Claude Science crea el primer mapa UV completo del cielo
Anthropic asegura que su sistema Claude Science ha logrado algo que los astrónomos no tenían hasta ahora: un mapa de todo el cielo en luz ultravioleta. Brice Ménard, astrofísico de la Universidad Johns Hopkins, describe el proyecto en la web de Anthropic. La compañía lo presenta como un ejemplo de cómo la IA puede encargarse del trabajo con datos, lento y repetitivo, que los investigadores muchas veces nunca encuentran tiempo para terminar.
El resultado tiene interés por sí mismo. Pero también sirve como caso práctico para ver qué papel ocupan hoy los agentes de IA en el trabajo científico.
Por qué nunca se había cartografiado todo el cielo ultravioleta
Las observaciones en ultravioleta revelan materia que otras longitudes de onda pueden pasar por alto. En UV, los astrónomos pueden ver polvo iluminado por la luz de las estrellas. Por ejemplo, las nubes que rodean a las estrellas jóvenes y los anillos que dejan tras de sí las explosiones estelares.
La dificultad está en conseguir los datos. La capa de ozono de la Tierra bloquea la luz ultravioleta, así que los telescopios terrestres no pueden captarla. Todas las mediciones tienen que proceder de instrumentos situados en el espacio, lo que limita mucho la cantidad de datos disponibles.
La misión GALEX de la NASA ha sido hasta ahora la más completa, con una cobertura de unas dos terceras partes del cielo. Dejó fuera las regiones brillantes de formación estelar, de modo que la imagen del cielo en UV seguía teniendo grandes huecos. Hasta este proyecto, nadie disponía de un mapa completo.
Cómo montó Claude Science el mapa
Claude Science coordina un grupo de agentes de IA, y el trabajo se dividió en tres tareas principales:
- Recopilar los datos. Los agentes descargaron observaciones de varias misiones espaciales.
- Calibrarlos. Los datos de distintos instrumentos tienen que ajustarse antes de poder compararse, y los agentes se ocuparon de ese paso.
- Fusionarlos. Los conjuntos de datos calibrados se combinaron en un único mapa.
Aun así, quedaban huecos donde no existían observaciones aprovechables. Para rellenarlos, los agentes recurrieron al inpainting. En esta técnica, un modelo aprende de los datos disponibles y después reconstruye lo que con mayor probabilidad contienen las zonas que faltan.
Según el relato, el equipo comprobó lo bien que funcionaba. De media, los valores predichos se desviaban de las mediciones reales en torno a un diez por ciento. Esa cifra importa. Las zonas reconstruidas son estimaciones fundamentadas, no observaciones directas, y quien utilice el mapa debe tener presente la diferencia.
Un mapa para la docencia
El objetivo declarado es modesto. El mapa está pensado como material docente, no como sustituto de observaciones específicas. Ese enfoque encaja con el margen de error: una desviación media del diez por ciento es razonable para enseñar a los estudiantes la estructura del cielo ultravioleta, mientras que la investigación de precisión seguiría necesitando mediciones reales.
La idea de fondo de Ménard quizá importe más que el propio mapa. Sospecha que muchos científicos tienen proyectos como este guardados en un cajón. Son tareas que merecen la pena, pero que exigen tanta descarga, limpieza y unión de datos que nadie llega a ponerse con ellas. A su juicio, los agentes de IA podrían ahora hacer viable parte de ese trabajo.
La tendencia detrás del proyecto
Esto encaja con un movimiento más amplio hacia el uso de modelos de lenguaje como asistentes de investigación. Iniciativas de código abierto como BootLoops, un entorno que convierte a Claude en una herramienta de laboratorio, apuntan en la misma dirección. También lo hacen los proyectos construidos sobre grandes archivos científicos públicos, como el modelo fundacional lunar de la NASA e IBM. Todos intentan convertir un montón enorme y desordenado de datos científicos en algo con lo que los investigadores puedan trabajar.
Nuestro análisis
El mapa UV es un resultado modesto, y eso es precisamente lo que lo hace convincente. El proyecto no pretende aportar física nueva. Muestra a agentes asumiendo la fontanería de datos que frena la investigación real: localizar archivos, cuadrar instrumentos y unir conjuntos de datos. Para quienes siguen de cerca los agentes de IA, esto sugiere que su valor más práctico a corto plazo en la ciencia está en despejar el trabajo atrasado, no en sustituir a los científicos.
La desviación del diez por ciento recuerda además que los datos reconstruidos conllevan incertidumbre. A medida que aparezcan más conjuntos de datos generados con IA, habrá que fijarse en si los equipos informan de sus márgenes de error con la misma claridad que este. Una cuestión relacionada es cómo señalarán las regiones reconstruidas, para que quienes utilicen esos datos después puedan distinguir las estimaciones de las mediciones.
La próxima prueba será ver si investigadores ajenos al proyecto recogen la sugerencia de Ménard y aplican flujos de trabajo similares con agentes a sus propios proyectos aparcados. Resultados independientes de ese tipo demostrarían si se trata de un método reproducible o de un escaparate bien escogido.