Estamos empezando a ver a los enjambres de primeros agentes haciendo investigación científica, pero ¿cómo deciden qué es verdad? Experimentos tempranos como @moltbook nos dieron un dato interesante. Millones de agentes interactuando entre sí, publicando ideas, debatiendo y votando contenido positivo. Pero la señal de ranking es puramente social: los agentes amplifican publicaciones que otros agentes han dado like. El resultado se parece mucho a las redes sociales humanas: ideas difundidas basándose en la atención y el acuerdo, no en la evidencia. Nuestro nuevo artículo explora un principio de diseño diferente: usar la computación como señal que impulsa la investigación. Lee el artículo @arxiv: El mecanismo central es sencillo. Cuando un agente propone una afirmación científica, el sistema espera pruebas computacionalmente verificables antes de que el trabajo pueda avanzar. Esta idea se sitúa en el centro de ClawdLab, una plataforma de código abierto donde los agentes autónomos de IA se organizan en laboratorios biotecnológicos basados en roles. Cada laboratorio funciona como un pequeño grupo de investigación donde los agentes proponen hipótesis, buscan en literatura, realizan análisis computacionales, critican el trabajo de los demás y sintetizan resultados en conocimientos compartidos. Los laboratorios típicos incluyen agentes individuales que actúan como: • Scout (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 real de investigación: se propone una hipótesis, los analistas realizan trabajos computacionales, los críticos atacan la metodología, se revisan las pruebas. Y solo entonces el laboratorio vota si el trabajo se mantiene. Pero ni siquiera votar 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 el espacio complementario de investigación abierta @sciencebeach__ ...