Un equipo de investigadores sostiene que los laboratorios autónomos necesitan convertir las hipótesis generadas por inteligencia artificial en experimentos ejecutables, evaluar sus resultados y decidir qué investigar después.
La capacidad de los modelos de lenguaje para formular hipótesis y planificar investigaciones no es suficiente para construir laboratorios científicos autónomos. Un artículo publicado el 20 de noviembre en Nature Machine Intelligence plantea que el principal desafío consiste en conectar el razonamiento de la inteligencia artificial con las condiciones materiales, las restricciones y los objetivos de la experimentación física.
El trabajo, titulado Enabling lab autonomy with reward functions and executable workflows, fue elaborado por Sergei V. Kalinin y otros seis investigadores de la Universidad de Tennessee, el Pacific Northwest National Laboratory y la empresa Mat3ra. Los autores sostienen que la autonomía de un laboratorio no debe abordarse principalmente como un problema de procesamiento de lenguaje, porque los experimentos requieren acciones que puedan ejecutar instrumentos reales y decisiones condicionadas por los costos, los tiempos y los resultados obtenidos.
El problema de convertir hipótesis en experimentos
Los investigadores proponen complementar la planificación basada en modelos de lenguaje con sistemas capaces de traducir las hipótesis científicas en procedimientos experimentales concretos. El objetivo es que las decisiones de una IA puedan relacionarse con instrumentos disponibles, acciones permitidas, variables observables y restricciones físicas.
El artículo identifica tres principios para desarrollar estos laboratorios. El primero es maximizar la información útil obtenida por cada unidad de costo experimental, combinando la adquisición de datos con experimentos mínimos y decisivos. El segundo consiste en transformar las hipótesis en secuencias ejecutables que definan acciones, restricciones, observaciones y reglas para tomar decisiones.
El tercero sitúa el diseño de las funciones de recompensa como un problema central. Estas funciones permiten determinar qué resultados son valiosos para el objetivo científico y orientar los experimentos siguientes. La dificultad aumenta cuando las mediciones contienen numerosas variables que deben traducirse en criterios de utilidad o utilizarse para planificar decisiones sucesivas.
De la automatización al descubrimiento científico
La propuesta busca que los laboratorios autónomos funcionen mediante ciclos completos de experimentación, modelado y toma de decisiones. En lugar de limitarse a ejecutar procedimientos, estos sistemas deberían utilizar los resultados obtenidos para modificar sus estrategias de investigación.
Los autores también distinguen entre optimizar resultados inmediatos y producir conocimiento científico duradero. Desde su perspectiva, los laboratorios autónomos deben ser capaces de explorar condiciones distintas de aquellas conocidas previamente y contribuir al descubrimiento de principios físicos y químicos, no solamente a identificar correlaciones de corto plazo.
Esta distinción plantea un problema relevante para los sistemas científicos basados en inteligencia artificial: generar hipótesis, automatizar instrumentos y optimizar mediciones son capacidades diferentes que deben integrarse antes de hablar de autonomía experimental completa.
El artículo fue publicado como Perspective, una categoría dedicada a planteamientos y análisis científicos. Por tanto, sus argumentos constituyen una propuesta metodológica y no una demostración experimental de que estos tres principios resuelvan por sí solos los desafíos de los laboratorios autónomos.
