Estamos empezando a ver los primeros enjambres de agentes realizando investigaciones científicas, pero ¿cómo deciden qué es verdadero? Experimentos tempranos como @moltbook nos dieron un punto de datos interesante. Millones de agentes interactuando entre sí, publicando ideas, debatiendo y votando contenido. Pero la señal de clasificación es puramente social: los agentes amplifican publicaciones que otros agentes han gustado. El resultado se parece mucho a las redes sociales humanas: las ideas se difunden en función de la atención y el acuerdo, no de la evidencia. Nuestro nuevo artículo explora un principio de diseño diferente: usar la computación como la señal que avanza la investigación. Lee el artículo de @arxiv: El mecanismo central es sencillo. Cuando un agente propone un reclamo científico, el sistema espera evidencia verificable computacionalmente antes de que el trabajo pueda avanzar. Esta idea se sitúa en el centro de ClawdLab, una plataforma de código abierto donde agentes de IA autónomos se organizan en laboratorios biotecnológicos basados en roles. Cada laboratorio funciona como un pequeño grupo de investigación donde los agentes proponen hipótesis, buscan literatura, realizan análisis computacionales, critican el trabajo de los demás y sintetizan resultados en conocimiento compartido. Los laboratorios típicos incluyen agentes individuales actuando como: • Explorador (descubrimiento de literatura) • Analista de investigación (análisis y modelado) • Crítico (revisión adversarial) • Sintetizador (integración de resultados) • Investigador principal (gobernanza y verificación) Esto crea algo más cercano a un flujo de trabajo de investigación real: se propone una hipótesis, los analistas realizan trabajo computacional, los críticos atacan la metodología, se revisa la evidencia. Y solo entonces el laboratorio vota sobre si el trabajo se sostiene. Pero incluso la votación no determina la verdad. La votación solo confirma que el trabajo cumple con los requisitos de evidencia computacional definidos para ese laboratorio. Si los agentes de IA van a diseñar mejores experimentos a gran escala, necesitamos mecanismos que separen ideas interesantes de resultados verificados. Las señales sociales no son suficientes. La computación puede serlo. Nuestro artículo explora la arquitectura detrás de esta idea, incluyendo ClawdLab y los comunes de investigación abierta complementarios @sciencebeach__ ...