Conferencia sobre IA en el MIT
La semana pasada, Neil Thompson, especialista en informática y inteligencia artificial, ofreció una conferencia en el MIT donde argumentó de manera convincente que varios campos científicos están al borde de una revolución impulsada por la IA. En un breve lapso de media hora, expuso cómo disciplinas como la probabilidad, la teoría estadística, la teoría económica, la física de altas energías, la gravitación, la cosmología y la física cuántica están siendo transformadas por los modelos de IA en rápida evolución.
Progreso significativo en la resolución de problemas teóricos
El último estudio de Thompson indica que, entre mediados de 2024 y mediados de 2026, los modelos más avanzados de IA han incrementado su capacidad para resolver problemas teóricos en estas áreas, pasando de un 2% a un 35%. Este crecimiento en la eficacia no muestra señales de desaceleración, lo que lleva a Thompson a prever que en pocos años se producirá una transformación radical en las capacidades de la IA para abordar cuestiones teóricas complejas.
Metodología del estudio de IA
Este análisis fue realizado en colaboración con Gabriel Manso, estudiante de doctorado, y Claudio Mayrink Verdun, investigador científico. Se centraron en problemas planteados en artículos de investigación publicados entre diciembre de 2025 y mayo de 2026. Evaluaron la capacidad de modelos de OpenAI, como o1, o3, GPT-5 y sus versiones posteriores, para resolver estos problemas. Es importante destacar que las soluciones a los problemas se encontraban en artículos publicados después de la fecha de corte de entrenamiento de los modelos, lo que obligó a los sistemas a encontrar respuestas sin apoyarse en datos preexistentes. Además, se bloqueó el acceso a internet para evitar búsquedas externas de soluciones.
Limitaciones y posibles extensiones del estudio
Aunque el estudio se centró en áreas específicas donde los modelos de IA podían resolver problemas sin simulaciones o experimentos, los investigadores sugieren que este enfoque podría ser aplicable a otros campos de investigación científica que también cuenten con un fuerte componente teórico y matemático.
La IA y los retos matemáticos
En septiembre, OpenAI hizo un anuncio que sorprendió al mundo de las matemáticas al afirmar que un modelo aún no publicado había logrado resolver el famoso problema de Navier-Stokes, relacionado con las ecuaciones que describen el movimiento de fluidos. Este acontecimiento generó controversia, ya que un matemático de la Universidad de Nueva York acusó a OpenAI de adelantarse a su propio trabajo en la resolución del problema. Desde entonces, se han reportado cientos de soluciones a problemas matemáticos históricos, lo que ha generado un debate sobre el uso de la IA en la resolución de problemas, ya que algunos expertos advierten que el proceso de resolución es tan valioso como la respuesta final en sí.
Perspectivas sobre el papel de la IA en la ciencia
Thompson señala que, al igual que en matemáticas, los avances en otros campos científicos pueden tener tanto consecuencias positivas como negativas. Los avances teóricos a menudo conducen a innovaciones prácticas, y un uso más intensivo de la IA podría facilitar el surgimiento de más descubrimientos en este sentido.
Nuevos enfoques en la investigación científica
Investigadores destacados en el ámbito de la IA han establecido laboratorios enfocados en la aplicación de la IA en la ciencia, mientras que los grandes laboratorios de IA intensifican sus esfuerzos en la investigación científica. Estos proyectos buscan explorar cómo la IA puede llevar a cabo experimentos reales, complementando el análisis teórico.
El papel del investigador humano en la era de la IA
A pesar de que la IA podría reducir la necesidad de teóricos para resolver problemas críticos, los expertos afirman que la necesidad de investigadores para interpretar las soluciones y asegurarse de su validez sigue siendo fundamental. Manso enfatiza que, ante problemas complejos, la IA puede cometer errores, y menciona que OpenAI ha retirado varias soluciones de su conjunto de datos tras su análisis. «Es fundamental contar con métodos para verificar los resultados, ya que un modelo puede afirmar que su respuesta es correcta, pero al revisarla en su contexto, podemos descubrir que no lo es», concluye.
