📺 Vídeo de estudio recomendado hoy: https://www.youtube.com/watch?v=EInEmGaMRLc

La Evolución de la Inteligencia: Cómo los LLMs están Re-inventando el Método Científico

Robert Lange, investigador de Sakana AI, nos sumerge en un futuro donde la inteligencia artificial no solo genera respuestas, sino que evoluciona sus propios algoritmos. A través de la optimización evolutiva y la curiosidad artificial, estamos pasando de simples asistentes de chat a arquitectos de descubrimientos científicos autónomos.

Pregunta central: ¿Podemos automatizar el descubrimiento científico mediante la co-evolución de problemas y soluciones utilizando modelos de lenguaje?

Puntos clave

• Shinka Evolve: Un sistema evolutivo que optimiza programas con una eficiencia de muestreo sin precedentes.
• Apertura (Open-endedness): La importancia de permitir que la IA descubra “peldaños” (stepping stones) sin una meta fija.
• El Científico de IA V2: La transición de plantillas rígidas a una búsqueda en árboles agentica basada en el falsacionismo.
• Humano como “Pastor”: El nuevo rol del investigador como supervisor de una inteligencia colectiva distribuida.

⏱️ Tiempo de lectura: aprox. 9 minutos · Te ahorra unos 69 minutos frente a ver el vídeo.

¿Quieres tomar notas mientras ves el vídeo? Haz clic en la imagen de abajo y deja que AI Notebook extraiga los puntos clave por ti 👇

Shinka Evolve y la Computación Evolutiva

Optimizando código mediante selección natural

Robert explica cómo Shinka Evolve utiliza modelos de lenguaje para mutar y cruzar programas de forma mucho más eficiente que los métodos anteriores de “fuerza bruta”.
A diferencia de trabajos previos como Alpha Evolve, este sistema introduce innovaciones técnicas como la priorización adaptativa de modelos mediante algoritmos de bandidos multibrazo (UCB), lo que permite seleccionar dinámicamente qué LLM —ya sea Gemini o GPT— es el más apto para proponer una mutación específica en cada nodo del árbol de búsqueda evolutivo, optimizando así drásticamente el costo computacional.
El nombre “Shinka” juega con el concepto japonés de evolución, subrayando un proceso donde el propio algoritmo evolutivo mejora mientras optimiza las soluciones, creando un ciclo de retroalimentación meta-evolutivo que permite alcanzar resultados de estado del arte en problemas complejos como el empaquetado de círculos.

💡 Profundizando

Q: ¿Por qué usar múltiples modelos en lugar de solo el mejor?
A: Porque ningún modelo domina todas las tareas; el algoritmo UCB aprende en tiempo real cuál es más creativo o preciso para un fragmento de código específico.
Q: ¿Qué es el “crossover” en este contexto?
A: Es pedirle al LLM que combine las mejores características de dos programas diferentes para generar una solución híbrida superior.
Q: ¿Cómo evitan que el LLM rompa el código esencial?
A: Utilizan “marcadores” para definir partes inmutables del código y técnicas de muestreo por rechazo si el modelo intenta modificar lo prohibido.

El “Problema del Problema” y la Apertura

Inventando desafíos para alcanzar la grandeza

Uno de los mayores obstáculos actuales es que los humanos seguimos definiendo el problema exacto a resolver, lo que limita la capacidad de los sistemas para encontrar soluciones disruptivas.
Lange argumenta que la verdadera innovación a menudo requiere inventar primero un problema diferente, permitiendo que la IA explore caminos que inicialmente parecen inútiles pero resultan ser peldaños esenciales para el éxito futuro.
Inspirándose en la filosofía de Ken Stanley sobre la “apertura”, se propone una co-evolución donde tanto los agentes como sus entornos se vuelven más complejos en un currículo automático, expandiendo la frontera de lo posible sin la intervención constante de un diseñador humano que introduzca sus propios sesgos en cada etapa del desarrollo.
Este enfoque sugiere que los sistemas de IA más inteligentes del mañana podrían ser aquellos que “juegan” a resolver acertijos sin utilidad inmediata.

💡 Profundizando

Q: ¿Qué significa que un sistema sea “parasitario” de sus condiciones iniciales?
A: Que si el humano da un punto de partida muy optimizado, la IA se queda atrapada en un óptimo local y no descubre nada realmente nuevo.
Q: ¿Cómo se aplica la “Navaja de Ockham” aquí?
A: Los LLMs capturan patrones naturales del mundo; usar evolución ayuda a encontrar la solución más simple y robusta dentro de esa vasta complejidad.
Q: ¿Qué es la incertidumbre Knightiana en ML?
A: Es la capacidad de los sistemas para manejar “incógnitas desconocidas”, algo en lo que los algoritmos evolutivos sobresalen frente a la optimización tradicional.

El Científico de IA V2: Autonomía Total

Del chat lineal a la búsqueda en árboles agentica

La segunda versión del “AI Scientist” abandona las plantillas rígidas para adoptar un enfoque de búsqueda en árboles que imita de forma fiel el método científico.
El sistema ahora es capaz de recolectar evidencia, formular hipótesis basadas en resultados previos y rechazar sus propias ideas si los datos no las respaldan, integrando una lógica de falsacionismo popperiano que permite una exploración paralela y adaptable del espacio de ideas, en lugar de seguir un plan de ejecución lineal predefinido por un prompt estático.
Aunque los resultados actuales suelen situarse al nivel de un taller de investigación (workshop), Lange visualiza un futuro cercano donde estas máquinas colaborarán con laboratorios físicos robóticos para ejecutar experimentos reales de forma totalmente autónoma.
Esto transformará la publicación científica de documentos estáticos en artefactos reproducibles y legibles por agentes.

💡 Profundizando

Q: ¿Qué es lo más difícil de automatizar en la ciencia?
A: La verificación dura; es fácil generar ideas que “parecen” científicas, pero difícil asegurar que los resultados sean verdaderos y no “alucinaciones” experimentales.
Q: ¿Sustituirá la IA a los doctorados?
A: No, pero cambiará su labor: pasarán de ejecutar experimentos tediosos a “pastorear” flotas de agentes que exploran miles de hipótesis simultáneamente.
Q: ¿Cuál es el papel del “AI Reviewer”?
A: Actuar como un primer filtro crítico para descartar investigaciones irrelevantes o con errores metodológicos antes de la revisión humana.

Conclusiones clave

La inteligencia artificial está transitando de ser una herramienta de consulta a un motor de descubrimiento autónomo. La combinación de modelos de lenguaje con algoritmos evolutivos permite explorar el árbol del conocimiento humano a una velocidad y escala imposibles para nuestra especie. No se trata solo de optimizar lo que ya conocemos, sino de crear sistemas que tengan la “curiosidad” necesaria para encontrar soluciones fuera de la caja.

El éxito de este paradigma depende de nuestra capacidad para construir infraestructuras que permitan a los agentes verificar sus hallazgos en el mundo real. La ciencia del futuro no será un camino lineal, sino un proceso masivamente distribuido donde los humanos actuarán como directores de orquesta, definiendo valores y visiones mientras la IA ejecuta la compleja sinfonía de la experimentación y el descubrimiento.

Preguntas y Respuestas

Q1: ¿Es Shinka Evolve mejor que el razonamiento de OpenAI (o1)?
A1: Son enfoques complementarios. Mientras o1 se enfoca en el razonamiento en tiempo de inferencia, Shinka utiliza la evolución para encontrar arquitecturas y programas que persisten y mejoran a largo plazo fuera del contexto de una sola charla.

Q2: ¿Cómo afecta esto al mercado laboral de la investigación?
A2: Robert cree que habrá una “evolución cultural”. Los investigadores que aprendan a usar estos agentes para amplificar su productividad verán su valor multiplicado, similar a cómo los ingenieros de DevOps reemplazaron a los administradores de sistemas tradicionales.

Q3: ¿Puede la IA descubrir algo como la Relatividad de forma autónoma?
A3: Actualmente, la IA es excelente recombinando ideas en la parte alta del árbol del conocimiento. Para descubrimientos fundamentales de “raíz”, aún necesitamos humanos que proporcionen una comprensión profunda y saltos intuitivos que la IA todavía no posee.

Q4: ¿Qué es el “Meta-Scratchpad” en Shinka?
A4: Es una memoria global donde el sistema anota “lecciones aprendidas” de programas anteriores. Estas lecciones se inyectan en el prompt del sistema para que las futuras mutaciones sean más inteligentes y dirigidas.

Q5: ¿Por qué Sakana AI se enfoca en la eficiencia de muestreo?
A5: Porque las llamadas a APIs de modelos frontera son caras. Al reducir el número de programas que necesitan ser evaluados para encontrar una solución óptima, democratizan el acceso al descubrimiento científico computacional.

Q6: ¿Cuál es el mayor riesgo de la ciencia generada por IA?
A6: El “slop” científico o contenido superficial que parece correcto pero carece de base real. Por eso, la integración de verificadores automáticos y laboratorios robóticos es crucial para el futuro de la disciplina.

Q7: ¿Veremos pronto una arquitectura de red neuronal diseñada totalmente por IA?
A7: Robert cree que ese será el “momento Rubicón”. Cuando una IA descubra un sucesor del Transformer que todos empecemos a usar, la percepción de la autonomía creativa de la IA cambiará para siempre.