La IA también puede ampliar la red de búsqueda de hipótesis y reducirla más rápidamente. Como resultado, las herramientas de IA pueden ayudar a formular hipótesis más sólidas, como modelos que arrojan candidatos más prometedores para nuevos medicamentos. Ya estamos viendo simulaciones que se ejecutan en varios órdenes de magnitud más rápido que hace unos años, lo que permite a los científicos probar más opciones de diseño en la simulación antes de llevar a cabo experimentos en el mundo real.
Los científicos de CalTech, por ejemplo, utilizaron un Modelo de simulación de fluidos de IA para diseñar automáticamente un mejor catéter que evite que las bacterias naden río arriba y causen infecciones. Esto cambiará fundamentalmente el proceso incremental de descubrimiento científico, lo que permitirá a los investigadores diseñar la solución óptima desde el principio en lugar de avanzar a través de una larga línea de diseños progresivamente mejores, como vimos en años de innovación en filamentos en el diseño de bombillas.
Pasando al paso de la experimentación, la IA podrá realizar experimentos más rápido, más barato y a mayor escala. Por ejemplo, podemos construir máquinas impulsadas por IA con cientos de micropipetas funcionando día y noche para crear muestras a una velocidad que ningún ser humano podría igualar. En lugar de limitarse a solo seis experimentos, los científicos pueden usar herramientas de inteligencia artificial para ejecutar mil.
Los científicos que están preocupados por su próxima subvención, publicación o proceso de titularidad ya no estarán obligados a realizar experimentos seguros con las mayores probabilidades de éxito, sino que tendrán la libertad de perseguir hipótesis más audaces e interdisciplinarias. Al evaluar nuevas moléculas, por ejemplo, los investigadores tiend en a apegarse a candidatos de estructura similar a los que ya conocemos, pero los modelos de IA no tienen que tener los mismos sesgos y restricciones.
Eventualmente, gran parte de la ciencia se llevará a cabo en “laboratorios autónomos”: plataformas robóticas automatizadas combinadas con inteligencia artificial. Aquí, podemos llevar la destreza de la IA del ámbito digital al mundo físico. Estos laboratorios autónomos ya están surgiendo en empresas como Laboratorio Nube Esmeralda y Artificial e incluso en Laboratorio Nacional de Argonne.
Finalmente, en la etapa de análisis y conclusión, los laboratorios autónomos irán más allá de la automatización y, informados por los resultados experimentales que produjeron, utilizarán LLM para interpretar los resultados y recomendar el próximo experimento a ejecutar. Luego, como socios en el proceso de investigación, el asistente de laboratorio de IA podría solicitar suministros para reemplazar los utilizados en experimentos anteriores y configurar y ejecutar los siguientes experimentos recomendados durante la noche con resultados listos para entregar en la mañana, todo mientras el experimentador duerme en casa.
Posibilidades y limitaciones
Los investigadores jóvenes podrían estar moviéndose nerviosamente en sus asientos ante la perspectiva. Afortunadamente, es probable que los nuevos trabajos que surjan de esta revolución sean más creativos y menos tontos que la mayoría del trabajo de laboratorio actual.
Las herramientas de IA pueden reducir la barrera de entrada para nuevos científicos y abrir oportunidades para aquellos tradicionalmente excluidos del campo. Con los LLM capaces de ayudar en la creación de código, los estudiantes de STEM ya no tendrán que dominar lenguajes de codificación oscuros, abriendo las puertas de la torre de marfil a nuevos talentos no tradicionales y facilitando que los científicos se comprometan con campos más allá de los suyos. Pronto, los LLM específicamente capacitados podrían ir más allá de ofrecer primeros borradores de trabajos escritos, como propuestas de subvenciones, y podrían desarrollarse para ofrecer revisiones “por pares” de nuevos artículos junto con revisores humanos.