Un laboratorio de Lawrence Berkeley National Laboratory sintetizó 41 materiales nuevos en solo 17 días de operación continua, sin que un humano tocara un tubo de ensayo. El sistema se llama A-Lab y es uno de los primeros laboratorios autónomos que ya funciona todos los días, no solo en un paper de demostración.
No es el único. En Carnegie Mellon, un asistente construido sobre GPT-4 llamado Coscientist planifica y ejecuta reacciones químicas reales sin un guion humano paso a paso. Ambos proyectos muestran cómo la inteligencia artificial pasó de sugerir ideas a operar el laboratorio completo.
TL;DR
- A-Lab, de Lawrence Berkeley National Laboratory, sintetizó 41 materiales nuevos de 58 objetivos en 17 días de operación continua (2023).- Coscientist, de Carnegie Mellon, usa GPT-4 para planificar y ejecutar reacciones químicas reales sin intervención humana directa.- El paper de Coscientist se publicó en Nature en diciembre de 2023: 'Autonomous chemical research with large language models'.- El paper de A-Lab, liderado por el grupo de Gerbrand Ceder, se publicó en Nature en noviembre de 2023.- Ambos sistemas combinan un modelo que planifica con brazos robóticos e instrumentos automatizados que ejecutan.- Coscientist optimizó una reacción de acoplamiento Suzuki-Miyaura probando condiciones sin guion humano paso a paso.- El propio paper de Coscientist advierte sobre el riesgo de que el sistema planifique síntesis de sustancias peligrosas.
Qué pasó
Dos equipos de investigación publicaron, con semanas de diferencia a fines de 2023, la operación de laboratorios autónomos capaces de correr ciclos completos de experimentación sin supervisión constante. A-Lab combina un modelo que recomienda materiales candidatos, según datos del proyecto Materials Project, con brazos robóticos que mezclan precursores, los hornean y analizan el resultado con difracción de rayos X.
Coscientist toma un camino distinto: en lugar de un modelo entrenado para química, usa GPT-4 como planificador general, apoyado en módulos de búsqueda web, ejecución de código y control de robots de laboratorio tipo Opentrons. El sistema decidió qué condiciones probar para optimizar una reacción de acoplamiento Suzuki-Miyaura, un tipo de reacción muy usada para formar enlaces carbono-carbono en química orgánica.
Contexto e historia
La automatización de laboratorios no arrancó con la inteligencia artificial. Desde los años 2000 existen manipuladores líquidos programables que ejecutan protocolos fijos, y desde 2015 compañías como Emerald Cloud Lab ofrecen laboratorios remotos: el investigador escribe un protocolo, lo envía por internet y un técnico humano lo corre con equipo automatizado. IBM presentó en 2020 su RoboRXN, un químico robótico guiado por IA que sintetizaba moléculas a pedido, también con curación humana de cada paso.
Lo nuevo de A-Lab y Coscientist es que el ciclo de decisión, no solo la ejecución, quedó del lado de la máquina. Un laboratorio autónomo en este sentido no ejecuta un protocolo que alguien escribió: elige qué experimento correr después, según el resultado del anterior. Ese salto, de automatizar la mano a automatizar el criterio, es lo que separa estos dos proyectos de la generación previa de robots de laboratorio.
A-Lab combina un modelo de recomendación con brazos robóticos y difracción de rayos X.
Detalles técnicos y rendimiento
A-Lab corre un ciclo cerrado: primero, un modelo de aprendizaje automático propone combinaciones de precursores para un material objetivo; después, un brazo robótico pesa y mezcla los polvos, los calienta en un horno y toma una muestra; por último, un difractómetro de rayos X mide la estructura resultante y ese dato vuelve al modelo para decidir el siguiente intento. En 17 días de operación continua, el sistema completó ese ciclo para 58 materiales objetivo y confirmó 41 de ellos, según describe el artículo sobre laboratorios autónomos que resume ambos proyectos.
Coscientist separa el trabajo en módulos: un planificador basado en GPT-4 que decide qué probar, un módulo de búsqueda que consulta documentación de instrumentos, un módulo de ejecución de código que traduce el plan a instrucciones de robot, y un módulo de control físico que mueve el hardware. El resultado de cada intento se resume en texto y vuelve al planificador, que ajusta la siguiente ronda de condiciones para la reacción de Suzuki-Miyaura.
SistemaQué automatizaQuién decide el siguiente pasoLimitaciónA-Lab (Berkeley Lab)Síntesis y caracterización de materiales inorgánicosModelo de recomendación entrenado con datos de materiales conocidosLimitado a recetas derivadas de una base de datos existenteCoscientist (Carnegie Mellon)Planificación y ejecución de reacciones químicasGPT-4 como planificador de propósito generalPuede proponer síntesis riesgosas sin un filtro de seguridad dedicadoEmerald Cloud LabEjecución remota de protocolos ya diseñados por el usuarioEl investigador humano, antes de enviar el protocoloNo decide qué experimento correr, solo lo ejecuta
El siguiente diagrama resume el ciclo que ambos sistemas repiten en cada intento:
sequenceDiagram
participant P as Planificador
participant R as Robot
participant S as Sensor
P->>R: envia protocolo generado
R->>S: entrega muestra para medir
S-->>P: reporta resultado del experimento
Note over P,S: el ciclo se repite hasta cumplir el objetivo
Un protocolo simple, como el que mueve líquidos entre pocillos en un robot tipo Opentrons, se ve así en código real:
from opentrons import protocol_api
metadata = {"apiLevel": "2.18"}
def run(protocol: protocol_api.ProtocolContext):
tiprack = protocol.load_labware("opentrons_96_tiprack_300ul", 1)
plate = protocol.load_labware("corning_96_wellplate_360ul_flat", 2)
pipette = protocol.load_instrument("p300_single", "right", tip_racks=[tiprack])
pipette.pick_up_tip()
pipette.aspirate(100, plate["A1"])
pipette.dispense(100, plate["B1"])
pipette.drop_tip()
Ese script mueve 100 microlitros de un pocillo a otro. Es el tipo de instrucción que un laboratorio autónomo genera automáticamente en cada ronda, en vez de que un humano lo escriba a mano.
Cómo probarlo
No hace falta un brazo robótico para experimentar con esta arquitectura. El primer paso realista es instalar el paquete de simulación de Opentrons, el mismo tipo de robot que usan varios laboratorios automatizados:
pip install opentrons
opentrons_simulate mi_protocolo.py
El comando opentrons_simulate corre el protocolo paso a paso en software, sin mover un motor, y reporta errores de labware o de volumen antes de tocar hardware real. Para la parte de planificación, se puede armar un bucle simple que llame a un modelo de lenguaje y traduzca su respuesta a un protocolo:
def planificar_experimento(objetivo, historial):
prompt = construir_prompt(objetivo, historial)
plan = modelo_llm.completar(prompt)
protocolo = traducir_a_protocolo(plan)
resultado = robot.ejecutar(protocolo)
historial.append({"plan": plan, "resultado": resultado})
return resultado
historial = []
for intento in range(10):
resultado = planificar_experimento("optimizar acoplamiento suzuki", historial)
if resultado.rendimiento >= 0.9:
break
Ese bucle es, en esencia, la misma estructura que describe el paper de Coscientist: el modelo decide, el robot ejecuta, el resultado vuelve como contexto para la siguiente decisión. Para explorar hardware de laboratorio open source más allá de Opentrons, el proyecto PyLabRobot ofrece una capa de control en Python compatible con varias marcas de pipeteadores.
Coscientist traduce el plan del modelo de lenguaje en código ejecutable para el robot.
💡 Tip: antes de tocar cualquier robot real, corré siempre el protocolo en modo simulación. Un error de volumen en simulación cuesta cero, en hardware real puede arruinar una muestra o un instrumento.
Impacto y análisis
El resultado de A-Lab, 41 materiales confirmados sobre 58 objetivos en 17 días, importa porque reemplaza semanas de prueba y error de un investigador humano por un ciclo que corre de noche y fines de semana sin pausas. Pero el sistema depende por completo de la calidad de la base de datos de materiales que usa para proponer candidatos: si esa base tiene huecos, el laboratorio autónomo tampoco los va a llenar.
Coscientist plantea un trade-off distinto. Al usar un modelo de propósito general como planificador, gana flexibilidad para razonar sobre cualquier reacción descripta en la literatura, pero pierde las barreras de un sistema especializado. Los propios autores del paper documentaron que, al pedirle explícitamente sintetizar una sustancia controlada, el sistema llegó a proponer pasos hacia ese objetivo antes de que agregaran un filtro de seguridad adicional.
⚠️ Ojo: un planificador construido sobre un LLM de propósito general no distingue por sí solo entre química legítima y una síntesis peligrosa. Ese filtro hay que agregarlo aparte, no viene incluido en el modelo base.
La limitación honesta de ambos sistemas es de dominio: funcionan bien en química y materiales inorgánicos, áreas con reacciones bien caracterizadas y bases de datos extensas. Trasladar la misma arquitectura a biología molecular o a procesos industriales con variables menos documentadas todavía no tiene el mismo respaldo publicado.
Qué sigue
El patrón de A-Lab y Coscientist, un modelo que planifica más un robot que ejecuta más un sensor que verifica, ya se está probando en otras áreas de química y ciencia de materiales dentro de las mismas instituciones. La pregunta abierta no es si un laboratorio autónomo puede correr un ciclo de síntesis y medición sin humanos, eso ya está demostrado, sino qué controles de seguridad hacen falta cuando el planificador es un modelo de lenguaje general y no uno entrenado específicamente para esa tarea.
Probalo vos: instalá el paquete con pip install opentrons y corré opentrons_simulate sobre un protocolo propio para ver, en minutos, la misma secuencia que ejecuta un laboratorio autónomo real.
📖 Resumen en Telegram: Ver resumen
Preguntas frecuentes
¿Qué es un laboratorio autónomo o self-driving lab?
Es un sistema que combina un modelo de decisión con robots e instrumentos de medición para diseñar, ejecutar y analizar experimentos en un ciclo cerrado, sin que un humano decida cada paso intermedio.
¿A-Lab y Coscientist reemplazan a los científicos humanos?
No: ambos sistemas necesitan que un humano defina el objetivo inicial, cure la base de datos o revise los resultados finales. Automatizan la ejecución y parte de la decisión, no la definición del problema.
¿Qué reacción química optimizó Coscientist?
Una reacción de acoplamiento Suzuki-Miyaura, un tipo de reacción de química orgánica usada para formar enlaces carbono-carbono, muy común en la síntesis de fármacos y materiales.
¿Cuánto tardó A-Lab en encontrar los 41 materiales?
17 días de operación continua, durante los cuales el sistema intentó sintetizar 58 materiales objetivo y confirmó la estructura correcta en 41 de ellos.
¿Es peligroso que un LLM planifique síntesis químicas?
Puede serlo si no tiene un filtro de seguridad dedicado: el propio equipo de Coscientist documentó que, sin ese filtro, el sistema podía avanzar pasos hacia la síntesis de una sustancia controlada si se le pedía explícitamente.
¿Puedo probar herramientas similares sin un laboratorio robótico?
Sí: el modo de simulación de Opentrons y proyectos como PyLabRobot permiten escribir y probar protocolos de laboratorio en software, sin necesidad de comprar hardware.
Referencias
- Nature: paper original de Coscientist, 'Autonomous chemical research with large language models'.- Wikipedia: resumen y contexto de los proyectos de laboratorios autónomos, incluido A-Lab.- Berkeley Lab News Center: comunicados oficiales del laboratorio detrás de A-Lab.- Carnegie Mellon University: institución donde se desarrolló Coscientist.
📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.
Top comments (0)