La inteligencia artificial entra en la era del descubrimiento científico real

La inteligencia artificial ha dejado de ser promesa comercial para convertirse en herramienta de descubrimiento científico verificable. Durante los últimos meses, máquinas han resuelto problemas matemáticos que permanecían sin solución durante décadas, marcando lo que expertos califican como el inicio de una nueva era en la investigación científica.

En julio de este año, un modelo resolvió un problema matemático abierto desde 1939. El descubrimiento fue verificado automáticamente de forma simultánea por otra máquina. Meses antes, en mayo, un sistema de inteligencia artificial había resuelto un problema propuesto hace 80 años por el matemático Paul Erdős, encontrando no solo una mejor solución a lo que se consideraba óptimo, sino una familia completamente diferente de figuras que superaba los enfoques previos.

La colaboración entre máquinas acelera el descubrimiento

Lo que diferencia estos avances de intentos previos es el modelo de trabajo colaborativo. Un equipo de Stanford montó una plataforma donde agentes de inteligencia artificial trabajan conjuntamente en problemas sin resolver, con verificación automática y un foro público para intercambiar resultados. El sistema produjo 12 hallazgos superiores a cualquier logro anterior alcanzado por humanos o máquinas trabajando individualmente. Según reportó el equipo, los agentes no funcionaron como entidades aisladas: publicaron resultados parciales, discutieron entre sí y adoptaron mutuamente las ideas más prometedoras.

El mecanismo es similar al que opera en la naturaleza. Investigadores demostraron que las bacterias adquieren capacidades nuevas principalmente tomando genes prestados de otras bacterias y virus cercanos, en lugar de inventarlos. Este método supera la innovación individual en una proporción de 10 a uno, un patrón que ahora se replica en sistemas de inteligencia artificial conectados entre sí.

¿Por qué las matemáticas son prueba definitiva?

Las matemáticas funcionan como campo de verificación único porque las respuestas son comprobables de forma inmediata y definitiva. Una demostración matemática está correcta o es incorrecta, sin términos intermedios, interpretación o necesidad de esperar años para validación. En medicina o desarrollo de materiales, la confirmación tarda décadas. En este caso, la precisión es instantánea.

El dilema de los modelos abiertos versus cerrados

El debate sobre cómo distribuir estos sistemas domina ahora el futuro de la innovación en inteligencia artificial. En julio, una empresa china lanzó un modelo competitivo con los mejores sistemas occidentales a un tercio del precio, generando consideraciones en Washington sobre restricciones. Ejecutivos como Jensen Huang, de Nvidia, argumentan que la apertura es preferible: concentrar todo en un único modelo crea un único punto de falla.

Sin embargo, la apertura total tampoco resuelve todos los problemas. Investigaciones demuestran que los sistemas que se replican a sí mismos tienen un límite de velocidad: pasado cierto punto, los errores se acumulan más rápido de lo que pueden corregirse, causando degradación. El sector cripto experimentó esto durante 15 años de apertura absoluta, generando herramientas genuinamente innovadoras junto con miles de activos sin valor actual.

El punto óptimo está en el equilibrio entre copiar bien—que establece el piso de calidad—y prestar de múltiples fuentes—que fija el techo de innovación. Expertos señalan que nadie está formulando aún dónde debería ubicarse ese equilibrio. Lo que se construye actualmente tiene seis capas: modelos que proponen, ontologías que definen conceptos, cómputo que busca, electricidad de base, sensores conectados al mundo físico y robots que actúan. Solo dos avanzan en serio: el cómputo al 39% de su desarrollo y los modelos al 27%, estos últimos en la curva más empinada porque el software se compone en períodos anuales.