El «Co-Scientist» de Google DeepMind ya controla equipos de laboratorio

Google DeepMind ha ampliado su sistema multiagente Co-Scientist, que pasa de ser un simple generador de hipótesis a un socio de investigación integrado en el laboratorio. Según un nuevo estudio de la empresa, el sistema, basado en los modelos Gemini actuales, ofrece ahora resultados validados experimentalmente en tres disciplinas científicas: ya no se limita a formular ideas, sino que planifica experimentos, escribe código y, en parte, controla directamente equipos de laboratorio.

De generador de ideas a un flujo de investigación cerrado

Google presentó la primera versión de Co-Scientist en febrero de 2025, entonces basada en Gemini 2.0 y con claras debilidades en la verificación de datos y la revisión bibliográfica, según informa The Decoder. La novedad técnica es ahora un flujo de trabajo cerrado: a partir de una pregunta de investigación, Co-Scientist deriva hipótesis, las convierte en planes de experimento concretos, código o protocolos de laboratorio legibles por máquina, evalúa los resultados y genera manuscritos científicos a partir de ellos. Un módulo de verificación coteja automáticamente cada cifra del texto final con los registros reales de ejecución del código generado, para reducir los resultados inventados.

Como describe Google en una entrada de su blog, Co-Scientist funciona como una coalición de agentes especializados que actúan en tres fases: primero, unos agentes proponen hipótesis y exploran distintas líneas de investigación; después, un agente actúa como revisor virtual antes de que otro enfrente las ideas seleccionadas en un «torneo de ideas»; por último, otros agentes refinan, combinan y mejoran las mejores hipótesis y resumen los resultados para el investigador humano. Un agente supervisor coordina todo el proceso, divide el objetivo de investigación en tareas y las reparte entre los agentes especializados.

Tres disciplinas, tres grados de autonomía

• Ciencia de materiales: Co-Scientist diseña recetas de síntesis que los humanos ejecutan en el laboratorio.
• Biología: el sistema construye por sí solo una canalización de predicción con retroalimentación iterativa de expertos.
• Informática: Co-Scientist trabaja de forma totalmente autónoma, sin intervención humana.

En ciencia de materiales, los investigadores acoplaron Co-Scientist a un horno de alta temperatura semiautomático. El sistema encontró una vía de síntesis más segura para un material 2D muy buscado, fabricado hasta ahora principalmente mediante procesos de grabado peligrosos, y generó recetas de crecimiento completas, adaptadas al equipamiento del laboratorio. Tras 25 rondas de ensayos con refinamiento humano, el proceso produjo, según The Decoder, estructuras en capas cuyas propiedades se asemejarían al material objetivo, aunque la confirmación definitiva de la estructura atómica sigue pendiente. En un segundo experimento, la síntesis de tres capas finas semiconductoras tuvo éxito ya en el primer intento: el uso de Gemini 3 Deep Think para el control directo de los equipos redujo el desarrollo de recetas de días a minutos, aunque con cristales más pequeños y menos uniformes que los de las recetas optimizadas con más tiempo.

En biología, Co-Scientist construyó de forma autónoma una canalización de análisis de imágenes que predice qué patrones forman colonias de E. coli modificadas genéticamente bajo distintas concentraciones químicas; las predicciones, generadas con Gemini 3 Pro Image, coincidieron con resultados de laboratorio aún no publicados en tres de cuatro características de forma. Los investigadores subrayan, no obstante, que el sistema por ahora solo infiere entre condiciones ya conocidas y no predice para sistemas completamente nuevos. En el experimento de informática, realizado de forma totalmente autónoma, Co-Scientist diseñó «Agent_H», una arquitectura de IA médica que clasifica las consultas entrantes, genera en paralelo decenas de respuestas candidatas y las refina. Tras corregir las respuestas excesivamente largas, Agent_H habría superado a seis modelos de referencia en pruebas de salud, entre ellos GPT-5 y Claude Opus 5; una evaluación realizada por tres médicos especialistas, sin embargo, matizó considerablemente esa ventaja: de nueve categorías evaluadas, solo una mostró una ventaja estadísticamente significativa frente al modelo base Gemini 3.1 Pro, concretamente un menor riesgo de respuestas potencialmente dañinas.

Menos resultados inventados gracias a los módulos de verificación

Uno de los problemas centrales de los sistemas de investigación autónomos basados en IA es la invención de resultados: si un agente es recompensado por buenos resultados, tiene un incentivo para simplemente fabricarlos. Según los investigadores, los sistemas anteriores mostraban tasas de fabricación de entre el 80 y el 100 %. Co-Scientist es penalizado cuando produce contenido inventado o copiado, y un módulo de verificación independiente coteja cada cifra del texto con los resultados reales del código ejecutado. En un estudio doble ciego con 30 expertos y 450 revisiones independientes de 150 artículos generados de forma autónoma, la tasa de resultados clave inventados cayó al 4 % con los módulos de fiabilidad activados, frente al 46 % sin ellos y al 90 % en el sistema de comparación. Los datos completamente inventados dejaron de aparecer por completo en Co-Scientist, y una arquitectura de seguridad integrada rechazó además el 98,7 % de las líneas de investigación potencialmente peligrosas.

El sistema escribió en el artículo métodos muy plausibles que no coincidían con el código realmente ejecutado.

Un largo camino hasta el investigador autónomo

A pesar de los avances, una ciencia totalmente automatizada sigue lejos: en la síntesis de materiales, los humanos aún tuvieron que cargar manualmente muestras y precursores, y si las recetas encontradas se pueden trasladar a otros laboratorios sigue siendo una incógnita, según Schmidgall. Aun así, el tema toca un nervio sensible: la investigación automatizada se considera hoy una de las áreas de aplicación más prometedoras de la IA. OpenAI, por ejemplo, planearía presentar en otoño un sistema de agentes capaz de investigar de forma autónoma al menos al nivel de un becario, según The Decoder. Si estos sistemas basados en LLM realmente descubren conocimiento nuevo o simplemente hacen explícito lo que ya estaba implícito en los datos sigue siendo objeto de debate entre los investigadores. Google destaca en sus propias entradas de blog casos de uso concretos: equipos utilizan Co-Scientist para encontrar interruptores moleculares detrás de enfermedades infecciosas emergentes, acelerar el descubrimiento de mecanismos de enfermedades hepáticas, unir herramientas biológicas para un nuevo enfoque contra la ELA y acelerar pistas genéticas para revertir el envejecimiento celular. El sistema se está haciendo accesible a investigadores individuales a través de «Hypothesis Generation», una nueva herramienta experimental desarrollada conjuntamente por Google DeepMind, Google Research, Google Cloud y Google Labs.

Lo que esto cambia para la investigación y las empresas de habla hispana: laboratorios y startups de biotecnología en España y América Latina obtienen un ejemplo concreto de lo que puede ser un asistente de IA con verificación de resultados integrada, y no solo un chatbot que resume literatura científica. Para universidades e institutos que compiten a escala internacional por financiación y publicaciones, la pregunta deja de ser si la IA trabajará en el laboratorio, y pasa a ser qué tan rápido su propia infraestructura —desde hornos automatizados hasta laboratorios robotizados— puede adaptarse a colaborar con ella.