IAGenerado
EN · IT · ES

Los agentes de IA colaboraron con científicos para realizar experimentos autónomos de rayos X

Un nuevo estudio demuestra que humanos y agentes de IA trabajando juntos pueden operar autónomamente un instrumento de laboratorio y mejorar con el tiempo.

Cómo funcionaLos agentes de IA colaboraron con científicos para realizar experimentos autónomos de rayos XHerald of AI

Qué se puede hacer con ello

  • Un investigador podría realizar experimentos autónomos de rayos X en sincrotrones sobre superredes de nanopartículas usando un conjunto evolutivo de objetivos definidos por humanos en lugar de instrucciones fijas 1.
  • Un equipo de laboratorio podría permitir que humanos y agentes de IA conversen en tiempo real mientras el equipo real ejecuta un experimento, compartiendo el trabajo sobre la marcha 1.
  • Un científico podría consultar transcripciones completas de conversaciones entre personas y agentes de IA para rastrear exactamente por qué se tomó cada decisión en el experimento 1.

Un equipo, no un robot solitario

El artículo, publicado en arXiv en noviembre de 2026 por Gunik Luthra, Ronald J. Pandolfi, Benjamin T. Diroll y siete coautores, estudió cómo las personas y los agentes de IA comparten tareas al realizar trabajo de laboratorio real 1. En lugar de darle a una IA un trabajo fijo, los investigadores configuraron una «infraestructura de agente de codificación» basada en métodos ya demostrados en ciencia, permitiendo que humanos y agentes conversaran mientras el experimento se ejecutaba en equipo real .

Esa conversación fue totalmente registrada. Cada mensaje entre la persona y la IA, y entre diferentes agentes de IA, se guardó para que cualquiera pudiera luego rastrear exactamente por qué se tomó cada decisión 1.

Quién hizo qué

En tres sesiones separadas, entre el 61 y el 67 por ciento de los mensajes concernían a interpretar resultados o emitir juicios, no solo seguir instrucciones preestablecidas 1. A medida que el equipo trabajó junto en los experimentos, la proporción de contribuciones centradas en métodos y ciencia reales aumentó del 46 por ciento en la primera sesión, centrada en la configuración, a entre el 56 y el 61 por ciento más adelante .

Aproximadamente la mitad de todas las decisiones incluyó la entrada de otro participante, humano o agente 1. Cuando ocurrieron errores, entre el 59 y el 68 por ciento de las correcciones provino de varias personas o agentes trabajando juntos en lugar de que una sola persona arreglara las cosas .

Por qué importa compartir el crédito

Los investigadores dicen que esos números importan porque muestran que tanto las personas como los agentes de IA estaban realizando pensamiento científico genuino, no solo escribiendo comandos 1. Tener transcripciones completas también significa que nadie puede ocultar cómo se llegó a un resultado, una característica que los autores argumentan que podría convertirse en estándar para cualquier sistema de IA utilizado en laboratorios reales .

El estudio no describe un producto terminado que puedas instalar hoy; es una demostración temprana en un instrumento de sincrotrón real con objetivos evolutivos definidos por humanos 1. Pero los autores dicen que el enfoque podría guiar cómo se diseñan futuros sistemas científicos multiagente, cómo se entrenan modelos de IA para uso de laboratorio y cuán accesibles pueden llegar a ser los experimentos autónomos .

Qué tan bueno es

En tres experimentos reales en un instrumento de sincrotrón, entre el 61 y el 67 por ciento de todos los mensajes involucraron interpretación o juicio genuinos en lugar de simplemente seguir comandos preestablecidos 1. La proporción de contribuciones metodológicas y científicas aumentó del 46 por ciento en la primera sesión, centrada en la configuración, a entre el 56 y el 61 por ciento en sesiones posteriores, lo que muestra que el equipo se volvió más enfocado en la ciencia con el tiempo . Aproximadamente la mitad de todas las decisiones incluyó la entrada de otro participante, humano o agente, y entre el 59 y el 68 por ciento de las correcciones de errores provinieron de varias personas o agentes trabajando juntos en lugar de que una sola parte corrigiera las cosas . Los autores califican esto de demostración temprana, no de producto terminado e instalable, por lo que estos son números operativos sobre objetivos evolutivos en lugar de una comparación pulida contra competidores .

Los datos clave

  • Entre el 61 y el 67 por ciento de los mensajes involucraron interpretación o juicio
  • Las contribuciones metodológicas aumentaron del 46 por ciento al 56-61 por ciento en los experimentos
  • Aproximadamente el 50 por ciento de las decisiones incluyó la entrada de otro participante
  • Entre el 59 y el 68 por ciento de las correcciones de errores involucraron a múltiples participantes
  • Artículo publicado en arXiv en noviembre de 2026 por nueve autores

Fuentes

  1. Auditable Human-Agent Teams for Autonomous X-ray Experimentation

Si esta noticia te afecta a ti o a tu empresa, o usa algo que te pertenece, pide una corrección o que se retire. Cómo funcionan las solicitudes

Sigue leyendo