La máquina que se hace sus propias preguntas: los sistemas de IA empiezan a decidir qué merece la pena investigar

La IA toma el timón en el laboratorio del investigador

Hay una diferencia que durante mucho tiempo ha separado al ser humano de la máquina: la capacidad de formular las preguntas adecuadas. Un asistente competente responde a lo que le preguntas. Un investigador competente sabe qué merece la pena preguntar en primer lugar, y cambia de rumbo cuando las pruebas apuntan en otra dirección.

Esa frontera se está difuminando.

Tres estudios publicados recientemente en arXiv dibujan en conjunto una imagen de sistemas de IA que van más allá de la ejecución pasiva y se acercan a algo parecido a un juicio científico genuino. No es ciencia ficción: son soluciones arquitectónicas concretas con resultados medibles.

MIRA: cuando la IA aprende a priorizar

El ejemplo quizá más claro es MIRA (Meta-reasoning for Iterative Research Agents), un sistema diseñado para resolver un problema clásico: ¿cómo debe un agente autónomo decidir qué investigar a continuación cuando los resultados aparecen de forma gradual y no todos a la vez?

La solución de MIRA es elegante desde la perspectiva del diseño de sistemas. La arquitectura divide la responsabilidad en dos capas: un planificador general que determina la orientación de la investigación, y un ejecutor independiente que se encarga del trabajo práctico. Esa división resuelve un problema bien conocido del aprendizaje por refuerzo: resulta difícil saber qué decisión merece el mérito cuando una larga secuencia de acontecimientos termina por producir un buen resultado.

Cuando el sistema se probó con demostración matemática de teoremas e investigación abierta en arquitecturas de redes neuronales, distribuyó los recursos computacionales de forma más eficiente que los métodos anteriores. Además, un modelo crítico integrado se entrena para estimar el valor restante a partir de estados a medio terminar, y ese conocimiento previo puede trasladarse a entornos de investigación completamente nuevos. Es un paso pequeño pero importante hacia una intuición científica generalizable.

Modelos del mundo: memoria frente a comprensión

Para que un agente de IA pueda planificar hacia adelante, necesita una imagen interna de cómo funciona el mundo: un llamado modelo del mundo. Un estudio independiente analiza cómo entrenar mejor estos modelos, y sus resultados son instructivos.

Los investigadores compararon dos enfoques: el ajuste fino tradicional de modelos de lenguaje frente a la generación aumentada por recuperación (RAG, por sus siglas en inglés, que permite al modelo consultar una memoria externa en tiempo real). El ajuste fino ganó en rendimiento bruto, con mejores resultados en 15 de 20 entornos de prueba. RAG, en cambio, consumía menos datos y era más fácil de actualizar.

Pero la conclusión realmente interesante es que la combinación de ambos métodos superó de forma consistente a cada uno por separado. La dinámica básica del entorno se aprende como parámetros, mientras que la información contextual específica se recupera de forma activa cuando hace falta. Esto recuerda al funcionamiento humano: parte del conocimiento está en el reflejo, y otra parte la buscamos cuando la necesitamos.

La IA como espejo cognitivo

El tercer sistema avanza en otra dirección y es, a su manera, el más interesante desde el punto de vista filosófico. Aquí la IA no se usa para investigar el mundo, sino para investigar el pensamiento humano.

La ciencia cognitiva lleva tiempo lidiando con un equilibrio: los modelos tradicionales son interpretables y aprovechan el conocimiento del investigador en su dominio, pero resultan rígidos. Los modelos de lenguaje modernos son escalables, pero a menudo ignoran la experiencia que poseen los científicos cognitivos de verdad.

El nuevo sistema híbrido combina ambos enfoques. Los modelos cognitivos creados por personas se expresan como programas probabilísticos. Después, agentes de IA analizan en qué puntos los modelos se desvían del comportamiento humano real, proponen ajustes dentro de marcos definidos por los investigadores y verifican que la estructura fundamental se mantiene intacta.

El resultado es que los modelos revisados se adaptan mejor a los datos reales y revelan un pequeño número de patrones recurrentes que capturan variaciones significativas en la forma en que las personas resuelven problemas. La IA ayuda, por tanto, a cartografiar la cognición humana con una precisión que no alcanzábamos por nuestra cuenta.

Tres sistemas, una misma dirección

Lo que une a MIRA, a los modelos del mundo híbridos y al sistema de cartografía cognitiva no es la tecnología en sí, sino la orientación. Los tres avanzan desde la IA como herramienta hacia la IA como colaboradora en el proceso científico: planificadora, priorizadora, correctora.

Es un cambio que merece tomarse en serio, no con preocupación, sino con curiosidad.