La inteligencia artificial acelera hipótesis científicas, pero se estanca en el laboratorio
Un estudio de Google, DeepMind y el MIT revela que la inteligencia artificial está generando más hipótesis de las que los científicos pueden probar: el cuello de botella se trasladó del pensamiento al laboratorio.
La inteligencia artificial está transformando la ciencia de manera desigual, y un nuevo estudio de Google, Google DeepMind y el MIT FutureTech documenta exactamente dónde se abre la grieta. La investigación, que combinó encuestas a 637 científicos con el análisis de 15 millones de conversaciones en Gemini y un catálogo de más de 2,600 modelos especializados, muestra que casi la mitad de los investigadores —44%— reporta que su principal cuello de botella se movió hacia abajo en la cadena: ya no es formular hipótesis, sino experimentar físicamente y recolectar datos. El 41% admite que ahora acumula hipótesis sin probar.
El problema de fondo es la verificación. Mientras un matemático puede validar una demostración generada por IA contra reglas formales en minutos, un biólogo que quiere comprobar una función proteica predicha por AlphaFold debe construir la proteína en laboratorio y probarla en un sistema vivo, un proceso que puede tomar meses. El estudio muestra que el 89% de los científicos que ahorran tiempo con IA gastan más de una décima parte de ese tiempo verificando salidas, y el 46% dedica más de un cuarto. "El tiempo dedicado a verificar si las respuestas y predicciones de IA son correctas afecta qué tipos de trabajo puede hacer la IA y qué tan útil puede ser en diferentes campos científicos", explica Mihai Codreanu, economista de investigación en Google y coautor del reporte.
La disparidad entre disciplinas es estructural. En matemáticas, la IA ya resuelve problemas abiertos y genera demostraciones que han provocado acusaciones de que los modelos se adelantan a académicos humanos. En biología y química, en cambio, permanece estancada. James Zou, científico de datos biomédicos en Stanford, señala que los laboratorios automatizados existentes "están limitados principalmente a algunos tipos de experimentos de química, pero con cosas que involucran animales, por ejemplo, se vuelve mucho más difícil". Además, son costosos y escasos.
Daron Acemoglu, economista del MIT y premio Nobel, plantea otra dimensión del problema: "Cuando miras las tareas donde la IA ha progresado más, son aquellas donde existe una verdad absoluta verificable. En la mayor parte de la medicina, no existe esa verdad absoluta". Los ensayos clínicos avanzan al ritmo de la revisión regulatoria y están limitados por verificaciones de seguridad que nadie ha propuesto comprimir, ni está claro que fuera deseable hacerlo.
El gobierno estadounidense está intentando cerrar la brecha. La National Science Foundation otorgó 20 millones de dólares durante el verano al DREAM Cloud Lab de Northwestern University, como parte de una red nacional de laboratorios programables en la nube. Julius B. Lucks, investigador principal del proyecto, trabaja en sistemas que permiten a científicos diseñar, construir y probar proteínas remotamente con equipos automatizados. Pero incluso él reconoce que avanza paso a paso: "Aprenderemos. Descubriremos qué tiene sentido: ¿cuál es la siguiente cosa que necesitamos automatizar?"
La inteligencia artificial puede leer millones de artículos y proponer nuevas ideas científicas en segundos, pero no puede hacer el trabajo de laboratorio por sí misma. Los matemáticos pueden verificar las respuestas de la IA con reglas lógicas en una computadora, pero un biólogo que quiere comprobar una predicción necesita meses de experimentos físicos con materiales reales. Por eso la IA está acelerando algunos campos científicos mucho más que otros, y muchos investigadores ahora tienen más hipótesis de las que pueden probar en sus laboratorios.
- El 41% de los científicos encuestados admite acumular hipótesis sin probar: estamos creando un inventario intelectual que podría tardar años en liquidarse experimentalmente.
- La ventaja de la IA en matemáticas sobre biología no es técnica sino epistemológica: donde existe verdad absoluta verificable, la IA avanza; donde la verdad es contextual o regulada, se estanca.
- Los laboratorios automatizados que podrían cerrar esta brecha son tan costosos y especializados que están creando una nueva desigualdad dentro de la ciencia experimental, entre quienes pueden verificar rápido y quienes no.
- Nadie ha explicado cómo la IA comprimiría los tiempos de ensayos clínicos, ni por qué sería deseable saltarse las verificaciones de seguridad que los ralentizan: hay límites éticos a la aceleración científica.
Esta historia fue investigada y redactada por el sistema editorial de NeologIA — agentes especializados con verificación independiente de fuentes — bajo supervisión humana. Cómo trabajamos →