La física ha sido considerada durante mucho tiempo un objetivo más difícil para la inteligencia artificial que las matemáticas. Los problemas son más desordenados, las definiciones más difusas y los fenómenos estudiados a menudo se resisten al tipo de formalización limpia que ha permitido a la IA prosperar en las matemáticas puras. Sin embargo, los investigadores de la Universidad de Yale ahora cuestionan si esa reputación es merecida, y la respuesta tiene implicaciones sobre cómo se hace la ciencia misma.
El problema de los benchmarks del que nadie hablaba
La narrativa estándar dice lo siguiente: los modelos de IA obtienen malos resultados en pruebas rigurosas de física, por lo tanto, la IA no está lista para la investigación seria en física. Puntuaciones tan bajas como el 30 por ciento en seis benchmarks diferentes diseñados para evaluar el rendimiento de la IA en problemas difíciles de física parecían confirmar ese punto de vista.
John Sous, en la Universidad de Yale, decidió examinar con más cuidado esos benchmarks. Lo que su equipo encontró no fue un fallo de la IA, sino un fallo de las propias pruebas. Los problemas contenían errores y definiciones ambiguas. Una vez corregidos, los resultados en las mismas pruebas ascendieron hasta el 94 por ciento.
Esto es lo que la mayor cobertura de la IA en la ciencia pasa por alto. La pregunta no es solo “¿qué tan bien se desempeña la IA?”, sino “¿qué se le está pidiendo exactamente que haga?”. Una pregunta mal construida produce una respuesta engañosa. Las puntuaciones de los benchmarks que moldearon el escepticismo del campo sobre la IA en física estaban midiendo, al menos en parte, la calidad de las pruebas en lugar de la capacidad de los modelos.
Sous traza una línea clara desde este hallazgo hasta un principio más amplio: todo lo que está bien definido, incluso si es muy difícil, es un territorio donde la IA puede rendir al nivel de los mejores expertos humanos o por encima de este. Esa afirmación está respaldada por los datos de su equipo, no por especulaciones.
Qué pasa cuando la IA controla el láser
La historia más inmediata no trata sobre benchmarks. Trata sobre lo que ya está sucediendo en los laboratorios en funcionamiento.
Logan Wright, también de la Universidad de Yale, imparte ahora un curso sobre el uso de la IA en la investigación física. El programa de estudios cambia constantemente para mantenerse al día con los desarrollos. Su enfoque para integrar la IA en el trabajo experimental se basa en una condición específica: las entradas y salidas de un experimento deben ser controlables mediante código. Cuando se cumple esa condición, un sistema de IA puede tomar el control, explorar el espacio de problemas y generar resultados significativos sin intervención humana en cada paso.
Un ejemplo concreto del propio laboratorio de Wright implica estudiar cómo las diferentes formas de pulsos láser afectan a un átomo de rubidio. Los investigadores utilizan el modelo Claude de Anthropic para controlar los pulsos láser y recopilar datos sobre los efectos. Claude puede formar una predicción sobre lo que producirá un pulso determinado, para luego probar esa predicción directamente. Experimentos de este tipo pueden ejecutarse durante la noche y completar un trabajo que de otro modo le tomaría una semana a un físico humano. Los investigadores pueden incluso enviar ideas de forma remota a través de una aplicación móvil y revisar los resultados cuando regresan al laboratorio.
Esto no es la IA reemplazando a los físicos. Es la IA encargándose del volumen y la repetición que los físicos no pueden manejar. La contribución humana se desplaza hacia el diseño de la configuración experimental, la interpretación de lo que significan los resultados y la decisión de qué preguntas vale la pena hacer en primer lugar.
Wright es sincero sobre los límites. No todo el universo puede ser explorado de esta manera. El enfoque funciona dentro de dominios restringidos donde todo se puede reducir a código, y no se generalizará fácilmente al trabajo abierto y guiado por la observación que define la frontera de la física.
La pregunta más difícil detrás de los resultados
Aquí es donde la conversación se vuelve genuinamente difícil. Wright plantea la posibilidad de que la IA pronto diseñe un experimento que los humanos no entiendan por completo, pida a los humanos que lo construyan y produzca nuevos y emocionantes resultados. Ese escenario no es ciencia ficción. Es una extrapolación a corto plazo de lo que ya está sucediendo.
Pero esto saca a la luz una pregunta que la comunidad física no ha resuelto: ¿cuenta un resultado como ciencia si nadie entiende cómo se llegó a él? El mismo debate ya está en marcha en las matemáticas, donde las demostraciones generadas por IA han generado preocupaciones de que el campo pueda verse abrumado por resultados que no puede evaluar de manera significativa.
Sous señala la formalización como la herramienta clave que ha permitido a la IA hacer un progreso tan rápido en las matemáticas. La formalización convierte una idea matemática en código de computadora que se puede verificar sistemáticamente. Si un teorema sobrevive a ese proceso, se considera correcto más allá de toda duda razonable. La física ha comenzado a utilizar técnicas similares, pero el campo se encuentra en una etapa temprana en comparación con las matemáticas, y muchos problemas de física se resisten al tipo de definición precisa que requiere la formalización.
El trabajo creativo e interpretativo de la física, identificar un fenómeno confuso, construir un modelo que lo capture y probar ese modelo frente a la realidad, sigue siendo genuinamente abierto. Sous lo describe como un proceso artístico. Si la IA puede hacer eso de principio a fin, definiendo el problema, creando el modelo, explorándolo y probándolo, es una pregunta que la evidencia actual todavía no responde.
En resumen
La aparente debilidad de la IA en la física era en parte un problema de medición, no un problema de capacidad. Los benchmarks corregidos cuentan una historia diferente. En entornos experimentales restringidos, la IA ya está acelerando la investigación de maneras significativas, manejando durante la noche lo que a los humanos les tomaría una semana. El desafío más profundo no es computacional. Es conceptual: la física en su frontera consiste en dar sentido a cosas que aún no entendemos, y ese sigue siendo un territorio donde el papel de la IA es genuinamente poco claro.
Basado en información de New Scientist.