La ciencia y la ingeniería han dependido durante mucho tiempo de un ritmo humano sencillo: intentar algo, ver si funciona, aprender del error e intentarlo de nuevo. Durante décadas, este ciclo ha sido el motor del descubrimiento, donde un investigador construye un prototipo, lo prueba y utiliza los resultados para refinar la siguiente versión. Pero a medida que las computadoras se han vuelto lo suficientemente potentes como para escribir su propio código y ejecutar sus propios experimentos, ha surgido una nueva pregunta. ¿Puede una máquina aprender de sus propios fallos de la misma manera que lo hace un humano? El desafío no es solo que la máquina obtenga un resultado, sino que comprenda por qué obtuvo ese resultado. Cuando una computadora intenta mil variaciones de un diseño, a menudo produce una montaña de datos que le dicen qué sucedió, pero no qué cambio específico marcó la diferencia. Sin esa claridad, la máquina se ve obligada a reaprender las mismas lecciones una y otra vez, desperdiciando tiempo y energía en caminos que no conducen a ninguna parte.

Este es el problema que un equipo de investigadores de Sapient Intelligence se propuso resolver. Construyeron un sistema llamado PRAXIST, diseñado no solo para encontrar soluciones, sino para construir un historial claro y auditable de cómo se descubrieron esas soluciones. En lugar de tratar cada intento como un nuevo comienzo, PRAXIST trata la investigación como una conversación continua. Toma los resultados de un experimento, los descompone en lecciones específicas —qué funcionó, qué falló y qué fue solo un golpe de suerte— y guarda esas lecciones como un registro permanente. Cuando el sistema comienza su siguiente ronda de experimentos, no solo busca la mejor puntuación del pasado; busca los mecanismos específicos que le dieron esa puntuación. Se pregunta: "¿Realmente esta parte del diseño causó la mejora, o fue algo más?". Al responder a esa pregunta, el sistema puede conservar solo las partes útiles de su historia, construyendo soluciones más sólidas y fiables con mucho menos esfuerzo que antes.

Los investigadores probaron este enfoque en un conjunto masivo de setenta y cinco desafíos diferentes de ingeniería de aprendizaje automático, que iban desde la identificación de enfermedades en imágenes médicas hasta la predicción de tendencias del mercado de valores. Compararon su sistema con un potente asistente de codificación de IA estándar que utilizaba uno de los modelos de lenguaje más avanzados disponibles. Los resultados fueron sorprendentes. El asistente estándar logró obtener una medalla en aproximadamente el setenta y tres por ciento de las tareas, pero gastó casi treinta y ocho mil dólares en costos de computación para lograrlo. El sistema PRAXIST, utilizando un modelo subyacente diferente y una forma mucho más inteligente de organizar su trabajo, obtuvo medallas en el ochenta por ciento de las tareas, todo ello gastando solo unos tres mil dólares. En otras palabras, el nuevo sistema encontró mejores soluciones por aproximadamente un doceavo del costo.

Pero la verdadera innovación no reside solo en el ahorro, sino en el método. Los investigadores observaron que la mayoría de los sistemas automatizados tratan su historial como una simple lista de puntuaciones, conservando solo el número más alto y descartando el resto. PRAXIST, sin embargo, trata la historia como un árbol genealógico. Cada vez que el sistema construye una nueva pieza de software o un nuevo mecanismo de control, registra las decisiones de diseño específicas que llevaron al éxito o al fracaso. Si un cambio particular en un algoritmo de aterrizaje de un cohete causó que el vehículo se estrellara, ese fallo se registra no como un callejón sin salida, sino como una lección valiosa que indica a los intentos futuros qué evitar. Si un pequeño ajuste en una estrategia de trading mejoró las ganancias, ese éxito se etiqueta con la razón exacta de por qué funcionó, para que el sistema sepa que debe usar ese mismo ajuste en un contexto diferente. Este proceso permite al sistema heredar "evidencia tipificada", lo que significa que sabe exactamente qué partes de una solución están probadas que funcionan y cuáles son todavía solo conjeturas.

Para ver cómo funciona esto en el mundo real, el equipo aplicó PRAXIST a cuatro problemas de ingeniería complejos y abiertos que no tenían una única respuesta correcta. En un caso, pidieron al sistema que diseñara un controlador para un cohete reutilizable para aterrizar verticalmente. El punto de partida fue un controlador que tenía éxito solo el cuatro por ciento de las veces. Un optimizador automatizado estándar probó cientos de variaciones y logró mejorar la tasa de éxito al diecisiete por ciento, pero no pudo lograr que el cohete aterrizara de forma segura en cada ocasión. PRAXIST, sin embargo, tomó un camino diferente. No se limitó a probar cambios aleatorios; construyó un linaje de mejoras. Primero añadió un regulador para gestionar el combustible, luego una guía para manejar la transición entre las fases de vuelo y, finalmente, una herramienta matemática específica para equilibrar las fuerzas en las aletas del cohete. Al final de la campaña, el sistema había producido un controlador que aterrizaba el cohete con éxito en cada una de las pruebas, una puntuación perfecta del cien por ciento. Crucialmente, el sistema registró todo el trayecto, mostrando exactamente cómo cada pequeña mejora condujo al éxito final.

En otro experimento, el sistema abordó el problema del trading autónomo. El objetivo era crear una estrategia que pudiera comprar y vender acciones para maximizar las ganancias a lo largo del tiempo. La estrategia base, que simplemente compraba una cantidad igual de cada acción disponible, logró una tasa de crecimiento anual del veintitrés por ciento. PRAXIST descubrió una estrategia más compleja y adaptativa que aprendía de los patrones del mercado y ajustaba su comportamiento basándose en los costos de ejecución. Esta nueva estrategia alcanzó una tasa de crecimiento del cincuenta y tres por ciento, más del doble que la estrategia base. El sistema no solo encontró una combinación de suerte; rastreó el descubrimiento hasta cambios específicos, como la forma en que la estrategia gestionaba el riesgo y cómo gestionaba el tiempo de sus operaciones. Los investigadores pudieron observar el "linaje" del sistema y ver el momento exacto en que la estrategia aprendió a evitar un error común que había estado perjudicando su rendimiento.

El sistema también demostró su valía en los campos de la robótica y la física. En una prueba que involucraba a un robot que utiliza cámaras y láseres para navegar, el sistema estándar estaba desperdiciando una enorme cantidad de potencia de computación al actualizar constantemente su mapa con información redundante. PRAXIST se dio cuenta de que el robot no necesitaba mirar cada fotograma de video; solo necesitaba mirar cuando la nueva información fuera realmente útil. Al enseñar al robot a omitir actualizaciones innecesarias, el sistema redujo el tiempo de procesamiento visual en un setenta y dos por ciento sin perder precisión en su navegación. Del mismo modo, en una simulación de control de un reactor de fusión nuclear, el sistema diseñó un controlador que mantuvo el plasma inestable estable durante períodos más largos que los controladores diseñados por humanos, a pesar de que la física involucrada es notoriamente difícil de predecir.

Lo que hace que estos resultados sean tan significativos es la transparencia que proporcionan. En la investigación automatizada tradicional, cuando un sistema encuentra una solución, suele ser una "caja negra". Sabes que funciona, pero no sabes por qué, y no puedes determinar fácilmente si el éxito se mantendrá en una situación ligeramente diferente. PRAXIST cambia esto al adjuntar una historia detallada a cada resultado. Registra el "linaje" de la solución, una cadena de evidencia que muestra qué mecanismos fueron probados, cuáles fueron validados y cuáles fueron descartados. Esto significa que los científicos humanos pueden observar el trabajo del sistema, comprender la lógica detrás de él e incluso tomar las mejores partes para construir algo nuevo. Convierte a la computadora de una herramienta que solo produce respuestas en un colaborador que documenta su razonamiento.

Los investigadores enfatizan que este enfoque no se trata de reemplazar a los científicos humanos, sino de darles un instrumento más poderoso. Al encargarse del trabajo tedioso de probar miles de variaciones y organizar las lecciones aprendidas, el sistema libera a los humanos para que se concentren en el panorama general. La capacidad de heredar conocimiento a través de generaciones de experimentos significa que el sistema no tiene que empezar de cero cada vez que enfrenta un nuevo problema. Puede llevar adelante la sabiduría de sus fallos y éxitos pasados, construyendo una base de conocimiento fiable que se fortalece con cada intento. Este cambio de una simple búsqueda de la mejor puntuación a una comprensión profunda de la evidencia detrás de la puntuación representa un cambio fundamental en cómo abordamos los desafíos de ingeniería complejos.

Al final, la historia de PRAXIST trata sobre el poder de la memoria en las máquinas. Durante mucho tiempo, las computadoras fueron excelentes en el cálculo pero deficientes en el aprendizaje de su propia historia de una manera estructurada. Este sistema demuestra que cuando se le da a una máquina la capacidad de registrar no solo qué sucedió, sino por qué sucedió, puede resolver problemas que antes estaban fuera de su alcance. Lo hace no siendo más inteligente en un sentido general, sino siendo más cuidadosa con lo que recuerda y cómo utiliza esa memoria. El resultado es un sistema que no solo es más eficiente y rentable, sino también más confiable, porque cada solución que ofrece viene acompañada de una cuenta clara e inspeccionable de cómo se alcanzó. Este es el futuro de la investigación autónoma: no una máquina que adivina el camino hacia una solución, sino una que construye un legado de evidencia, un experimento a la vez.