En el año 2000, el matemático Alain Connes afirmó que las computadoras jamás podrían resolver los problemas del Premio del Milenio. «A veces la gente tiene una idea equivocada de las matemáticas y piensa que serán superadas por las computadoras», dijo entonces, mientras un equipo ofrecía un millón de dólares por cada uno de los siete problemas irresolubles. «Son totalmente inaccesibles para las computadoras», sentenció.
Pero el tiempo demostró lo contrario. A principios de septiembre, OpenAI anunció que su modelo interno de IA había derribado uno de esos muros: el problema de existencia y suavidad de Navier-Stokes, relacionado con el movimiento de fluidos. Se trata del segundo problema del Milenio en ser resuelto y el primero logrado por una máquina. Los matemáticos llevaban más de un siglo intentándolo. La IA lo resolvió en apenas 88 horas.
Lo que vino después fue calificado por Álvaro Lozano-Robledo, matemático de la Universidad de Connecticut, como «posiblemente el día más importante en la historia de las matemáticas hasta la fecha». El 6 de octubre, OpenAI publicó una avalancha de 719 artículos que detallaban soluciones para al menos otros 372 problemas abiertos de larga data. Ningún campo de investigación había experimentado un evento semejante.
Sin embargo, muchos matemáticos no celebran. Hugo Duminil-Copin, de la Universidad de Ginebra y ganador de la Medalla Fields en 2022, escribió: «La conmoción es inmensa. Estoy paralizado». Junto con otros 27 galardonados con la Medalla Fields y respaldados por más de 8000 investigadores, publicó una declaración calificando la situación como una «grave desalineación de la IA en las matemáticas». Martin Hairer, de la EPFL en Lausana, Suiza, advirtió que si no se controla, la IA «esterilizaría el campo».
Que los avances de la IA generen tal rechazo resulta, a primera vista, paradójico. Tener respuestas a preguntas centenarias es un progreso para la humanidad. Los matemáticos también tienen un interés personal en proteger sus carreras. Pero su postura va más allá de intereses particulares y anticipa el revuelo que pronto podría estallar en muchas otras disciplinas.
Quienes se oponen argumentan que obsesionarse con las soluciones descuida el valor de la búsqueda. Abordar problemas abiertos impulsa la creación de nuevas herramientas y técnicas, algunas de enorme utilidad futura. Ejemplo clásico: los números imaginarios, descritos en el siglo XVI como «tan sutiles como inútiles», hoy son fundamentales para la ingeniería eléctrica y la física cuántica.
Los cientos de artículos de OpenAI, según los matemáticos, no aportan ideas novedosas ni abren nuevas líneas de investigación. Luis Martínez-Zoroa, matemático de la Universidad CUNEF de Madrid y experto en Navier-Stokes, describe el artículo de 166 páginas de la IA como «una especie de Frankenstein de distintas partes de la investigación», que resulta de todo menos claro.
Las matemáticas no son el único campo afectado. Un análisis de 41,3 millones de artículos publicado en Nature en enero reveló que los investigadores adoptan la IA a ritmo acelerado. David Tong, de la Universidad de Cambridge, afirma que la IA ya cambió drásticamente el trabajo de los físicos teóricos: «En términos de cálculos, es obvio que se recurre a un máster en Derecho. Eso no era así hace tres meses». El 25 de septiembre, Anthropic anunció que su modelo Claude amplió la frontera en el cálculo de interacciones entre partículas.
Los científicos que usan IA publican más y reciben más citas, según el estudio de Nature. Sin embargo, el uso de la IA redujo el abanico de temas estudiados en casi un 5 % y disminuyó la interacción entre científicos en un 22 %. James Evans, de la Universidad de Chicago, coautor del estudio, llama a esto un «cierre» de campos. Una encuesta de Google a más de 600 científicos reveló que casi la mitad siente que la IA los empuja hacia proyectos seguros y graduales. Solo el 28 % considera que la IA les permite trabajos más especulativos. El progreso científico requiere ambos enfoques, pero a menudo los avances más profundos vienen de la investigación arriesgada.
Hector Zenil, del King’s College de Londres, alerta sobre otros riesgos. En un artículo publicado en febrero en Frontiers in Artificial Intelligence, junto con el Dr. Evans, vislumbra un futuro donde los modelos de IA, combinados con robótica, cierran el ciclo científico: toman mediciones, formulan hipótesis, las prueban y evalúan resultados de forma autónoma. Esto, advierten, podría llevar a la ciencia a un terreno desconocido, donde los resultados dejen de ser comprensibles para los humanos.
En ese escenario, aún sería posible verificar que los resultados de las máquinas son correctos e incluso aprovecharlos. Ya hay investigadores que han desarrollado soluciones a partir de los resultados matemáticos de OpenAI. No obstante, representaría una forma radicalmente nueva de investigar. Según el Dr. Zenil, los científicos podrían volverse como arqueólogos, siguiendo los descubrimientos de la IA e intentando descifrar cómo se lograron. El Dr. Tong, optimista sobre la IA, advierte: «No estoy seguro de que estemos realmente preparados para lo que se avecina en seis meses o un año».
Los matemáticos aún no se han quedado sin trabajo. La opacidad de los resultados de OpenAI promete mucho trabajo verificando métodos e identificando enfoques fructíferos. Además, la IA aún tiene dificultades con el trabajo creativo; si una máquina podría haber inventado los números imaginarios sigue sin estar claro. Sin embargo, como está descubriendo el Dr. Connes, los científicos subestiman el potencial de la tecnología bajo su propio riesgo.
Fuente: Infobae