Científicos de la Universidad de Oxford y Google han convertido la IA Gemini de este último en un astrónomo experto capaz de escanear el cielo nocturno y detectar agujeros negros y supernovas con una precisión del 93 %. Sorprendentemente, este “astrónomo de IA” solo recibió 15 imágenes y un conjunto de instrucciones para su entrenamiento.
Detectar eventos reales en el ruido
Los telescopios modernos escanean constantemente el cielo nocturno en busca de eventos astronómicos. Se utilizan modelos especializados de aprendizaje automático para filtrar los eventos reales de otras señales que son simplemente ruido causado por artefactos instrumentales, estelas satelitales o rayos cósmicos.
Sin embargo, estos modelos funcionan de manera muy similar a las “cajas negras” y los eventos marcados son “reales” o “falsos” sin ninguna explicación. Los científicos tienen que aceptarlos tal cual o dedicar horas a verificar manualmente todos estos eventos.
Los investigadores de Google Cloud y la Universidad de Oxford se preguntaron si una inteligencia artificial (IA) multimodal y de propósito general como Gemini podría usarse para resolver este problema.
Entrenado con 15 imágenes
Los investigadores utilizaron un conjunto de 15 ejemplos etiquetados de tres importantes estudios del cielo como conjunto de datos de entrenamiento para su trabajo. Cada ejemplo proporcionó una pequeña imagen de la nueva alerta, una imagen de referencia de la misma porción de cielo y la diferencia entre ambas. Una breve nota también explicaba el significado del cambio.
Tras el entrenamiento, se solicitó a Gemini AI que clasificara miles de alertas nuevas, las etiquetara si eran reales o falsas, y proporcionara una puntuación de prioridad y una explicación de su decisión. Un equipo de 12 astrónomos revisó estos resultados y los consideró coherentes y útiles.
Los investigadores también pidieron a Gemini que revisara sus resultados y proporcionara una puntuación de coherencia. Se observó que los resultados con puntuaciones de coherencia bajas eran menos precisos. Los investigadores utilizaron estas puntuaciones para atraer la atención humana a estas llamadas, lo que obligó a los astrónomos a centrarse en las áreas que más necesitaban trabajo, y mejoraron el rendimiento del sistema hasta alcanzar una precisión del 96,7 %.
Esto podría conducir al desarrollo de asistentes de IA que podrían asumir la mayor parte del trabajo y requerir la intervención humana solo cuando se detecten descubrimientos prometedores. Dado que los conjuntos de datos de entrenamiento son pequeños, estos sistemas pueden adaptarse rápidamente a instrumentos y estudios celestes más recientes que se desarrollen en el futuro.
“Estamos entrando en una era donde el descubrimiento científico se acelera no mediante algoritmos de caja negra, sino mediante socios de IA transparentes”, afirmó Turan Bulmus, coautor principal de Google Cloud. “Este trabajo muestra el camino hacia sistemas que aprenden con nosotros, explican su razonamiento y permiten a los investigadores de cualquier campo centrarse en lo más importante: plantear la próxima gran pregunta”.
Referencia de la noticia
Stoppa, F., Bulmus, T., Bloemen, S. et al. Textual interpretation of transient image classifications from large language models. Nat Astron (2025). https://doi.org/10.1038/s41550-025-02670-z
—
