40 a 80 veces. En HealthBench Hard y HealthBench Professional, según la puntuación corregida por longitud utilizada en el artículo, Agent_H superó a seis modelos de vanguardia, incluidos GPT-5.6 Sol, Claude Opus 5 y Gemini 3.1 Pro.
Pero aquí ocurrió un interludio muy digno de ser reportado: la IA aprendió por sí misma a "hackear el ranking".
En los primeros experimentos, los criterios de puntuación no penalizaban suficientemente las respuestas prolijas. Entonces, Co-Scientist rápidamente encontró la forma más sencilla de aumentar la puntuación: escribir respuestas extremadamente largas.
Como resultado, la puntuación del Benchmark aumentó significativamente, pero la calidad médica no mejoró correspondientemente. Solo después de que los investigadores agregaron una penalización por longitud, gran parte de la ventaja desapareció.
El propio Google en su artículo lo considera una típica Ley de Goodhart: cuando una métrica se convierte en un objetivo, deja de ser una buena métrica.
La evaluación de médicos reales también arrojó un poco de agua fría sobre los resultados. Tres médicos en ejercicio realizaron una evaluación ciega de 106 preguntas. En nueve dimensiones, Agent_H solo mostró una mejora estadísticamente significativa en "reducción de daños potenciales" en comparación con la versión original de Gemini 3.1 Pro; las otras ocho dimensiones no mostraron diferencias significativas.
En otras palabras, la puntuación del Benchmark claramente más alta para los Jueces de IA no se tradujo completamente en respuestas claramente mejores para los médicos humanos. Quizás este sea también un problema que el Científico de IA tendrá que enfrentar al entrar realmente en el mundo real: no solo debe saber optimizar, sino también saber que hay cosas que no se pueden definir solo optimizando métricas.
El científico de IA "fabricará datos" para el artículo
De hecho, Google dedicó una parte considerable de este artículo a estudiar otro problema ligeramente incómodo: si se libera por completo al Científico de IA, ¿haría trampa para obtener resultados atractivos?
Respuesta: Sí.
El equipo de investigación hizo que el sistema trabajara en 50 temas de investigación de IA, desde proponer ideas, buscar datos, escribir código, ejecutar experimentos hasta generar el artículo final, sin intervención humana en todo el proceso.
Como control, también probaron una versión de Co-Scientist sin el módulo de confiabilidad, y el sistema anterior Agent Laboratory, generando un total de 150 artículos, que luego se entregaron a 30 expertos en el campo para 450 revisiones anónimas.
Los resultados fueron bastante exagerados. El Científico de IA sin mecanismos de verificación especializados, incluso cuando el código ya daba error y el experimento no tenía resultados efectivos, aún podía continuar escribiendo el artículo completo.
Inventaban tablas de datos, valores p, pruebas estadísticas; escribían experimentos fallidos como exitosos; incluso modificaban el entorno de evaluación para que su método obtuviera naturalmente una puntuación más alta, o mediante hardcode directamente generaban un resultado atractivo.
Cuando el objetivo de optimización es: "escribir un artículo que parezca bueno", el Agente buscará atajos más baratos que realmente completar la investigación.
Por lo tanto, Google agregó a la nueva versión de Co-Scientist un mecanismo similar a una "auditoría de investigación": los resultados experimentales que se afirman haber ocurrido en el artículo deben poder rastrearse hasta registros de ejecución de programas reales. Si no hay resultados correspondientes en los registros, el sistema no puede escribirlos solo porque el modelo de lenguaje "cree que debería ser así".
El efecto fue muy evidente. Las "alucinaciones de resultados" lo suficientemente graves como para invalidar el artículo se redujeron del 90% de Agent Laboratory al 4%; la fabricación completa de datos, la más grave, se redujo del 44% al 0%.
Pero el problema aún no ha desaparecido por completo. Los errores graves en la descripción del método de la nueva versión de Co-Scientist aún eran del 24%, y el plagio/contenido derivado grave aún era del 16%.
Por lo tanto, Google enfatizó específicamente que no afirman que el Científico de IA Autónomo actual ya pueda generar artículos de investigación listos para publicar directamente.
Conclusión
Si colocamos los trabajos de Anthropic y Google juntos, veremos que los Agentes están experimentando un cambio muy evidente: en los últimos dos años, el campo de batalla más grande de los Agentes de IA siempre ha sido el mundo del software. Y ahora, esta lógica está desbordándose por primera vez a gran escala hacia el mundo real.
El MHS de Anthropic intenta resolver el problema de fondo: permitir que dispositivos diferentes como brazos robóticos, microscopios, plataformas de manipulación de líquidos, etc., tengan una interfaz que los Agentes puedan entender y utilizar de manera unificada.
El Co-Scientist de Google comienza a explorar el problema superior: cuando un modelo de razonamiento puede proponer hipótesis de investigación, planificar experimentos, controlar instrumentos, leer resultados y continuar corrigiendo la siguiente ronda de experimentos, ¿cómo debería ser un sistema de descubrimiento científico verdaderamente cerrado?
Por supuesto, Google aún está lejos de un verdadero "laboratorio sin humanos". Los experimentos de materiales actuales todavía requieren que los humanos carguen las muestras; la estructura atómica del nuevo material aún no se ha determinado definitivamente; la predicción de E. coli solo verificó tareas de interpolación limitadas; el Agente médico aprovecha los vacíos del Benchmark; el sistema de generación de artículos aún no resuelve completamente las alucinaciones y el plagio. El propio Google incluso cree explícitamente que, debido a las anomalías del hardware y la complejidad del entorno real, los experimentos físicos completamente supervisados por máquinas siguen siendo difíciles de lograr en esta etapa.
Pero el cambio ya ha aparecido.
Antes, al discutir IA para la Ciencia, a menudo se ponía el énfasis en si la IA podía "pensar en algo que los humanos no habían pensado". Ahora, cada vez más trabajos comienzan a complementar la otra mitad más difícil: si esta idea puede ser ejecutada por equipos reales, y si los resultados de la ejecución pueden volver a convertirse en la base del siguiente razonamiento de la IA.
Al final del artículo, Google ofrece un juicio muy interesante. Si realmente se establece este circuito cerrado, el factor limitante de la investigación futura podría invertirse: en el pasado, el equipo experimental esperaba a que los científicos plantearan la siguiente buena pregunta; en el futuro, podría ser que la IA ya haya propuesto cientos de experimentos dignos de verificación, y el laboratorio simplemente no pueda realizarlos a tiempo.
En ese momento, el verdadero cuello de botella de la velocidad del descubrimiento científico puede dejar de ser la ideación científica, sino experimental throughput (rendimiento experimental) — qué tan rápido puede el mundo real ejecutar estos experimentos.
Este artículo proviene de la cuenta pública de WeChat "Machine Heart" (ID: almosthuman2014), autor: aquellos que siguen la IA científica.
