¿La ciencia ya no nos pertenece? La IA irrumpe en un territorio que durante siglos fue exclusivo de la mente humana

Las redes neuronales han comenzado a refutar hipótesis matemáticas que durante décadas resistieron a los científicos, y resuelven casi sin error problemas complejos de física teórica. En pocos meses la inteligencia artificial ha contribuido a obtener resultados que antes requerían años de investigación. Ahora físicos, químicos y biólogos intentan entender si la IA podrá descubrir por sí misma las leyes de la naturaleza y cuánto cambiará el trabajo de los investigadores.

En mayo, un modelo de OpenAI refutó la hipótesis del matemático Pál Erdős, formulada hace casi 80 años. Más tarde, la compañía presentó una supuesta solución al famoso problema de Navier–Stokes, que se refiere al movimiento de líquidos y gases. La demostración despertó gran interés, aunque la comunidad científica aún debe evaluar definitivamente el resultado. En octubre OpenAI fue más allá y publicó 722 trabajos elaborados por una red neuronal sobre aproximadamente 370 problemas matemáticos abiertos. Parte de los resultados aún espera la verificación independiente, pero la rapidez del trabajo de la IA ya obligó a los matemáticos a revisar las ideas habituales sobre la complejidad de los problemas científicos.

En la física teórica, el progreso ha sido igualmente impresionante. Los investigadores formularon 50 nuevos problemas cuya resolución suele tomar a un especialista experimentado hasta una jornada laboral completa. GPT‑6 Astra, que trabajó con herramientas de búsqueda y cálculo, respondió correctamente 49 preguntas, alcanzando un 98%. La red neuronal resolvía los problemas sin indicaciones humanas, escogía por sí misma los métodos de cálculo y consultaba la literatura científica. Sin embargo, los autores del experimento advierten que la capacidad para resolver problemas complejos aún no implica la habilidad de realizar descubrimientos completamente nuevos.

La matemática es especialmente adecuada para trabajar con inteligencia artificial, porque la corrección de una demostración puede comprobarse mediante reglas lógicas estrictas. A las redes neuronales las ayudan programas especializados, entre ellos el sistema Lean, que verifica los razonamientos matemáticos paso a paso. Incluso si una persona no entiende la demostración propuesta en su totalidad, el programa puede detectar un error lógico. En física, química y biología no existe una verificación tan universal. Para comprobar la validez de una nueva teoría, los científicos deben realizar experimentos y comparar las predicciones con las observaciones reales.

Otra dificultad reside en los propios conocimientos científicos. Las redes neuronales estudian artículos publicados, pero no toda la experiencia de los investigadores aparece en las revistas científicas. Los experimentos fallidos a menudo quedan fuera, y muchos dictámenes profesionales se basan en años de práctica y observación. La IA puede procesar rápidamente una gran cantidad de información, pero a veces pasa por alto particularidades que un científico experimentado percibe casi de inmediato.

La química Leslie Shoup intentó comprobar las capacidades de los modelos actuales con su propio descubrimiento. Junto con colegas, la investigadora identificó una estructura inusual de una sustancia basándose en experimentos, observaciones e intuición científica. Después, Shoup pidió a las redes neuronales que predijeran la existencia de esa misma estructura, pero ningún sistema lo logró. Según la química, el problema radica en la falta de un método matemático establecido para obtener la respuesta correcta. Los científicos tuvieron que buscar la solución de forma experimental, y la IA aún no dispone de una experiencia comparable en el trabajo con sustancias reales.

En cambio, en tareas en las que se puede recurrir a métodos conocidos y a datos de calidad, la inteligencia artificial ya ahorra una enorme cantidad de tiempo. El físico Matthew Schwartz empezó a probar a Claude con problemas para investigadores noveles y comprobó que la red neuronal a veces hallaba la respuesta en dos minutos en lugar de las dos semanas que requeriría el trabajo humano. Más tarde, Schwartz y sus colegas elaboraron 36 artículos científicos en 22 áreas, desde la historia del oxígeno en la atmósfera terrestre hasta el estudio de las manchas solares.

Pero incluso los cálculos convincentes pueden engañar. Durante una de las investigaciones, Claude declaró haber hallado una forma de mejorar en un 15% la precisión en la predicción de terremotos. Schwartz se interesó por el resultado; sin embargo, un especialista invitado pronto determinó que la mejoría anunciada no correspondía a un avance científico real. La red neuronal ofreció una solución verosímil que no resistió la comprobación profesional.

En el estudio del cerebro las dificultades son aún mayores. El neurobiólogo Mark Histed considera que para lograr nuevos descubrimientos los investigadores necesitan, ante todo, datos detallados sobre el funcionamiento de las neuronas y las conexiones entre ellas. Incluso la red neuronal más potente no podrá reconstruir los patrones si los científicos aún no saben medir los procesos necesarios. Además, complica la situación la complejidad de los sistemas biológicos: el más mínimo cambio en las condiciones iniciales a veces altera por completo la evolución posterior de los acontecimientos.

Los investigadores aún no han alcanzado un acuerdo sobre el futuro de la IA en la ciencia. Schwartz admite que las redes neuronales pronto podrían realizar de forma autónoma una parte importante del trabajo de los físicos teóricos. Shoup se muestra más cauta y duda de que el vertiginoso progreso actual continúe sin desaceleración. La cuestión principal ahora es dónde está el límite entre la habilidad para encontrar rápidamente respuestas correctas y la capacidad para descubrir patrones totalmente nuevos. La matemática ya ha demostrado hasta qué punto ha avanzado la inteligencia artificial. En las demás ciencias, a las redes neuronales todavía les queda demostrar que saben revelar lo desconocido y no solo aprovechar brillantemente el conocimiento humano.