El enjambre de IA de OpenAI lee millones de células cerebrales en 32 minutos
Un equipo de OpenAI, el grupo de investigación PerturbAI y el instituto Scripps Research ha realizado un experimento que puede decir más sobre cómo se hace la ciencia que sobre cualquier descubrimiento concreto. Según un informe de OpenAI publicado el 21 de octubre, miles de agentes de IA se lanzaron sobre datos biológicos que abarcaban millones de células cerebrales de ratón. Todo el análisis tomó 32 minutos.
La comparación que ofrecen los investigadores es la parte interesante. Estiman que si científicos humanos revisaran los mismos resultados punto por punto, contrastando cada hallazgo con la literatura publicada sobre la marcha, el trabajo podría haber llevado meses y posiblemente hasta un año. Los agentes no se limitaron a resumir un archivo. Se les pidió razonar sobre un gran conjunto de resultados experimentales y conectarlos con trabajos previos.
El trabajo se basó en GPT-Rosalind, un modelo creado específicamente para la investigación en ciencias de la vida y no para chat general. Ese detalle importa. La mayor parte del ruido en torno a la IA en la ciencia ha venido de sistemas de propósito general a los que se pide responder preguntas tipo examen. Un modelo ajustado para datos biológicos y luego desplegado en grandes cantidades es una propuesta diferente, más cercana a un instrumento de investigación que a un chatbot.
La arquitectura es lo que hace posible la velocidad. En lugar de un solo modelo trabajando en una cola, muchos agentes trabajan en paralelo, cada uno tomando una porción de los datos, y sus resultados se ensamblan después. Este es el mismo patrón que ahora se extiende por la ingeniería de software y la atención al cliente, donde flotas de agentes manejan tareas que de otro modo se serializarían. La biología, con sus enormes y desordenados conjuntos de datos, es un próximo objetivo obvio.
Los escépticos plantearán las preguntas habituales, y son justas. La automatización a esta escala puede producir errores confiados rápidamente, y verificar la conclusión de un agente puede costar casi tanto como llegar a ella a mano. La afirmación honesta aquí es sobre el rendimiento, no sobre reemplazar el juicio de un científico que sabe qué anomalías vale la pena perseguir. Los 32 minutos son el tiempo para producir un análisis, no el tiempo para confiar en él.
Aun así, la dirección del viaje es clara. Los grupos de investigación han pasado los últimos dos años experimentando con la IA como ayudante para tareas individuales: redactar un resumen, sugerir una hipótesis, escribir una línea de código. Entregar todo un pipeline analítico a un enjambre coordinado es un paso más allá, y presiona las partes del proceso científico que nunca fueron diseñadas para la velocidad de las máquinas, como la revisión por pares y la replicación.
Para los lectores globales, la importancia es menos sobre cerebros de ratón que sobre una plantilla. Si miles de agentes pueden devorar un conjunto de datos de millones de células en media hora, el mismo enfoque se probará en registros clínicos, cribado de materiales y datos climáticos, dondequiera que el cuello de botella sea la atención humana y no la potencia de cálculo bruta. Esté atento a la replicación independiente del resultado y a si los investigadores publican cómo se verificaron los hallazgos de los agentes.