En els darrers anys, Google s'ha proposat integrar la IA generativa en tots els productes i iniciatives concebre. Això inclou robots que resumeixen els resultats de cerca, interactuen amb aplicacions i analitzen dades recollides del teu telèfon. Sovint, els resultats generats per aquests sistemes d'IA poden ser inesperadament impressionants, fins i tot si manquen d'una comprensió genuïna. Però poden realment realitzar recerca científica? Google Research ara es centra en desenvolupar IA que actua com a "co-científic". El seu darrer sistema d'IA multiagent, construït sobre el marc Gemini 2. 0, està dirigit a investigadors biomèdics i està dissenyat per ajudar a suggerir noves hipòtesis i àrees de recerca. No obstant això, aquest anomenat co-científic d'IA funciona essencialment com un xatbot avançat. Un veritable científic pot utilitzar el co-científic de Google entrant els seus objectius d'investigació, conceptes i cites d'estudis anteriors, cosa que permet a l'IA proposar noves direccions d'investigació. El sistema consisteix en diversos models interconnectats que processen les dades d'entrada i accedeixen a recursos en línia per millorar les seves suggerències. Dins d'aquest marc, els diferents agents es desafien entre ells, creant un "cicle d'auto millora" similar a altres models d'IA de raonament com Gemini Flash Thinking i o3 d'OpenAI. Malgrat ser un sistema d'IA generativa com Gemini, no posseeix coneixements o idees veritablement nous. Més aviat, pot fer extrapolacions raonables a partir de dades existents. En última instància, el co-científic d'IA genera propostes de recerca i hipòtesis, i l'investigador humà pot interactuar amb el sistema mitjançant una interfície de xat per discutir aquestes idees. Pots veure el co-científic d'IA com una eina sofisticada de pluja d'idees.

Així com les persones poden compartir idees per planificar festes amb una IA de consum, els científics poden generar nous conceptes de recerca amb una IA dissenyada específicament per a la investigació científica. Proves d'IA en Ciència Actualment, els sistemes d'IA àmpliament utilitzats tenen un problema notori amb l'exactitud. La IA generativa tendeix a produir respostes independentment de si té les dades d'entrenament o els pesos del model adequats, i verificar fets utilitzant models d'IA addicionals no garanteix l'exactitud. Amb les seves capacitats de raonament, el co-científic d'IA realitza avaluacions internes per millorar els seus resultats, i Google afirma que aquestes puntuacions d'autoavaluació estan vinculades a una millor exactitud científica. No obstant això, tot i que les mètriques internes són informatives, què pensen els veritables científics?Google va demanar a investigadors biomèdics humans que avaluessin les propostes fetes pel robot, i es va informar que van valorar el co-científic d'IA de manera més favorable que altres sistemes d'IA menys especialitzats. Els experts també van assenyalar que els resultats del co-científic d'IA mostraven un major potencial d'impacte innovador en comparació amb els models d'IA estàndard. Dit això, no totes les sugerències de l'IA són necessàriament sòlides. No obstant això, Google ha col·laborat amb diverses universitats per provar algunes de les propostes de recerca generades per l'IA en entorns de laboratori. Per exemple, l'IA va recomanar reaprofitar certs medicaments per al tractament de la leucèmia mieloide aguda, i les proves de laboratori inicials van indicar que aquest enfocament era viable. La recerca realitzada a la Universitat de Stanford també va trobar que les suggerències de tractament del co-científic d'IA per a la fibrosi hepàtica justificaven una investigació més profunda. Tot i que aquesta recerca és sens dubte intrigant, referir-se al sistema com a "co-científic" pot ser una mica exagerat. Malgrat les afirmacions dels líders d'IA que ens estem apropant a l'arribada de màquines autònomes que pensen, l'IA està lluny de poder dur a terme recerca científica de manera independent. No obstant això, aquest co-científic d'IA podria ser encara instrumental en ajudar els humans a interpretar i contextualitzar grans conjunts de dades i literatura de recerca, fins i tot si manca de veritable comprensió o de la capacitat de proporcionar coneixements profunds.