Google DeepMind presenta Co-Scientist: una IA para generar hipótesis científicas basada en autojuego
Un sistema multiagente construido sobre Gemini propuso y validó de forma autónoma varias hipótesis biomédicas: encontró un inhibidor de IRE1 para tratar la leucemia y redescubrió un mecanismo de transferencia de genes de resistencia bacteriana en solo dos días de computación.
El artículo en Nature del 19 de mayo de 2026 no es solo una demostración de las capacidades de Gemini. Es un elemento clave de una batalla arquitectónica más amplia por el control sobre cómo se genera el conocimiento científico. Mientras el público se maravilla con nuevos candidatos a fármacos para la leucemia, se está produciendo un cambio tectónico en los laboratorios: los sistemas multiagente basados en modelos de lenguaje están pasando de ser recuperadores pasivos de información a árbitros de la verdad científica. Co-Scientist de Google DeepMind no es una herramienta para científicos; es una apuesta por crear un nuevo sistema operativo para todo el proceso de investigación, capaz no solo de generar hipótesis, sino también de clasificarlas, criticarlas y mejorarlas evolutivamente.
El núcleo: de generador de texto a simulador del método científico
El sistema es una coalición de siete agentes de IA especializados divididos en tres fases: generación, debate y evolución. La arquitectura difiere fundamentalmente de los chatbots convencionales. Los agentes no se limitan a generar texto bajo demanda: interactúan de forma asíncrona, donde un "generador" propone ideas, un "reflector" actúa como revisor virtual y un "clasificador" realiza torneos de ideas utilizando un principio tomado de AlphaGo. En lugar de jugar al Go, el sistema juega a debates científicos, optimizando las apuestas no para ganar el tablero, sino para la novedad y verificabilidad de la hipótesis.
La innovación clave es escalar el tiempo de cómputo en inferencia. El sistema asigna la mayor parte de los recursos no a la generación, sino a la verificación de hipótesis, contrastando cada afirmación con la literatura científica y bases de datos como ChEMBL y UniProt, y en algunos casos incluso invocando AlphaFold para la validación estructural. Co-Scientist no solo "inventa": verifica, y esta es su diferencia fundamental con los predecesores alucinantes.
Cronología y contexto: la carrera de los agentes científicos
El anuncio de Co-Scientist coincidió con la publicación de un sistema competidor, Robin, de FutureHouse. Nature sincronizó deliberadamente la publicación de ambos artículos, señalando al mercado la formación de una nueva clase de producto. Detrás de esto hay meses de preparación: las primeras pruebas de Co-Scientist se realizaron en modo cerrado con el Imperial College de Londres, donde el sistema, bajo la dirección del profesor José Penadés, redescubrió un mecanismo de transferencia horizontal de genes en bacterias que el equipo de Penadés había descubierto experimentalmente pero aún no había publicado. Cuenta la leyenda que el científico, al ver el resultado de Co-Scientist, preguntó si la IA había mirado sus borradores: tan exactamente replicó el sistema la lógica del descubrimiento humano en solo dos días de computación.
Quién gana y quién pierde
El principal ganador es Google Cloud. Lanzar Co-Scientist a las masas a través de la plataforma Google Labs es una estrategia clásica de captura de mercado mediante dependencia de infraestructura. Los investigadores que se acostumbren a ejecutar "torneos de hipótesis" en las TPU de Google difícilmente cambiarán a otra nube.
También ganan las grandes farmacéuticas con contratos existentes con DeepMind. Como demostró la adquisición de la startup Reliant AI por parte de Cohere para verticalizar la IA en la industria farmacéutica, el sector está dispuesto a pagar grandes sumas por sistemas que aceleren la I+D.
Pierden los posdoctorales e investigadores junior, cuyo trabajo era en un 70% búsqueda bibliográfica y generación de hipótesis. Su función ahora está automatizada a coste marginal cero. Empresas como OpenAI también pierden, ya que aún no han presentado una arquitectura multiagente similar para la ciencia, limitándose al razonamiento general con o1.
Lo que los medios no dicen
El primer punto ciego es el problema de reproducibilidad de las hipótesis generadas por IA. Si Co-Scientist utiliza como "revisor" a otro agente basado en el mismo modelo Gemini, la crítica se convierte en un bucle cerrado: un modelo verifica a un modelo según reglas escritas por un modelo.
El segundo punto no obvio es el silencio estratégico en torno al "redescubrimiento" del mecanismo de resistencia. Un sistema entrenado con un corpus de literatura científica absorbe inevitablemente patrones estadísticos, incluso si un artículo concreto estaba bajo embargo. El éxito del sistema puede explicarse no por creatividad, sino por la capacidad de Gemini para captar señales débiles de publicaciones relacionadas.
Pronóstico: los próximos 30 y 90 días
En los próximos 30 días, espero una oleada de registros en labs.google/science y los primeros intentos independientes de replicar los resultados reportados. En 90 días, la comunidad científica se dividirá entre quienes acepten a Co-Scientist como coautor (y presenten solicitudes de subvención escritas por IA) y quienes exijan una prohibición total del uso de estos sistemas en la revisión por pares debido al riesgo de contaminar el entorno intelectual con hipótesis sintéticas. El mercado de agentes de IA científica alcanzará los 2 mil millones de dólares a finales de año, y Google pretende capturar una parte significativa.
— Editorial Team
