Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
On a bench at Penn State, Xu Zhou measures how food materials respond to electromagnetic energy. The numbers he needs usually already exist, but they sit in thousands of papers published over decades. A team he leads has now shown that AI agents, guided by human experts, can read those papers and assemble the figures into a searchable database in a fraction of the time it used to take.
En un banco de laboratorio de Penn State, Xu Zhou mide cómo responden los materiales alimentarios a la energía electromagnética. Los números que necesita suelen existir ya, pero están repartidos en miles de artículos publicados a lo largo de décadas. Un equipo que dirige ha demostrado ahora que los agentes de IA, guiados por expertos humanos, pueden leer esos artículos y reunir las cifras en una base de datos consultable en una fracción del tiempo que antes requería.
Food engineers rely on what are called physical property data, such as the dielectric properties that govern microwave heating, to build mathematical models and computer simulations. Those values are often buried in tables, figures and equations rather than in the running text that conventional data-mining tools read. The system, called AgentXtract, assigns different AI agents to different formats. They extract the numerical data, then validate, standardize and organize it, while food engineers choose the sources and make sure the data can be trusted. To choose the underlying models, the researchers compared 10 large language models from OpenAI, Google and Anthropic on accuracy, speed and cost, using data checked by hand as a reference.
Los ingenieros alimentarios se basan en los llamados datos de propiedades físicas, como las propiedades dieléctricas que rigen el calentamiento por microondas, para construir modelos matemáticos y simulaciones por ordenador. Esos valores suelen estar enterrados en tablas, figuras y ecuaciones, y no en el texto corrido que leen las herramientas convencionales de minería de datos. El sistema, llamado AgentXtract, asigna distintos agentes de IA a distintos formatos. Ellos extraen los datos numéricos y después los validan, estandarizan y organizan, mientras que los ingenieros alimentarios eligen las fuentes y se aseguran de que los datos sean fiables. Para elegir los modelos subyacentes, los investigadores compararon 10 grandes modelos de lenguaje de OpenAI, Google y Anthropic en precisión, velocidad y coste, usando como referencia datos verificados a mano.
The speed gap is the figure the researchers emphasize. Zhou recalls that the same work once required "an experienced graduate student or postdoctoral researcher to spend six months or more". With the agents, the team collected and organized more than 4,000 experimental data records in just 30 minutes. That speed is what made the next discovery possible. Once the data were gathered together, the team found a new and consistent relationship between the dielectric constant and the loss factor for more than 100 different foods. Zhou says it had gone unreported because collecting so much data manually was too hard. The finding comes from the team's own compilation and still needs to be checked by other researchers.
La diferencia de velocidad es la cifra que destacan los investigadores. Zhou recuerda que ese mismo trabajo requería en su día «un estudiante de posgrado o un investigador posdoctoral con experiencia que dedicara seis meses o más». Con los agentes, el equipo reunió y organizó más de 4.000 registros de datos experimentales en apenas 30 minutos. Esa rapidez es la que hizo posible el siguiente descubrimiento. Una vez reunidos los datos, el equipo halló una relación nueva y consistente entre la constante dieléctrica y el factor de pérdida en más de 100 alimentos diferentes. Zhou afirma que este hallazgo no se había publicado porque reunir tantos datos a mano resultaba demasiado difícil. El resultado procede de la recopilación propia del equipo y todavía debe ser comprobado por otros investigadores.
The database also serves as a knowledge base for a general-purpose AI. In a setup known as retrieval-augmented generation, the AI searches the verified entries before answering, so it can give a reference and explain the result. Zhou's example is a question about the dielectric properties of potatoes at a specific frequency, answered with the underlying data and an explanation of how those properties affect microwave heating. For food engineers, the gain is faster access to checked data, which matters for product development and process design. Zhou argues the method is not limited to food science. Its results are due in the March 2027 issue of the Journal of Food Engineering, and the article does not say when the database itself will be open to other users.
La base de datos también sirve como base de conocimiento para una IA de propósito general. En una configuración conocida como generación aumentada por recuperación, la IA busca entre las entradas verificadas antes de responder, de modo que puede ofrecer una referencia y explicar el resultado. El ejemplo de Zhou es una pregunta sobre las propiedades dieléctricas de las patatas a una frecuencia específica, respondida con los datos subyacentes y una explicación de cómo esas propiedades afectan al calentamiento por microondas. Para los ingenieros alimentarios, la ganancia es un acceso más rápido a datos verificados, lo que importa para el desarrollo de productos y el diseño de procesos. Zhou sostiene que el método no se limita a la ciencia de los alimentos. Sus resultados aparecerán en el número de marzo de 2027 de Journal of Food Engineering, y el artículo no indica cuándo estará abierta a otros usuarios la base de datos en sí.