La Revolución de la IA en Matemáticas: ¿Qué Significa para el Futuro de las Ciencias?

La semana pasada, tuve la oportunidad de asistir a una conferencia en el Instituto Tecnológico de Massachusetts (MIT), donde Neil Thompson, un investigador destacado en el ámbito de la informática y la inteligencia artificial (IA), compartió sus perspectivas sobre el impacto que estas tecnologías están teniendo en diversas disciplinas científicas. En un tiempo limitado de media hora, Thompson presentó argumentos sólidos que sugieren que muchos campos científicos están al borde de una transformación radical impulsada por los avances en IA.

Mientras que algunos matemáticos expresan su preocupación por la automatización de su disciplina, el último estudio de Thompson indica que áreas como la probabilidad, la teoría estadística, la teoría económica, la física de altas energías, la gravitación, la cosmología y la física cuántica podrían beneficiarse enormemente de las capacidades en constante evolución de los modelos de inteligencia artificial de vanguardia. La investigación revela que, entre mediados de 2024 y mediados de 2026, los modelos más avanzados de IA han mejorado notablemente su habilidad para resolver problemas teóricos en estos campos, pasando de un 2% a un 35% de éxito en la resolución de estos desafíos.

Perspectivas Futuras en la Resolución de Problemas Teóricos

Thompson señala que, en un futuro cercano, es probable que muchas cuestiones teóricas experimenten una transformación significativa gracias a la capacidad de la IA para abordarlas. Este estudio, realizado en colaboración con Gabriel Manso, un estudiante de doctorado, y Claudio Mayrink Verdun, un investigador científico, analizó problemas planteados en artículos de investigación publicados entre diciembre de 2025 y mayo de 2026. Se evaluó la competencia de distintos modelos de OpenAI, incluidos GPT-5 y sus variantes, para resolver estos problemas.

Es relevante destacar que las soluciones encontradas por estos modelos se basaron en artículos publicados después del periodo de entrenamiento de GPT-5.5 y otros modelos anteriores, lo que significa que los modelos tuvieron que deducir las respuestas de manera autónoma, sin acceder a información previa. Para asegurar la validez de los resultados, los investigadores limitaron el acceso a internet durante las pruebas, lo que impidió que los modelos buscaran soluciones externas.

El enfoque del estudio se centró en áreas donde los modelos de IA pueden abordar problemas sin necesidad de simulaciones o experimentos. No obstante, los autores sugieren que este método podría aplicarse a un espectro más amplio de la investigación científica que involucre un componente matemático y teórico significativo.

El Impacto de la IA en la Matemática Contemporánea

En septiembre, OpenAI acaparó la atención global al anunciar que un modelo aún no revelado había logrado resolver el célebre problema de Navier-Stokes, relacionado con las ecuaciones que describen el movimiento de fluidos. Este hito provocó controversias, especialmente cuando un matemático de la Universidad de Nueva York (NYU) acusó a OpenAI de haber avanzado en su investigación sin haberlo discutido previamente con otros expertos en el campo.

Desde aquel anuncio, OpenAI ha publicado cientos de soluciones a problemas matemáticos de larga data, lo que ha generado una crisis de confianza entre algunos matemáticos, quienes piden restricciones en el uso de la IA. Argumentan que el proceso de resolución en sí mismo puede ser tan valioso como la respuesta final. Thompson advierte que, al igual que en el ámbito matemático, los avances en otras áreas pueden tener tanto consecuencias positivas como negativas.

El Rol de la IA en la Ciencia Futura

Un número creciente de investigadores en IA está estableciendo laboratorios dedicados a aplicar la IA en la ciencia, y las grandes plataformas de IA están intensificando sus esfuerzos en esta dirección. Estas iniciativas exploran la posibilidad de que la IA no solo analice datos, sino que también participe en la realización de experimentos científicos.

Aunque la IA podría reducir la necesidad de teóricos para resolver problemas críticos, los expertos enfatizan que la interpretación de las soluciones y la validación de su solidez seguirán siendo tareas esenciales que requieren la participación humana. Manso destaca que en el caso de problemas altamente complejos, la IA podría cometer errores, lo que refuerza la necesidad de métodos para verificar las soluciones presentadas por los modelos. “Es fundamental contar con mecanismos de comprobación, ya que un modelo puede afirmar tener la respuesta correcta, pero al analizar la solución en profundidad, puede que no sea así”, señala Manso.