En marzo, hace eones, en el actual caos de desarrollos de inteligencia artificial, el físico teórico Matthew Schwartz dio un mensaje siniestro a sus pares: la IA va a hacer mucha ciencia, así que tengan cuidado. La advertencia de Schwartz, pronunciada en un discurso en la reunión anual de la Sociedad Estadounidense de Física, no fue particularmente bien recibida. Muchos físicos del público reaccionaron con una mezcla de escepticismo y burla ante el pronóstico del profesor de la Universidad de Harvard, que parecía, en ese momento, demasiado alarmista y demasiado optimista sobre las capacidades de la IA para ser cierto.
Ahora esas advertencias parecen curiosas. En los meses posteriores a la charla de Schwartz, los científicos han observado con creciente asombro e inquietud cómo una asombrosa serie de avances impulsados por la IA han provocado una crisis existencial para sus colegas en matemáticas. En mayo, los modelos de la empresa OpenAI, guiados por humanos, refutaron una antigua conjetura planteada por el legendario matemático Paul Erdős. En agosto, en medio de torbellinos de controversia, los modelos de IA resolvieron efectivamente el problema de Navier-Stokes, que ha sido uno de los mayores dilemas de las matemáticas. Y en octubre OpenAI publicó 722 preimpresiones generadas por IA sobre unos 370 problemas abiertos, incluida una solución parcial a la hipótesis de Riemann.
Si bien los matemáticos parecen estar mirando hacia un futuro en el que la IA automatiza muchos elementos para resolver pruebas, el panorama para los científicos aún es bastante turbio.
Sobre el apoyo al periodismo científico
Si está disfrutando de este artículo, considere apoyar nuestro periodismo galardonado suscribiéndose. Al comprar una suscripción, ayudas a garantizar el futuro de historias impactantes sobre los descubrimientos y las ideas que dan forma a nuestro mundo actual.
Los científicos ahora utilizan rutinariamente IA para codificar y cada vez más también la utilizan para análisis. En cuanto a resultados verdaderamente novedosos, “todavía no puedo nombrar un resultado que sea una visión profunda de la física”, dice Schwartz, quien también es consultor de Anthropic, la compañía detrás de la familia Claude de modelos de IA. “¿Es ese un límite fundamental, o es simplemente que las herramientas aún no están listas? Estoy bastante seguro de que las herramientas aún no están listas”.
Pero las herramientas están mejorando a un ritmo vertiginoso, y la física teórica, posiblemente el área más cercana a las matemáticas, podría ser la siguiente. A finales de octubre, tanto OpenAI como Anthropic anunciaron sus avances independientes en un problema espinoso que sustenta las matemáticas del modelo estándar de física de partículas. Ese mismo mes, una evaluación separada encontró que los últimos modelos de IA eran casi perfectos a la hora de resolver problemas de física teórica a nivel de investigación: acertijos menores pero sustanciales que un experto podría resolver en un día.
En medio de tal tumulto, los investigadores de todas las ciencias que hablaron con Scientific American mostraron poco consenso sobre qué podrá hacer exactamente la IA y cómo debería usarse en sus campos. Pero todos estuvieron de acuerdo en que la ciencia estaba en la cúspide de un cambio masivo.
“En este momento todo el mundo está tratando de descubrir hacia dónde irá la IA, y los científicos no están solos en eso”, dice Mark Histed, neurocientífico del Instituto Nacional de Salud Mental. “Hay mucha incertidumbre”.
Complicación de la automatización
Hace cuatro breves años, los grandes modelos de lenguaje (LLM) luchaban por sumar números de dos dígitos, por lo que fue un gran paso adelante cuando adquirieron la competencia suficiente para aprobar las pruebas de matemáticas de octavo grado. A diferencia de las calculadoras, no tenían un método codificado para hacer aritmética. Como sugiere su nombre, los LLM están capacitados en texto; lograr que hagan matemáticas se consideraba en general como algo atrasado. Ahora la situación ha cambiado: los modelos de IA más populares y dominantes (que son todos LLM) tienden a producir simplemente “buena” prosa, pero pueden producir hazañas sobrehumanas de razonamiento cuantitativo. Su repentino ascenso ha sacudido las matemáticas hasta sus cimientos, y sus practicantes humanos están luchando por trazar un camino a seguir.
Pero este asombroso progreso se explica sólo parcialmente por la mejora constante de los modelos; la otra mitad de la ecuación es la naturaleza de las matemáticas, donde existen soluciones exactas. Los LLM también pueden aprovechar el software de verificación de pruebas, como Lean, un lenguaje de programación que puede codificar lógicamente y confirmar que un resultado es verdadero (incluso si nadie comprende completamente las matemáticas subyacentes). “En las ciencias, no tenemos tal verificador”, dice NM Anoop Krishnan, un ingeniero que estudia IA en el Instituto Indio de Tecnología de Delhi, quien se muestra escéptico de que los LLM puedan producir descubrimientos autónomos igualmente trascendentales en la ciencia.
Los modelos actuales destacan cuando tienen acceso a datos abundantes y bien examinados. Gracias a la formación sobre gran parte del conocimiento científico humano digitalizado, ahora pueden ofrecer explicaciones que parezcan autorizadas sobre cualquier tema determinado. Pero eso no significa necesariamente que puedan reemplazar a los expertos humanos. Los buenos científicos se basan en sutilezas que rara vez aparecen en la literatura revisada por pares, como resultados negativos y conocimiento tácito ganado con esfuerzo: “intuiciones que se desarrollan en el futuro”. [scientific] proceso”, dice Krishnan. Además, los LLM a menudo homogeneizan sus respuestas, haciéndolas menos útiles para idear ideas genuinamente novedosas para el trabajo científico exploratorio. Incluso si estos problemas se superaran, existe la molesta existencia de un mundo físico contra el cual validar, señala Krishnan. Diseñar un material in silico no es un sustituto para sintetizarlo en el mundo real.
De hecho, la capacidad de predecir y diseñar materiales novedosos se ha considerado históricamente como una de las mayores promesas de la IA. Hasta ahora, sin embargo, ha habido poco que mostrar: los resultados de alto perfil obtenidos con IA han producido en su mayoría materiales no físicos o novedosos en aspectos triviales. Y peor aún, la evidencia más prometedora de que la IA acelera la ciencia de materiales resultó ser completamente inventada.
Leslie Schoop, química física de la Universidad de Princeton, que también asesora a Anthropic, dice que es posible que estos dudosos resultados pasados no pronostiquen el desempeño futuro. El espectacular salto en las capacidades de la IA en los últimos meses, afirma, es innegable. “Ahora puede hacer prácticamente lo mismo que yo, excepto que no tiene laboratorio”, bromea Schoop. Recientemente, ha estado tratando de convencer a los modelos de IA para que predigan la existencia de una estructura novedosa que ella y sus compañeros de trabajo descubrieron en su laboratorio mediante la antigua combinación de casualidad, intuición y repetición; ninguno lo ha logrado. “La razón [AI] “No puedo encontrar esta estructura es que no hay una forma analítica de hacerlo”, dice.
De todas las áreas en las que la IA probablemente tenga dificultades, quizás la más irónica sea el estudio de la inteligencia misma y cómo surge dentro del cerebro. Sin embargo, es precisamente ahí donde Histed cree que los modelos actuales y del futuro cercano pueden fracasar. “Mi sensación es que las cuestiones difíciles en el campo realmente no se resolverán añadiendo inteligencia”, afirma.
En cambio, lo que la neurociencia necesita son más y mejores datos, dice Histed, enumerando varios ejemplos de su lista de “los más buscados”: mejores registros de la actividad neuronal, estudios más exhaustivos de las redes biológicas, nuevas mediciones utilizando tecnologías de vanguardia como la optogenética, etc.
Incluso si la IA tuviera acceso a más datos y de mayor calidad, existe un obstáculo inminente para la neurociencia y cualquier otro campo suficientemente complicado. “En algún momento, la cantidad de datos que se necesitan para estimar la función no lineal posterior es mayor de la que se puede adquirir antes de la muerte térmica del universo”, dice Histed. En otras palabras, el problema es el caos. El comportamiento de un sistema caótico como el clima de la Tierra (y tal vez el propio cerebro) sólo puede calcularse con cierta antelación antes de que los cambios iniciales infinitesimales se magnifiquen hasta divergir dramáticamente de las expectativas.
A través de un cristal, oscuramente
En diciembre de 2025, Schwartz comenzó a introducir problemas de física a nivel de estudiantes de posgrado en el modelo Claude Opus 4.5 de Anthropic (desde entonces, la compañía ha lanzado iteraciones de Opus mejores y más potentes). El modelo, dice Schwartz, tenía muchas limitaciones, pero “daría una respuesta en dos minutos en lugar de dos semanas”. Luego documentó su experiencia con un “estudiante de posgrado en IA” y lo calificó como “el artículo más importante que he escrito”.
Desde entonces Schwartz ha seguido trabajando con los últimos modelos. El truco, afirma, consiste en encontrar problemas “con forma de IA”. El mes pasado, él y sus colaboradores publicaron 36 preimpresiones en 22 áreas sobre problemas como delinear la historia geológica del oxígeno atmosférico de la Tierra, extender las ramas de los árboles filogenéticos y determinar la demografía de las manchas solares. Los diversos problemas compartían características como la verificabilidad y la solidez de los datos, y muchos implicaban la importación de una herramienta matemática a través de fronteras disciplinarias.
Para generar los resultados, Schwartz solicitó la ayuda de expertos en diversos campos. El contexto que proporcionaron fue vital. En un caso, el modelo anunció con orgullo que había encontrado una manera de hacer que la predicción de terremotos fuera un 15 por ciento mejor que los métodos actuales, afirmación que el experto humano independiente de Schwartz refutó fácilmente. “Claude me convenció de que esto era interesante, pero luego el experto dijo: ‘En realidad no’”, dice Schwartz.
Con el tiempo, es probable que las diferencias entre los problemas relacionados con la IA se reduzcan, afirma Schwartz. ¿Dónde estará la IA dentro de un año? Según algunas estimaciones, ya estaremos casi en el camino hacia un apocalipsis. Schwartz es algo menos pesimista, pero dice que el cambio seguirá acelerándose. Para la física teórica, predice, “el contenido de cualquier artículo que podamos escribir hoy, Claude podría simplemente generarlo pensando”.
Schoop, por otro lado, no está convencido de que las capacidades de IA sigan progresando al ritmo actual. “Ya sabes, todo aumento exponencial eventualmente se estabiliza”, dice.
Hace dos años escribí un artículo para “que no cunda el pánico” en el que sostenía que la IA se convertiría en una herramienta más para los científicos humanos. Las proclamaciones de cambios inmensos e inminentes parecían tontas; En aquel entonces, los modelos habitualmente no contaban el número de r en “fresa”. Los últimos nueve meses de acontecimientos han sido humillantes de observar. En matemáticas, la IA no funciona sólo como una herramienta; En algunos casos, los humanos están tan fuera del circuito que simplemente no comprenden las respuestas que los modelos han conjurado desde el éter agente. Pero ese no es todavía el caso en la ciencia. En comparación con cuestiones de pura lógica, las mediciones que los científicos hacen de nuestro desordenado universo pueden protegerlos mejor contra las depredaciones de la IA. ¿Pero hasta qué punto?
Como escéptico rutinario y alguien que todavía no utiliza la IA generativa, no me complace informar esto: nos enfrentamos a un cambio fundamental en la forma en que se produce la información, un evento en la historia de la humanidad que probablemente tendrá tanto impacto como la invención de la imprenta. La IA está a punto de alterar los trabajos de todos los trabajadores del conocimiento, incluidos los científicos y los periodistas científicos. Aún no está claro qué significa exactamente esto para la ciencia, y mucho menos para la sociedad, pero estamos a punto de descubrirlo.
“Mi esposa odia la IA. Y mucha gente lo hace. Da miedo, es impersonal e inhumana, y está invadiendo lo que somos”, dice Schwartz. “Pero como científico, no puedo dejar de utilizar las mejores herramientas disponibles para resolver problemas”.