La semana pasada asistí a una conferencia en el MIT impartida por Neil Thompson, que estudia los avances en informática e IA. En tan solo media hora, Thompson expuso de forma convincente que varios campos científicos están a punto de verse revolucionados por la IA.
Mientras los matemáticos están molestos por cómo la IA está automatizando su campo, el último estudio de Thompson sugiere que la probabilidad, la teoría estadística, la teoría económica, la teoría de las altas energías, la gravitación y la cosmología, así como la física cuántica, podrían ser los siguientes, gracias a las capacidades en rápida evolución de los modelos de vanguardia.
Según el estudio, entre mediados de 2024 y mediados de 2026, los mejores modelos de IA pasaron de ser capaces de resolver correctamente alrededor del 2% de los problemas teóricos en estos campos a resolver aproximadamente el 35% de dichos problemas. Y no hay indicios de que este progreso vaya a ralentizarse.
En tan solo unos años, esperamos que muchas cuestiones teóricas se transformen por completo en lo que respecta a la capacidad de la IA para resolverlas, menciona Thompson.
Cómo los avances en informática repercuten en la sociedad
Este estudio, que Thompson llevó a cabo junto con Gabriel Manso, estudiante de doctorado, y Claudio Mayrink Verdun, investigador científico, tomó problemas planteados en artículos de investigación publicados en línea entre diciembre de 2025 y mayo de 2026, y luego comprobó si diferentes modelos de OpenAI, o1, o3, GPT-5, GPT-5.1, GPT-5.4 y GPT-5.5, eran capaces de resolverlos.
Cabe señalar que las soluciones a estos problemas se encontraron en artículos publicados después de la fecha límite de entrenamiento de GPT-5.5 y de los modelos anteriores. O sea, los modelos tuvieron que hallar las soluciones por sí mismos, en lugar de basarse en respuestas introducidas como datos de entrenamiento. Dichos artículos sirvieron como referencia para evaluar la capacidad de resolución de los modelos. Los investigadores también bloquearon el acceso a internet, lo que impidió que los modelos sometidos a prueba buscaran soluciones en línea.
Las áreas analizadas en el estudio fueron limitadas: el trío se centró en campos en los que los modelos de IA podían resolver problemas sin necesidad de realizar simulaciones o experimentos. Sin embargo, el trabajo sugiere que este enfoque podría extenderse a otros campos de la investigación científica con un fuerte componente matemático y teórico.
Todos recordamos a OpenAI y los 7 Problemas del Milenio
En septiembre, OpenAI revolucionó el mundo de las matemáticas al anunciar que un modelo aún no publicado había resuelto un importante desafío matemático de larga data conocido como Navier-Stokes, que se refiere a las ecuaciones que explican el comportamiento del movimiento de fluidos. El episodio fue aún más polémico después de que un matemático de la Universidad de Nueva York (NYU), que trabajaba con otro académico vinculado a Anthropic, acusara a OpenAI de adelantarse a ellos tras enterarse de su progreso.
Desde entonces, OpenAI y otros han anunciado cientos de soluciones más a problemas matemáticos de larga data, lo que ha desencadenado una especie de crisis en el campo. Algunos matemáticos han pedido que se pongan límites al uso de la IA, advirtiendo de que el proceso de resolución de problemas suele ser tan útil como disponer de la respuesta final.
Thompson afirma que, al igual que ocurre con las matemáticas, debemos esperar que los avances en otras áreas tengan efectos tanto positivos como negativos. Señala que los avances teóricos a veces impulsan avances prácticos en la ciencia y sugiere que un mayor uso de la IA podría significar que se produzcan más avances de esta manera.
¿La IA debería estar involucrada en la ciencia?
Algunos destacados investigadores en IA han fundado nuevos laboratorios centrados en la IA para la ciencia, y los grandes laboratorios de IA están intensificando la investigación científica. Estos esfuerzos exploran cómo se podría potenciar la IA para llevar a cabo experimentos reales junto con el análisis teórico.
La IA puede significar que ya no se requiera a los teóricos para resolver problemas clave, pero los investigadores afirman que eso no implica que no se necesiten expertos para dar sentido a las soluciones y garantizar que sean sólidas. "Seguiremos necesitando personas que generen buenas ideas para atar cabo", afirma Manso.
Añade que, ante problemas muy complejos, es posible que la IA cometa errores. De hecho, OpenAI retiró varias soluciones de su último conjunto de datos tras su publicación. "También necesitamos formas de verificar lo que se ha hecho, porque es muy fácil que un modelo te diga 'esta es la respuesta correcta' y, cuando analizas la solución en su conjunto, empiezas a darte cuenta de que quizá no lo sea".
Artículo originalmente publicado en WIRED.com. Adaptado por Alondra Flores.
