La selección de experimentos científicos presenta un desafío metodológico cuando los investigadores enfrentan múltiples ideas promisoras simultáneamente. Aunque el azar ha sido históricamente una fuente de descubrimientos, la optimización de las decisiones permite maximizar el retorno de la inversión y la viabilidad práctica. Un enfoque estructurado consiste en listar todas las propuestas, clasificarlas según criterios específicos y calcular la puntuación media para priorizar las opciones más viables.
El uso de modelos de lenguaje de gran escala (LLM) ha facilitado esta tarea, permitiendo estimar con precisión factores como el coste, la factibilidad técnica y la incertidumbre experimental. Para los científicos independientes, que suelen financiar sus proyectos con recursos personales, el control de costes es crítico debido a la inflación y el aumento de los precios de la vivienda. La factibilidad se evalúa considerando la complejidad y el riesgo de contaminación, especialmente en experimentos biológicos. El factor de interés subjetivo, difícil de cuantificar con IA, debe basarse en la intuición del investigador o en proxies basados en su historial de escritura.
Además, la selección debe considerar la incertidumbre moral y el potencial de contrarrevolución científica. Es imperativo evitar experimentos con riesgos de bioseguridad o usos maliciosos, mientras que se priorizan aquellas investigaciones que puedan desafiar paradigmas establecidos, como sugiere Thomas Kuhn en su obra sobre las revoluciones científicas. Este marco de decisión integra la lógica, la ética y la creatividad para guiar la investigación de forma eficiente.
