Laboratorios autónomos: robots que experimentan mientras dormimos

Un laboratorio autónomo con IA es una instalación donde la inteligencia artificial planifica experimentos, los robots los ejecutan y el aprendizaje automático interpreta los resultados, de modo que el ciclo de “¿qué probamos?” a “¿funcionó?” se cierra sin nadie en la sala. El A-Lab del Berkeley Lab hizo exactamente eso durante 17 días seguidos: intentó 58 compuestos objetivo y produjo 41. Y después pasó algo mejor: otros químicos revisaron el trabajo, encontraron que el análisis automático no estaba a la altura y Nature publicó una corrección en enero de 2026. Las dos mitades de esa historia van en la misma conversación con tu hijo, porque la segunda es la que hace confiable a la ciencia.

Puntos clave

• El A-Lab, dirigido por Yan Zeng y Gerbrand Ceder en el Lawrence Berkeley National Laboratory con colaboradores de Google DeepMind, funcionó 17 días de operación independiente haciendo cerca de 21 experimentos por día.
• Resultado reportado: 41 compuestos nuevos de 58 objetivos intentados, una tasa de éxito de 71%. El texto principal del artículo también reporta 36 de 57 logrados, o 63%, según cómo se haga la cuenta.
• Las recetas de síntesis no las programó nadie a mano. Se aprendieron de literatura científica minada por texto y se refinaron con aprendizaje activo, con candidatos sacados del Materials Project y de las predicciones GNoME de Google DeepMind.
• En enero de 2024, los químicos Robert Palgrave (UCL) y Leslie Schoop (Princeton) argumentaron que los compuestos “nuevos” eran en su mayoría versiones ordenadas de otros ya conocidos como desordenados, y que el análisis de rayos X del robot era, en palabras de Palgrave, “muy de principiante”. Nature publicó una corrección el 19 de enero de 2026.
• El ciclo tiene cinco pasos. Los robots se quedan con tres. Decidir qué importa y juzgar si un resultado es real siguen siendo de las personas.

Qué hizo el A-Lab, paso por paso

El artículo es Szymanski et al., Nature, volumen 624, páginas 86–91, publicado el 29 de noviembre de 2023, titulado “An autonomous laboratory for the accelerated synthesis of novel materials”. El resumen describe un sistema que “integró robótica con bases de datos ab initio, interpretación de datos guiada por aprendizaje automático, heurísticas de síntesis aprendidas de datos de literatura minados por texto y aprendizaje activo”.

Desglosemos eso. Pasan cinco cosas.

Paso uno: elegir el objetivo. Los compuestos candidatos salieron de bases de datos computacionales, incluidos el Materials Project y las predicciones GNoME de Google DeepMind, publicadas como Merchant et al. en Nature. Un equipo humano decidió qué clase de materiales valía la pena perseguir.

Paso dos: proponer una receta. Esta es la parte ingeniosa. En lugar de que un químico escriba el procedimiento, el sistema minó artículos publicados buscando heurísticas de síntesis: qué precursores, a qué temperatura, por cuánto tiempo. Aprendió patrones de miles de recetas anteriores.

Paso tres: correr el experimento. Brazos robóticos pesaron polvos, los mezclaron, cargaron hornos y ejecutaron programas de calentamiento. Aquí el “mientras los científicos duermen” es literal. Cerca de 21 experimentos por día, sin parar, durante 17 días.

Paso cuatro: interpretar el resultado. El sistema corrió difracción de rayos X sobre cada producto y usó análisis automático para decidir qué se había fabricado. La difracción de rayos X dispara rayos X contra un polvo y lee el patrón de dispersión, que funciona como huella digital de la estructura cristalina.

Paso cinco: decidir qué probar después. Aprendizaje activo significa que el sistema eligió sus siguientes experimentos según lo que revelaron los anteriores, concentrando el esfuerzo donde había más información por ganar.

Los resultados, según el anuncio de Berkeley Lab, fueron 41 compuestos de 58 intentos en 17 días, más de dos materiales nuevos por día. Gerbrand Ceder, investigador principal, dijo: “Demostramos que combinar el lado de la teoría y los datos con la automatización da resultados increíbles. Podemos fabricar y probar materiales más rápido que nunca”.

La corrección, y por qué es la mejor parte

Esto es lo que pasó después, y por eso lo pusimos en un artículo para papás en vez de esconderlo.

En enero de 2024, el químico de estado sólido Robert Palgrave (University College London) y Leslie Schoop (Princeton) publicaron un análisis que sostenía que el A-Lab no había descubierto materiales nuevos en absoluto. Sus dos objeciones, según reportó Chemistry World el 16 de enero de 2024, fueron específicas y técnicas.

Primero, el desorden composicional. Palgrave dijo que cerca de dos tercios de las salidas del A-Lab eran “versiones ordenadas de compuestos que ya se conocían como desordenados”. En términos simples: en muchos materiales conocidos los átomos están repartidos entre posiciones de forma semialeatoria. La IA propuso y afirmó arreglos prolijos y ordenados de los mismos elementos, y los trató como sustancias nuevas cuando probablemente eran el material desordenado ya conocido.

Segundo, la calidad del ajuste automático de rayos X. El refinamiento Rietveld es la técnica para hacer coincidir un patrón de difracción con una estructura cristalina propuesta, y requiere criterio. La evaluación de Palgrave sobre los intentos del robot: “muy malo, muy de principiante, nivel de novato completo”.

Ceder respondió en LinkedIn en diciembre de 2023 con una defensa que vale citar porque es honesta: “No tenemos ninguna duda de que un humano puede hacer un refinamiento de mayor calidad en estas muestras”. Su argumento fue que el objetivo era demostrar capacidad autónoma, no igualar el análisis de un experto humano. Nature publicó una corrección el 19 de enero de 2026.

¿Entonces qué es verdad? El robot realmente funcionó 17 días. Realmente produjo sólidos en 41 de 58 intentos. La afirmación de que esos productos eran nuevos para la ciencia no sobrevivió la revisión externa. Son tres hechos separados, y un niño que puede sostener los tres a la vez aprendió cómo funciona la ciencia de verdad. Nuestra nota sobre DuctGPT y la diferencia entre herramienta estrecha y científico de IA pone los números en contexto.

Compara esto con el relato de feria de ciencias que se le enseña a casi todos: tienes una hipótesis, la pruebas, aciertas o te equivocas, listo. La ciencia real tiene un cuarto paso que nadie menciona: otras personas intentan romper tu resultado, y a veces lo logran, y el artículo se corrige. Ese cuarto paso es la razón entera de que la empresa funcione.

¿Y en América Latina?

Los laboratorios autónomos suenan a presupuesto de laboratorio nacional, y en parte lo son. Pero hay tres puntos concretos para la región. Primero, el software que hace la parte inteligente (minado de literatura, aprendizaje activo, ajuste de patrones) es cada vez más abierto, y grupos universitarios en la UNAM, la Universidad de Chile, la UBA o la Universidad de los Andes pueden usarlo sobre equipos existentes sin comprar una planta robótica completa.

Segundo, la región tiene un motivo industrial fuerte para interesarse: Chile con el cobre y el litio, Argentina y Bolivia con el litio del triángulo, Brasil con el niobio. La búsqueda de materiales para baterías es justamente el terreno donde GNoME y el A-Lab reportaron 528 candidatos a conductores de iones de litio. Un adolescente en Antofagasta o Salta que entienda este ciclo está mirando una industria que ya existe en su región.

Tercero, y menos cómodo: los datos de PISA 2025 de la OCDE, publicados el 8 de septiembre de 2026, muestran caídas en ciencias y matemáticas en varios países latinoamericanos. La ciencia automatizada exige menos habilidad manual y más criterio para decidir qué medir y si un resultado se sostiene. Eso es lectura crítica y razonamiento cuantitativo, exactamente lo que las pruebas dicen que estamos perdiendo. La automatización no reduce la necesidad de esas habilidades; la aumenta.

Cómo enseñarle esto a tu hijo

Las ideas centrales son el ciclo, la división del trabajo y la revisión por pares. Una receta de galletas y una balanza de cocina alcanzan para casi todo.

De 5 a 8 años: el juego del robot de galletas

Tú eres el robot. Tu hijo escribe en papel las instrucciones para hacer un snack (pan tostado, un sándwich, cereal). Tú las sigues literalmente, sin improvisar. Cuando diga “pon mantequilla” sin decir cuánta, pon una cantidad absurda. Ríanse. Luego pregunta: “¿Qué hice bien y qué hice mal?”. Ponle nombre: “Los robots son buenísimos para hacer exactamente lo que se les dice, y rapidísimo. Son malos para notar cuando algo se ve raro”. Esa distinción es el artículo entero, servido a un niño de seis años.

De 9 a 12 años: veintiún experimentos en una tarde

Elige una variable simple: cuántas gotas de colorante hacen que el agua se vea “completamente azul”, o cuánto vuela un diseño de avión de papel. Hagan 21 pruebas, que es el ritmo diario del A-Lab, y registren cada una en una tabla. A mitad de camino, pregúntale qué cambiaría en las siguientes diez pruebas según las primeras once. Eso es aprendizaje activo, y lo habrá inventado por su cuenta. Después pregúntale quién decidió qué probar. Él. Ese es el paso uno, y ningún robot lo hizo.

De 13 en adelante: ser el revisor

Que tu hijo lea el resumen del A-Lab y luego la crítica de Chemistry World. Su tarea: escribir un párrafo que diga qué afirmación específica se cuestionó, qué evidencia ofrecieron los críticos y qué concedieron los autores. Es revisión por pares como ejercicio de lectura, y es la habilidad científica más transferible que existe. Extra: que encuentre la fecha del aviso de corrección.

La pregunta que debes hacer: “¿Qué partes de un experimento podría hacer un robot esta noche, y qué partes todavía necesitan una persona mañana por la mañana?”

Paso por paso: quién hace qué en un laboratorio autónomo

Paso	Qué pasa	Quién lo hace en el A-Lab	¿Puede un humano saltárselo?
1. Elegir el objetivo	Seleccionar compuestos candidatos que valga la pena fabricar	Humanos, con bases de datos computacionales (Materials Project, GNoME)	No. Nada te dice qué vale la pena querer.
2. Proponer una receta	Elegir precursores, temperatura, duración	IA, con heurísticas minadas de artículos publicados	Cada vez más sí, en casos rutinarios
3. Hacer la síntesis	Pesar, mezclar, calentar, enfriar	Robots, cerca de 21 experimentos por día	Sí, y es la ganancia más clara
4. Medir e identificar	Difracción de rayos X más ajuste automático de estructura	IA, y aquí aterrizó la crítica de 2024	Todavía no de forma confiable; hace falta criterio
5. Elegir qué sigue	Actualizar la estrategia según resultados	Aprendizaje activo de la IA	Casi siempre sí, dentro de un espacio definido
6. Decidir si es real	¿Esto era de verdad un compuesto nuevo?	Humanos, y hicieron falta químicos externos para detectar el problema	No. Este paso es la revisión por pares.

Los pasos 2, 3 y 5 son donde las máquinas se ganan el sueldo. Los pasos 1 y 6 son los extremos, y los dos son humanos.

Qué hacer en casa con esta historia

Separa “funcionó” de “encontró”

El hábito más útil que puedes construir es distinguir una afirmación de proceso de una afirmación de descubrimiento. “El laboratorio funcionó 17 días de forma autónoma” es de proceso, y se sostuvo completa. “Descubrió 41 compuestos nuevos” es de descubrimiento, y no se sostuvo. Casi todos los titulares de IA y ciencia mezclan las dos.

Vuelve “revisión por pares” una palabra de casa

Cuando tu hijo te cuente algo que leyó, pregunta “¿quién lo revisó?”. No como desafío, sino como rutina. La historia del A-Lab te da un ejemplo concreto al que señalar: un laboratorio famoso, una revista de primera línea, una corrección real y nadie mintiendo. Estar equivocado y ser deshonesto son cosas distintas, y los chicos necesitan mucho esa distinción.

Arma un ciclo en casa

Cualquier medición repetida con registro escrito es un ciclo: germinación de semillas con distinta luz, hielo derritiéndose en distintas superficies, cuánto tarda una toalla de papel en absorber. El aprendizaje está en la tabla, no en el resultado. Si tu hijo quiere entender qué hace la máquina cuando “interpreta” una imagen, nuestra nota sobre qué es la visión por computadora explica el paso cuatro del ciclo.

Señala al humano dentro del ciclo

Todo sistema autónomo que aparece en las noticias tiene una persona que definió su objetivo. Lo mismo vale para herramientas estrechas como DuctGPT, del Ames National Laboratory. Encuentra a esa persona en la historia. En el A-Lab son Ceder y Zeng decidiendo qué materiales importaban. Los chicos que buscan al humano detrás de la automatización desarrollan un modelo correcto de cómo funciona la tecnología.

Lo que no debes hacer

No uses esta historia para enseñar que la ciencia con IA es falsa. El A-Lab hizo algo que ningún laboratorio había hecho, y el proceso de corrección funcionó exactamente como está diseñado. La lección no es “no confíes en los robots”. Es “confía en la revisión”. Un niño que se lleva cinismo aprendió algo tan equivocado como uno que se lleva entusiasmo ciego.

Qué observar en los próximos 3 meses

• Semana 4: tu hijo puede nombrar los cinco pasos del ciclo y decir cuáles maneja un robot. El juego del robot de galletas debería bastar para anclarlo.
• Señales de alerta en el mes 2: repite “los robots ya hacen ciencia” sin saber de la corrección. O decidió que toda la ciencia con IA es fraude. En ambos casos, relean los dos artículos en paralelo.
• Autoevaluación del mes 3: pídele que diseñe un experimento autónomo pequeño y que te diga qué paso tendría que hacer él mismo. Si llega a “decidir qué probar” y “decidir si la respuesta es real”, lo entendió.

Preguntas frecuentes

¿El A-Lab descubrió de verdad 41 materiales nuevos?

Sintetizó productos en 41 de 58 intentos, y esa parte está documentada. Si esos productos eran nuevos para la ciencia no sobrevivió la revisión externa: Palgrave y Schoop argumentaron que la mayoría eran versiones ordenadas de compuestos desordenados ya conocidos, y Nature emitió una corrección el 19 de enero de 2026. La operación autónoma fue real; la novedad estaba sobredimensionada.

¿Esto significa que no se puede confiar en la IA científica?

Significa que las salidas de la IA necesitan la misma revisión externa que las humanas. El punto de falla del A-Lab no fue la robótica; fue la interpretación automática de datos de rayos X, una tarea que requiere criterio. Es una limitación específica y corregible, no un veredicto sobre el campo.

¿Los científicos van a perder el trabajo por los laboratorios autónomos?

El trabajo se desplaza más que desaparece. Elegir qué preguntas perseguir, diseñar el objetivo y juzgar si un resultado es real siguen siendo humanos. Los roles técnicos que consisten en ejecutar procedimientos rutinarios a mano son los más afectados, y aparecen roles nuevos alrededor de construir y auditar los sistemas.

¿Mi hijo puede ver un laboratorio autónomo?

Algunos departamentos universitarios de química y materiales hacen demostraciones y jornadas de puertas abiertas, y varios publican recorridos en video. Vale un correo al departamento de ciencia de materiales de una universidad cercana si tu hijo está genuinamente interesado.

¿Cuál es la forma más simple de explicar “aprendizaje activo”?

Es elegir tu siguiente pregunta según lo que acabas de averiguar. Si estás adivinando un número entre 1 y 100 y te dicen “muy alto”, la siguiente no la adivinas al azar. Un sistema con aprendizaje activo elige el experimento que más le va a enseñar, en lugar de recorrer una lista fija.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. Szymanski, N. J., Rendy, B., Fei, Y., … Ceder, G. (2023). “An autonomous laboratory for the accelerated synthesis of novel materials.” Nature, 624(7990), 86–91. https://pmc.ncbi.nlm.nih.gov/articles/PMC10700133/
2. Chemistry World. (2024, 16 de enero). “New analysis raises doubts over autonomous lab’s materials discoveries.” https://www.chemistryworld.com/news/new-analysis-raises-doubts-over-autonomous-labs-materials-discoveries/4018791.article
3. Chemical & Engineering News. (2026, enero). “Nature robot chemist paper corrected, but some questions remain.” https://cen.acs.org/research-integrity/Nature-robot-chemist-paper-corrected/104/web/2026/01
4. Lawrence Berkeley National Laboratory / ScienceDaily. (2023, 29 de noviembre). “Nearly 400,000 new compounds added to open-access materials database.” https://www.sciencedaily.com/releases/2023/11/231129112351.htm
5. Merchant, A., Batzner, S., Schoenholz, S. S., et al. (2023). “Scaling deep learning for materials discovery.” Nature, 624, 80–85. https://www.nature.com/articles/s41586-023-06735-9
6. Google DeepMind. (2023, 29 de noviembre). “Millions of new materials discovered with deep learning.” https://deepmind.google/discover/blog/millions-of-new-materials-discovered-with-deep-learning/
7. OCDE. (2026, 8 de septiembre). “PISA 2025: Students’ reading and mathematics performance declined sharply across the OECD.” https://www.oecd.org/en/about/news/press-releases/2026/09/pisa-2025-students-reading-and-mathematics-performance-declined-sharply-across-the-oecd.html