Para reducir la posibilidad de que los sistemas reprodujeran respuestas conocidas, el equipo utilizó problemas procedentes de publicaciones recientes cuyas soluciones no estaban disponibles durante el entrenamiento de los modelos evaluados. Además, bloqueó el acceso a internet durante las pruebas. El objetivo consistió en comprobar si los sistemas podían producir soluciones por sus propios medios y no limitarse a recuperar información existente.
El alcance del estudio tuvo límites definidos. Los investigadores seleccionaron problemas teóricos que podían abordarse sin experimentos físicos ni simulaciones. Por eso, los resultados describen el desempeño de los modelos en un conjunto específico de problemas y no constituyen una medición global de la capacidad de la inteligencia artificial para realizar investigación científica.
Física, economía y cosmología: las disciplinas que pueden cambiar
Las áreas incluidas en la evaluación comparten una característica: utilizan modelos matemáticos para formular hipótesis, demostrar relaciones y explicar fenómenos complejos. En estos campos, la IA puede contribuir a desarrollar cálculos, explorar alternativas y encontrar soluciones que demandan una importante inversión de tiempo especializado.
En economía, el razonamiento teórico permite analizar relaciones entre variables, construir modelos y examinar las consecuencias de diferentes supuestos. En física de altas energías, gravitación y cosmología, las herramientas matemáticas permiten estudiar las propiedades de la materia, las interacciones fundamentales y la evolución del universo. La probabilidad y la estadística, por su parte, aportan métodos para interpretar datos y construir modelos de incertidumbre.
La mejora registrada por el MIT sugiere que los modelos de IA podrían asumir una proporción creciente de estas tareas. Sin embargo, la capacidad para resolver problemas seleccionados no equivale a comprender de manera integral una disciplina ni garantiza que una respuesta sea válida en cualquier contexto.
Neil Thompson sostiene que, en los próximos años, la capacidad de la IA para abordar cuestiones teóricas podría transformar distintas áreas científicas. El alcance de ese cambio dependerá de la evolución de los modelos, de la complejidad de los problemas y de los métodos disponibles para verificar sus resultados.
Los antecedentes de OpenAI y la polémica
El avance sobre otras ciencias ocurre después de una serie de anuncios que reavivaron el debate sobre el papel de la inteligencia artificial en las matemáticas. OpenAI comunicó avances en la resolución de problemas matemáticos complejos, incluidos desafíos vinculados con las ecuaciones de Navier-Stokes, utilizadas para describir el movimiento de los fluidos.
Estos anuncios generaron controversias dentro de la comunidad académica. Parte del debate se concentra en cómo se validan los resultados, qué grado de originalidad tienen las soluciones y qué información debe publicarse para que otros especialistas puedan comprobarlas de manera independiente.
La discusión también involucra el proceso de investigación. Para algunos matemáticos, resolver un problema no consiste únicamente en alcanzar una respuesta correcta: desarrollar una demostración, explorar caminos alternativos y comprender por qué una solución funciona también forma parte de la producción del conocimiento.
La automatización de algunas etapas puede acelerar el trabajo, pero también modifica las habilidades que se necesitan para investigar. El desafío consiste en determinar qué tareas pueden delegarse en los modelos y cuáles requieren una intervención humana directa.
Por qué los científicos todavía necesitan verificar las respuestas de la IA
La mejora en la capacidad de resolución no elimina los errores. Un modelo puede presentar una respuesta convincente y, aun así, sostenerla con pasos incorrectos o una demostración incompleta. Por ese motivo, los especialistas distinguen entre producir una solución, demostrar su validez y establecer qué significado tiene dentro de una teoría científica.
Gabriel Manso, uno de los investigadores del estudio, sostiene que los expertos seguirán siendo necesarios para generar ideas, conectar resultados y examinar la solidez de las soluciones. El equipo también advirtió sobre la importancia de desarrollar procedimientos de verificación, debido a que algunos resultados atribuidos a los modelos tuvieron que retirarse después de su publicación.
La comprobación requiere revisar los razonamientos, identificar posibles errores y determinar si las conclusiones se desprenden de los supuestos utilizados. En problemas de alta complejidad, una respuesta aparentemente correcta puede contener fallas que solo se detectan mediante un examen especializado.
El avance de la IA también puede trasladar el principal cuello de botella de la investigación. Si los modelos producen soluciones e hipótesis a mayor velocidad, los científicos pueden necesitar más tiempo para revisarlas, reproducirlas y decidir cuáles merecen nuevas pruebas.
Cómo puede cambiar el trabajo científico con la IA
La investigación del MIT plantea un escenario en el que los modelos de IA dejan de funcionar únicamente como asistentes para redactar textos, resumir documentos o procesar información y pasan a intervenir en tareas centrales del razonamiento teórico.
Ese cambio puede reducir el tiempo necesario para abordar determinados problemas y facilitar el acceso a herramientas avanzadas a investigadores con menos recursos. También puede aumentar la cantidad de hipótesis que se generan y abrir nuevas líneas de trabajo en disciplinas que dependen de cálculos complejos.
Al mismo tiempo, la incorporación de estas herramientas exige establecer criterios de transparencia, reproducibilidad y responsabilidad académica. Los equipos de investigación deben poder identificar qué aportó la IA, cómo se obtuvo una solución y de qué manera se verificó.
-----
Más noticias en Urgente24
Manchester United sanciona a Lisandro Martínez tras sus críticas a la dirigencia
Los 3 pesos pesados que se van de River por la vuelta de Ramón Díaz
Conmoción en River por el técnico que asumiría en 2027: Ni Ramón ni Abel Ferreira
La insólita 'goleada' de Alberto a Milei en la encuesta que miran en Wall Street
Sarmiento 1-1 River: el Verde ratificó su presente y al Millonario no le sirve
