🤖 AI

Networked Intelligence: Active Shared Context Graphs for Human-AI Team Science

Este artículo presenta Mycelium, un sistema de grafo de contexto compartido activo que cultiva la inteligencia en red mediante el enrutamiento automático de observaciones científicas e hipótesis entre diversos miembros humanos y de IA, transformando así hallazgos aislados en restricciones mecánicas y diseños experimentales colaborativos.

Autores originales: Sutanay Choudhury, Jeffrey J. Czajka, Lummy M. O. Monteiro, Erin Bredeweg, Jason McDermott, Katherine Wolf, Alex Beliaev, Josh Elmore, Paul Piehowski, Kylee Tate, Yuqian Gao, Aivett Bilbao, Kelly Stra

Publicado 2026-07-16

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sutanay Choudhury, Jeffrey J. Czajka, Lummy M. O. Monteiro, Erin Bredeweg, Jason McDermott, Katherine Wolf, Alex Beliaev, Josh Elmore, Paul Piehowski, Kylee Tate, Yuqian Gao, Aivett Bilbao, Kelly Stratton, Scott Baker, Jaydeep P. Bardhan, Kristin Burnum Johnson, Chris Oehmen, Robert Rallo

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina la ciencia como una ciudad enorme y bulliciosa donde cada experto es un especialista que vive en su propio barrio. Un grupo de científicos vive en el "Distrito de las Proteínas", otro en la "Arboleda de la Genética" y un tercero en el "Cañón de la Química". Durante mucho tiempo, estos barrios estuvieron separados por altos y silenciosos muros. Si un científico en el Distrito de las Proteínas encontraba una pista extraña, la anotaba en su cuaderno, pero el científico en la Arboleda de la Genética podría no verla hasta meses después, o si es que llegaba a verla. Así es como funciona la mayor parte de la "IA para la ciencia" hoy en día: intenta construir un robot superinteligente que pueda leer todo a la vez, con la esperanza de que un cerebro gigante pueda resolver todo el rompecabezas por sí solo. Pero los verdaderos avances científicos suelen ocurrir cuando diferentes expertos conectan los puntos que ninguna persona sola podría ver. La gran pregunta es: ¿cómo construimos un sistema digital que no solo haga un cerebro más grande, sino que realmente conecte todos estos diferentes cerebros y herramientas para que puedan hablar entre sí instantáneamente?

Aquí es donde entra en juego un nuevo sistema llamado Mycelium. Los investigadores del Laboratorio Nacional del Noroeste del Pacífico construyeron este sistema para que actúe como la red subterránea de un hongo gigante. Así como las raíces de un hongo (micelio) conectan diferentes partes de un bosque para compartir nutrientes y señales, Mycelium conecta a diferentes científicos y agentes de IA. En lugar de intentar forzar a una sola IA a saberlo todo, Mycelium crea un "grafo vivo compartido": un espacio digital donde cada observación, hipótesis y experimento es un nodo. Cuando un científico en un barrio hace un descubrimiento, el sistema verifica automáticamente si es relevante para alguien en otro barrio y "encamina" la información hacia ellos. Es como tener un mensajero mágico que sabe exactamente quién necesita escuchar una noticia específica, convirtiendo instantáneamente un hallazgo local en un avance para todo el equipo.

En su última prueba, el equipo puso a trabajar a Mycelium en un problema biológico complicado: descubrir por qué un tipo específico de bacteria (Pseudomonas putida) estaba acumulando un químico llamado gluconato en lugar de producir lo que ellos querían. Organizaron un "sprint" donde tres expertos humanos —uno centrado en proteínas, uno en genética y otro en resultados físicos— trabajaron junto a agentes de IA. Todos utilizaron una interfaz de chat estándar, pero entre bastidores, Mycelium trabajaba conectando sus puntos. El sistema tomó una pista confusa de la experta en genética (que ciertos genes no se estaban activando) e instantáneamente la redirigió al experto en proteínas. Esta conexión ayudó al experto en proteínas a darse cuenta de que sus datos no eran simplemente "ruidosos", sino que en realidad confirmaban la pista genética. Más tarde, una medición física del tercer experto ayudó al equipo a comprender que debían cambiar todo su diseño experimental. ¿El resultado? El equipo convergió en un nuevo y detallado plan sobre cómo arreglar el metabolismo de la bacteria, un plan que incluía ediciones genéticas específicas y pruebas químicas.

Para demostrar que este enfoque "en red" era realmente mejor que tener simplemente un robot más inteligente, los investigadores realizaron una comparación directa. Le dieron a un único agente de IA superpotente los mismos datos y le pidieron que resolviera el problema solo, sin ayuda de ningún equipo o grafo compartido. También probaron una versión en la que le dijeron a la IA que "actuara como un equipo", pero sin la estructura de red real. Los resultados fueron claros: los agentes de IA individuales eran inteligentes, pero perdían la visión de conjunto. Encontraron menos pistas y no conectaron los puntos entre diferentes campos tan bien como el equipo humano-IA. El equipo en red sacó a la luz 25 hallazgos científicos distintos y planes accionables, mientras que los agentes de IA individuales solo encontraron 17 y 18, respectivamente. Más importante aún, el equipo en red generó 4 "reglas de decisión accionables" completas (instrucciones específicas sobre qué hacer a continuación), comparado con solo 2 y 3 para los agentes solitarios.

El artículo sugiere que el verdadero poder no está solo en hacer los modelos de IA más grandes o más inteligentes; es en construir la arquitectura adecuada para conectarlos. Los autores descubrieron que, si bien una sola IA puede razonar profundamente sobre un tema, le cuesta explorar el espacio vasto y desordenado de un problema científico real donde diferentes expertos ven cosas distintas. Al usar Mycelium para dirigir la información de forma asíncrona —enviando la pista correcta a la persona adecuada en el momento adecuado—, el equipo pudo comprimir lo que normalmente toma meses de ida y vuelta en un solo sprint rápido. El sistema no solo almacenó datos; gestionó activamente la comprensión evolutiva del equipo, asegurando que cada nueva idea estuviera vinculada de nuevo a la evidencia que la creó. Este enfoque, que los autores llaman "inteligencia en red", muestra que el futuro de la ciencia podría no tratarse de un supercerebro, sino de una red inteligente y conectada de muchas mentes trabajando juntas.

Resumen Técnico: Inteligencia en Red mediante Grafos de Contexto Compartido Activo

Planteamiento del Problema

Los sistemas actuales de IA para la ciencia se centran principalmente en escalar las capacidades de razonamiento individuales mediante modelos más grandes, ventanas de contexto extendidas o agentes autónomos que trabajan con un único usuario. Sin embargo, el descubrimiento científico complejo rara vez ocurre de forma aislada; depende de la "ciencia en equipo", donde los miembros poseen distintos priors, conocimiento tácito e intuiciones específicas del dominio. El cuello de botella crítico no es simplemente el poder de razonamiento de un único agente, sino el movimiento fiel del contexto científico a través de humanos, agentes e instrumentos distribuidos. Las arquitecturas existentes suelen fallar al no mantener estados compartidos persistentes, no derivar los hallazgos hacia los expertos específicos que pueden actuar sobre ellos, ni preservar la procedencia necesaria para la reutilización entre sesiones. En consecuencia, el contexto científico permanece estancado en silos dentro de sesiones individuales, lo que impide la emergencia de una inteligencia en red donde una hipótesis generada en un contexto informe las decisiones en otro.

Metodología: La Arquitectura Mycelium

Los autores presentan Mycelium, una arquitectura de tiempo de ejecución diseñada para facilitar el descubrimiento científico de inteligencia humana-IA en red. El sistema se construye alrededor de un Grafo de Contexto Activo (ACG) y opera a través de tres pilos fundamentales:

Grafo de Contexto Activo (Estado Compartido):
- La estructura de datos central es un grafo dirigido $G = (V, E)$ que representa el estado compartido del proyecto.
- Nodos ( $V$ ): Entradas científicas tipadas definidas por una ontología cerrada, que incluyen conjuntos de datos, observaciones, interpretaciones, hipótesis, hallazgos, preguntas abiertas, recomendaciones y propuestas de experimentos.
- Aristas ( $E$ ): Vínculos semánticos estrictos (por ejemplo, generado_por, respalda, contradice) que mapean la procedencia y las derivaciones entre sesiones, asegurando que cada afirmación esté ligada a sus datos, usuario, agente o ejecución de herramienta específicos.
- Actividad: A diferencia de las bases de datos pasivas, el grafo es "activo", lo que significa que el tiempo de ejecución evoluciona continuamente el estado, evalúa las conexiones y enruta el contexto.
Infraestructura de Tiempo de Ejecución:
- Interfaz: Los usuarios interactúan a través de clientes de chat de IA estándar conectados mediante el Protocolo de Contexto de Modelo (MCP). Esto permite consultar todo el historial del proyecto y despachar flujos de trabajo sin abandonar la interfaz conversacional.
- Ejecución: El entorno de ejecución en el lado del servidor ejecuta flujos de trabajo analíticos complejos utilizando la generación de código dinámico sobre la marcha dentro de un entorno Python aislado (sandboxed). Aprovecha funciones de librerías validadas para la reproducibilidad e incluye recuperación automática de errores (leyendo trazas de error para generar scripts correctivos).
- Salida: Cada descubrimiento autónomo genera un cuaderno Jupyter plenamente ejecutable de su traza, lo que garantiza una reproducibilidad auditable por humanos.
Protocolos de Contexto Compartido (Primitivas Agénticas):
- Procedencia (Registro): Las ejecuciones analíticas se convierten automáticamente en nodos de estado inmutables y consultables, vinculados a su espacio de parámetros y cadenas de herramientas.
- Autonomía Limitada (Ejecución Proactiva): El sistema monitorea la detección de brechas de conocimiento y lanza análisis exploratorios autónomos entre las sesiones de usuario para abordar defectos estructurales o vínculos faltantes.
- Enrutamiento de Estado (Polinización): El sistema enruta asíncronamente el contexto emergente a los participantes relevantes. Califica los nuevos vínculos frente a los estados de creencia localizados para determinar la utilidad epistémica (apoyo, refinamiento o tensión). Crucialmente, esta arquitectura preserva el desacuerdo; los estados de creencia permanecen aislados en sus respectivos hilos en lugar de fusionarse silenciosamente en una única distribución.
- Fundamentación (Persistencia): Todas las entradas comprometidas en el grafo deben estar explícitamente fundamentadas en nodos existentes (por ejemplo, conjuntos de datos registrados, salidas de herramientas verificadas), evitando la acumulación de prosa sin fundamento.

Evaluación Empírica

El sistema fue evaluado en una campaña multiómica biológica que investigaba la acumulación de gluconato secretado en Pseudomonas putida.

Configuración: Tres expertos de dominio (proteómica, biología regulatoria y genética/fenotipo) trabajaron de forma asíncrona a través de interfaces de chat independientes junto a agentes autónomos de Mycelium.
Comparación con la Línea Base: El equipo en red fue comparado con dos líneas base de agentes independientes (ambos utilizando Claude Opus 4.8):
- Línea Base B: Un único agente con un prompt que contiene la especificación del equipo multidisciplinar.
- Línea Base C: Un único agente con un prompt que contiene únicamente la meta y los datos (sin marco de equipo).
Métricas: La evaluación se centró en 26 "artefactos científicos" únicos (afirmaciones rastreables, hipótesis o reglas de decisión), puntuados de 0 (ausente) a 4 (accionable, con base racional respaldada por datos). Las métricas incluyeron amplitud (fracción de artefactos presentados) y especificidad (profundidad del desarrollo).

Resultados Clave

Amplitud de Descubrimiento Mejorada: Mycelium presentó 25 de los 26 artefactos mapeados, superando significativamente a la Línea Base B (17 artefactos) y a la Línea Base C (18 artefactos). La puntuación de artefactos ponderada por cobertura para Mycelium fue de 2.62, frente a 1.62 y 1.81 para las líneas base, respectivamente.
Especificidad Preservada: Cuando los agentes independientes sí presentaron un artefacto, su especificidad fue comparable a la del equipo en red (especificidad promedio: 2.72 para Mycelium frente a ~2.5 para las líneas base). Esto indica que la ventaja de la red reside en la amplitud de exploración más que en la profundidad del razonamiento localizado.
Sinergia Trans-dominio: El mecanismo de enrutamiento transformó con éxito los hallazgos aislados en restricciones accionables. Por ejemplo:
- Una anomalía regulatoria observada por el experto en biología (Usuario-E) fue enrutada al experto en proteómica (Usuario-L), recontextualizando un hallazgo confuso de ausencia de proteínas.
- Las restricciones fenotípicas del experto en diseño (Usuario-J) reencuadraron el análisis proteómico de un problema de clasificación a un problema de intervención, lo que llevó a la identificación de mecanismos moleculares específicos.
Convergencia al Diseño Experimental: La red facilitó la convergencia de la evidencia distribuida en un modelo mecánico unificado (centrado en la retención y reasimilación de gluconato), lo que informó directamente una propuesta de diseño experimental concreta que involucra perturbaciones de CRISPRi e ingeniería de cepas.

Significado y Reivindicaciones

El artículo sostiene que la inteligencia en red representa un eje de escalado distinto y complementario, en lugar de un reemplazo, del escalado de modelos.

Avance Arquitectónico: La principal contribución es la demostración de que el enrutamiento del estado científico a través de contextos distribuidos altera la trayectoria de la investigación, comprimiendo los ciclos de iteración de meses a un solo sprint.
Irreducibilidad de las Redes: Los autores formalizan la inteligencia en red como computación condicional dispersa sobre contextos distribuidos. Argumentan que la experiencia independiente y los contextos no fusionables (debido a derechos de datos, cortafuegos institucionales o conocimiento operativo único) crean límites estrictos donde un agente independiente escalado no puede subsumir la función de una red distribuida.
Contexto Accionable: El sistema demuestra que el contexto científico puede moverse fielmente a través de humanos y agentes mientras permanece atribuible, contestable y accionable, resolviendo el "cuello de botella de coordinación" que el escalado de modelos por sí solo no puede resolver.

El artículo concluye que, si bien los modelos más fuertes mejoran la síntesis localizada, el "escalado de red" de las conexiones entre humanos e IA es esencial para el descubrimiento científico abierto, permitiendo al sistema identificar los bordes raros que alteran las acciones posteriores en dominios aislados.