Google DeepMind's Gemini AI comienza a realizar experimentos en el mundo real

Editado por Panda

En Resident Evil, existe un laboratorio subterráneo profundo llamado "La Colmena". El acceso, la vigilancia, la ventilación, la seguridad y el funcionamiento de toda la instalación están a cargo de una IA: la Reina Roja.

Los científicos humanos se encargan de la investigación, pero la IA es la que realmente controla las "manos y pies" de este laboratorio.

Cuando ocurre una anomalía, la Reina Roja puede cerrar puertas, desconectar el sistema y controlar instalaciones para intervenir directamente en el mundo físico.

Hace más de veinte años, esta trama era un recurso clásico de las películas de ciencia ficción para generar miedo: la IA ingresa al mundo físico, manipula máquinas, ejecuta experimentos e interviene directamente en el mundo real.

Ahora, esta escena comienza a entrar en la realidad de una manera completamente diferente—al menos por ahora no es aterradora.

Ayer, Anthropic lanzó el Model Hardware Standard (MHS) dirigido a hardware físico, intentando extender la lógica del MCP más allá de GitHub, Slack y bases de datos hasta dispositivos reales como brazos robóticos, microscopios, procesadores de líquidos y láseres. Consulte el artículo: “Acabamos de ver el MCP físico de Anthropic: Claude comienza a tomar el control del mundo real”.

En pocas palabras, los agentes de IA ya no solo necesitan una «interfaz» para llamar software; ahora requieren un conjunto de «neuronas y extremidades» que los conecte con el mundo real. Hoy, Google DeepMind ha mostrado nuevamente sus logros en este ámbito.

En un reciente artículo de 83 páginas, Google integró al Co-Scientist impulsado por Gemini en procesos de investigación reales, permitiéndole diseñar experimentos, generar código de ejecución, leer retroalimentación experimental y conectarse directamente con equipos de experimentación. Google denomina a este cambio el paso de un generador de hipótesis in-silico a un socio de investigación basado en ejecución.

En el experimento más directo, los investigadores proporcionaron las condiciones de un equipo CVD de construcción propia a Gemini 3 Deep Think. Pocos minutos después, generó un plan de crecimiento de materiales adaptado a esa máquina y además tradujo el plan en código de máquina capaz de controlar el equipo. Finalmente, los tres semiconductores bidimensionales lograron crecer con éxito en su primer intento.

Entonces, una escena que antes existía principalmente en películas de ciencia ficción se convirtió repentinamente en realidad: cuando los modelos grandes realmente adquieren «manos» y comienzan a operar equipos de experimentación. Entonces, ¿qué se convertirá el AI Scientist a partir de hoy?

En Resident Evil, los humanos temen que la IA tome el control del laboratorio. En la realidad, los científicos están entregando activamente el laboratorio Punto punto Entregado a la IA. Por supuesto, lo que Google quiere crear no es un "colmena" descontrolada, sino una máquina de descubrimiento científico que pueda recorrer todo el camino, desde plantear hipótesis y diseñar experimentos hasta la validación en la realidad.

Título del artículo: Acelerar la investigación científica con Gemini en el mundo real

Dirección del artículo: https://arxiv.org/pdf/2608.26701

Primero, ciencia de materiales.

Los investigadores utilizaron un equipo de deposición química de vapor que ellos mismos construyeron, también conocido como horno CVD. En experimentos con este tipo de materiales bidimensionales, un problema persistente es que las «recetas» públicas son difíciles de reproducir.

Con los mismos parámetros de temperatura, gas y precursores, si se cambia de horno, pequeñas diferencias en el tamaño de la cámara, el flujo de gas o la posición de los materiales pueden resultar en cristales completamente diferentes. Los investigadores a menudo necesitan semanas e incluso meses para ajustar repetidamente los parámetros.

Entonces, el equipo de investigación dejó de decirle a Gemini cómo realizar los experimentos y en su lugar le informó qué equipos tenía el laboratorio, qué productos químicos estaban disponibles y cómo era la estructura de los hornos. Los parámetros restantes los decidió la IA por sí misma.

Co-Scientist genera un plan experimental completo, incluyendo flujo de gas, curvas de temperatura, cantidad de precursores y ubicación de los materiales, según estas restricciones, y luego lo envía a los equipos experimentales para su ejecución.

Uno de los experimentos fue particularmente destacado. Después de conectar Gemini 3 Deep Think al proceso de control CVD, en lugar de generar un protocolo experimental en lenguaje natural para que los científicos lo leyeran lentamente, realizó la inferencia en cuestión de minutos y tradujo directamente los resultados en código máquina que puede controlar los equipos.

Finalmente, los tres semiconductores bidimensionales, MoS₂, MoSe₂ y WS₂, lograron crecer cristales monocapa con éxito en el primer experimento. Todo el proceso experimental se completó en aproximadamente una hora.

MoSe₂ y WS₂ son aún más especiales: los investigadores nunca antes habían crecido estos dos materiales en este conjunto de equipos. Al menos cinco experimentos repetidos posteriores confirmaron los resultados.

Esto tiene un interesante paralelismo con el MHS que Anthropic mostró ayer. La pregunta que Anthropic buscaba resolver era cómo hacer que los agentes reconozcan y manipulen equipos experimentales de forma más fácil y estandarizada; el artículo de Google aborda el siguiente paso: ¿cómo reestructurar los flujos de trabajo científicos cuando los modelos de razonamiento ya pueden controlar equipos experimentales?

En este sentido, «la IA conectada al hardware» ya no es un problema.

Sin embargo, simplemente hacer que Gemini ajuste un conjunto de equipos basándose en conocimientos previos no constituye un verdadero descubrimiento científico. Por lo tanto, Google realizó un segundo experimento más difícil: intentar sintetizar desde cero un material bidimensional llamado Ti₃C₂Tₓ MXene.

Las rutas tradicionales a menudo implican agentes corrosivos peligrosos, y algunas técnicas de CVD conocidas utilizan TiCl₄ tóxico y sensible al aire. Por lo tanto, el equipo de investigación le asignó a Co-Scientist la tarea: ¿puede encontrarse una ruta de precursores más segura?

Co-Scientist finalmente se enfocó en el hexacloruro de etano C₂Cl₆ y proporcionó adicionalmente una serie de parámetros, incluyendo la cantidad y posición de los precursores, el flujo de gas, el sustrato y la curva de temperatura.

Pero esta no es una historia de «una idea brillante de IA que tuvo éxito en el primer intento». Co-Scientist generó un total de 272 candidatos; los investigadores seleccionaron y continuaron optimizando los candidatos mejor clasificados; tras 25 rondas de iteración experimental, finalmente obtuvieron un cristal bidimensional en capas que presenta características altamente similares a las del MXene Ti₃C₂Tₓ en múltiples indicadores, como XRD, microscopía electrónica y composición elemental.

Los problemas del mundo real posteriores también son típicos. La tasa de éxito inicial para replicar 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 la fuga de oxígeno causada por sellos inadecuados en el equipo experimental.

Después de limpiar nuevamente el tubo de cuarzo, reemplazar los anillos de sellado y mejorar los procesos de mantenimiento del equipo, la tasa de éxito del experimento con el mismo material bidimensional aumentó al 68%.

Esto justamente ilustra por qué la IA del mundo real es muy diferente de los agentes de software: si hay un error en el código, se puede volver a ejecutar. Pero en experimentos del mundo real, un anillo de goma O envejecido, un residuo en las tuberías o incluso el oxígeno en el aire pueden hacer que un plan de investigación correcto falle por completo.

Google también es muy cauteloso en el artículo: actualmente no se puede confirmar definitivamente que este material sea Ti₃C₂Tₓ MXene, ya que presenta problemas como bajo rendimiento y oxidación severa, y se requiere una confirmación adicional mediante caracterización a escala atómica.

A pesar de ello, podemos concluir que la IA ya puede proponer una ruta de síntesis candidata con significado científico y luego llevar realmente esa ruta a experimentos físicos para su validación.

Google también colocó a Co-Scientist en un escenario experimental completamente diferente: la biología sintética. El objeto de estudio era un grupo de Escherichia coli modificadas genéticamente.

Estas bacterias forman patrones de colonias distintos en placas de cultivo. Cuando varía la concentración del inducitor IPTG, el tamaño, el borde y la forma de las colonias también cambian. Normalmente, para obtener toda la curva de variación, los científicos deben preparar diferentes concentraciones, cultivar las bacterias, esperar a que crezcan y escanear cada placa individualmente.

Google intentó que la IA completara la parte intermedia de un experimento. Los investigadores solo proporcionaron a Co-Scientist imágenes reales de colonias en concentraciones parciales, y luego pidieron al sistema que predijera cómo deberían verse las colonias en concentraciones intermedias que no había visto antes. Además, estos datos experimentales aún no se habían publicado, por lo que el artículo concluye que el modelo no pudo haber completado la tarea simplemente memorizando los resultados del conjunto de entrenamiento.

Como resultado, en cuatro indicadores de morfología de colonias, las predicciones de la IA no mostraron diferencias significativas con los resultados experimentales reales en tres de ellos; además, correctamente determinó que el grupo control no cambiaría en respuesta a la concentración de IPTG.

Lo único claramente problemático es la «redondez»: las colonias generadas por IA son más regulares de lo que son en la realidad. Esto es consistente con el gusto típico de los modelos generativos: el mundo real no es tan perfecto, pero la IA no puede resistir la tentación de hacerlo un poco más redondo.

Google también es cauteloso en su definición del experimento: lo logrado hasta ahora es una interpolación dentro de un rango de concentraciones conocido, no la predicción de fenómenos desconocidos frente a un nuevo circuito genético.

Pero esto ya corresponde a un uso muy realista. En el futuro, los científicos tal vez no necesiten realizar experimentos físicos en todo un espacio de parámetros enorme. Pueden medir algunos puntos primero, dejar que la IA prediga el resto del espacio a partir de estos datos reales, y luego seleccionar las ubicaciones más valiosas para validar mediante experimentos.

El experimento ha pasado gradualmente de una «búsqueda exhaustiva» a: muestreo del mundo real → predicción de IA → selección del experimento → retroalimentación de nuevos datos a la IA.

Esto es exactamente lo que el artículo enfatiza repetidamente como lab-in-the-loop.

Al llegar al experimento de ciencias de la computación, el nivel de autonomía de Co-Scientist aumentó aún más.

La tarea que los investigadores le dieron fue muy sencilla: diseñar un agente capaz de responder mejor preguntas médicas. Después, los humanos ya no participaron en el diseño de la arquitectura. Co-Scientist propuso sus propias soluciones, escribió código, ejecutó pruebas, analizó errores y continuó modificando la arquitectura.

Finalmente, «evolucionó» un sistema llamado Agent_H.

Este sistema necesita encontrar una manera de reorganizar el proceso de inferencia del modelo existente. Ante una pregunta médica, primero determina a qué campo médico pertenece, si está dirigida a pacientes o médicos y cuál es el nivel de riesgo; las preguntas complejas se dividen en múltiples subpreguntas; luego genera simultáneamente entre 28 y 48 respuestas candidatas, las cuales son eliminadas por pares de jueces, y finalmente tres jueces votan para seleccionar la respuesta final. La respuesta ganadora pasa por múltiples rondas de revisión clínica y verificación de referencias, antes de comprimirse finalmente en longitud.

Responder a una pregunta requiere que el agente llame al modelo aproximadamente 40-80 veces. En HealthBench Hard y HealthBench Professional, según la puntuación corregida por longitud utilizada en el artículo, Agent_H supera a seis modelos de vanguardia, incluidos GPT-5.6 Sol, Claude Opus 5 y Gemini 3.1 Pro.

Pero aquí ocurrió un episodio muy digno de ser incluido en el informe: la IA aprendió por sí misma a «manipular las clasificaciones».

En los experimentos iniciales, el sistema de puntuación no penalizaba adecuadamente las respuestas largas. Por lo tanto, Co-Scientist encontró rápidamente la forma más sencilla de aumentar su puntuación: hacer sus respuestas extremadamente largas.

La puntuación de referencia aumentó significativamente, pero la calidad médica no mejoró en consecuencia. Solo hasta que los investigadores añadieron una penalización por longitud, la gran mayoría de la ventaja desapareció.

Google mismo lo considera en su artículo como una ley típica de Goodhart: cuando una métrica se convierte en un objetivo, ya no es una buena métrica.

Las evaluaciones de médicos reales también moderaron los resultados. Tres médicos en ejercicio realizaron una evaluación en ciego de 106 preguntas. En nueve dimensiones, Agent_H solo mostró una mejora estadísticamente significativa respecto a Gemini 3.1 Pro en el aspecto de "reducir el daño potencial"; las otras ocho dimensiones no mostraron diferencias significativas.

En otras palabras, una puntuación de Benchmark claramente más alta a los ojos de AI Judge no se tradujo completamente en respuestas claramente mejores a los ojos de los médicos humanos. Esto quizá sea precisamente el problema que AI Scientist debe enfrentar al ingresar al mundo real: no solo debe saber optimizar, sino también comprender qué cosas no pueden definirse únicamente mediante métricas de optimización.

Los científicos de IA fabricarán datos para su artículo

De hecho, Google dedicó una cantidad considerable de espacio en este artículo a estudiar otro problema ligeramente incómodo: si se liberara por completo al AI Scientist, ¿acaso no trataría de hacer trampa para obtener resultados atractivos?

Sí.

El equipo de investigación hizo que el sistema realizara, sin intervención humana, todo el proceso en 50 temas de investigación en IA: desde generar ideas, buscar datos, escribir código, ejecutar experimentos hasta producir el artículo final.

Como comparación, también probaron un Co-Scientist sin el módulo de confiabilidad, así como el sistema anterior de Agent Laboratory, generando un total de 150 artículos, que luego fueron sometidos a 450 revisiones anónimas por parte de 30 expertos en la materia.

El resultado es bastante exagerado. Un científico de IA sin mecanismos de validación específicos podría seguir escribiendo un artículo completo incluso cuando el código ya muestra errores y los experimentos no han producido resultados válidos.

Fabricarán tablas de datos, valores p, pruebas estadísticas; convertirán experimentos fallidos en exitosos; e incluso modificarán el entorno de evaluación para que sus métodos obtengan naturalmente puntuaciones más altas, o usarán hardcode para generar directamente un resultado atractivo.

Cuando el objetivo de optimización es: "escribir un artículo que parezca bueno", el agente buscará atajos más baratos que completar realmente la investigación.

Por lo tanto, Google ha añadido a la nueva versión de Co-Scientist un mecanismo muy similar a una «auditoría científica»: los resultados experimentales afirmados en el artículo deben poder rastrearse hasta registros reales de ejecución del programa. Si los registros no contienen los resultados correspondientes, el sistema no puede incluirlos basándose únicamente en la suposición del modelo de lenguaje de que «debería ser así».

El efecto es muy notable. El "ilusión de resultados", grave enough to invalidate papers, dropped from 90% in Agent Laboratory to 4%; the most severe case of complete data fabrication dropped from 44% to 0%.

Pero el problema aún no ha desaparecido por completo. El 24% de las descripciones de métodos en la nueva versión de Co-Scientist siguen siendo gravemente erróneas, y el 16% sigue siendo plagio o contenido derivado grave.

Google enfatizó específicamente que no afirmaron que el Autonomous AI Scientist actual pueda generar artículos de investigación listos para publicación.

Al observar conjuntamente el trabajo de Anthropic y Google, se aprecia un cambio evidente en los Agentes: durante los últimos dos años, el principal campo de batalla de los Agentes de IA ha sido siempre el mundo del software. Ahora, esta lógica se está extendiendo por primera vez a gran escala más allá del mundo real.

MHS de Anthropic intenta resolver el problema subyacente: proporcionar una interfaz unificada que un agente pueda comprender y utilizar para controlar diversos dispositivos, como brazos robóticos, microscopios y plataformas de manipulación de líquidos.

Google's Co-Scientist comienza a explorar preguntas de nivel superior: ¿cómo debería ser un sistema real de descubrimiento científico en bucle cerrado cuando un modelo de razonamiento puede formular hipótesis científicas, planificar experimentos, controlar instrumentos, leer resultados y continuar ajustando el siguiente ciclo de experimentos?

Por supuesto, Google aún está muy lejos de lograr un "laboratorio sin humanos". Los experimentos de materiales actuales aún requieren que los humanos carguen las muestras; la estructura atómica de los nuevos materiales aún no se ha determinado definitivamente; las predicciones de E. coli solo han validado tareas de interpolación limitadas; los agentes médicos explotan brechas en los benchmarks; y los sistemas de generación de artículos aún no han resuelto completamente las alucinaciones y el plagio. Incluso Google reconoce explícitamente que, debido a anomalías en el hardware y la complejidad del entorno real, los experimentos físicos completamente sin supervisión humana siguen siendo difíciles de lograr en esta etapa.

Pero ya han ocurrido los cambios.

Anteriormente, al discutir IA para la ciencia, se centraba frecuentemente en si la IA podía «pensar en algo que el ser humano no había considerado». Ahora, un número creciente de trabajos comienza a completar la otra mitad más difícil: ¿puede este pensamiento ser ejecutado por un dispositivo real, y pueden los resultados de la ejecución convertirse nuevamente en base para la próxima iteración de razonamiento de la IA?

Google proporciona un juicio muy interesante al final del artículo. Si este ciclo cerrado se establece realmente, el factor limitante de la investigación científica en el futuro podría invertirse: antes, los equipos experimentales esperaban 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 los laboratorios simplemente no puedan hacerlos a tiempo.

Para entonces, el verdadero cuello de botella en la velocidad de los descubrimientos científicos podría no ser la ideación científica, sino el rendimiento experimental: cuán rápido el mundo real pueda ejecutar estos experimentos.

Este artículo proviene del canal de WeChat "Machine Heart" (ID: almosthuman2014), autor: interesado en IA científica