Imagina una bodega oscura. Estanterías y más estanterías de dispositivos con cables, tubos y componentes electrónicos sobresaliendo. ¿El próximo data center de IA? No. Es el sueño de Lila Sciences para el futuro de la ciencia: una bodega llena de robótica y equipamiento de laboratorio guiados por IA, produciendo experimentos nuevos las 24 horas del día, en dirección a una superinteligencia científica.
Su laboratorio automatizado es casi hipnótico de ver. Tiene bandejas que se desplazan flotando sobre rieles al estilo de Wall-E, usó modelos de visión y lenguaje para controlar equipos con Windows 95, y generó, en el proceso, una enorme biblioteca de tokens de razonamiento científico. Más de 10 billones, todos validados experimentalmente.
La ambición es enorme. La meta es una superinteligencia científica conectada directamente al laboratorio húmedo. La empresa apuesta de lleno a the bitter lesson (la lección amarga) de la investigación en IA, y su tesis se desprende de ahí: un laboratorio es un generador infinito de tokens. Si se producen datos a escala, las sinergias entregan un razonador general capaz de abordar cualquier problema científico. Lila lo hace en biología, química, descubrimiento de fármacos y ciencia de materiales, todo al mismo tiempo.
¿Qué hay realmente en 10 billones de tokens científicos?
En una entrevista del pódcast Latent Space, los responsables de Lila, Andy Beam (CTO) y Rafa Gómez-Bombarelli (director científico de ciencias físicas), explicaron su visión. Según Beam, esos tokens no son secuencias, sino trazas de razonamiento verificadas experimentalmente, un tipo de dato que en internet existe en cantidades que, dice, "redondean a cero".
La empresa insiste en que no es una compañía de automatización: optimiza flexibilidad y generalización por sobre el rendimiento bruto, y mantiene a los humanos en el proceso donde automatizar no rinde. Trata el aprendizaje por refuerzo como un mecanismo de generación de datos, con la naturaleza como verificador.
El laboratorio como un data center
Beam describe los instrumentos como nodos de un grafo, con una capa de transporte de levitación magnética entre ellos, a modo de "bus PCI", y una orquestación parecida a una cola de trabajos. Frente a la pregunta de cuál es el "tiempo de corrida" de la recolección de datos si la ciencia es el generador de tokens, su respuesta es directa: no se puede hacer que el ribosoma vaya más rápido. Por eso Lila apuesta a iterar rápido, ronda tras ronda, en lugar de grandes pantallas multiplexadas y ruidosas. El equipo de Gómez-Bombarelli, por ejemplo, reconstruyó una medición de sorción de gases para correr unas 2.500 veces más rápido.
De la amplitud a la profundidad
Entre los casos que mencionaron figuran los priors de química de moléculas pequeñas que se transfieren a metal organic frameworks para captura de carbono, con la afirmación de que el modelo general supera muestra por muestra a los modelos específicos de dominio. También un "Move 37" para catálisis: sugerencias del modelo para electrocatalizadores libres de metales del grupo del platino que pasaron de parecer aburridas, a ser calificadas de "estúpidas" por un experto de 40 papers, a convertirse en los mejores resultados que han producido.
Uno de los datos más llamativos: seis meses hasta obtener datos de CAR-T in vivo en primates no humanos, junto con un modelo comercial de "startup virtual" sin empleados dedicados. Para dimensionar la cifra, AbbVie pagó 2.100 millones de dólares por Capstan sobre la base de datos preclínicos de CAR-T in vivo.
Los límites que reconocen
No todo es optimismo. Ken Stanley, autor de Why Greatness Cannot Be Planned, lidera el trabajo de open-endedness en Lila. El aprendizaje por refuerzo a escala entrega un solucionador de problemas implacable, pero la creatividad de las máquinas es otra cosa, y es la parte que nadie ha resuelto. Beam también advierte que la cadena de razonamiento es "un narrador poco confiable": el modelo razona en espacio latente y solo emite tokens, y a veces se salta el experimento por completo y aun así acierta.
Aparecen incluso patologías propias de un laboratorio físico: cadenas de razonamiento que colapsan en repeticiones, y un modelo que "se molestó" y le respondió de mala forma al científico que le pedía rehacer un mapa de placas. Entre los cuellos de botella que eliminarían de un plumazo mencionan el paso de simulación a realidad en la física, y el hecho de que el entrenamiento por refuerzo corre a apenas 5% de utilización media de FLOPs.
