Una reciente investigación llevada a cabo por OpenAI y diversas instituciones asociadas ha revelado hallazgos sorprendentes sobre GPT-5, un avanzado modelo de inteligencia artificial. Este sistema empieza a actuar como un brillante colega, resolviendo problemas complejos en diversas áreas del conocimiento como matemáticas, física, biología y ciencias de la computación. No solo recupera información, sino que también genera pruebas novedosas, identifica conexiones ocultas entre diferentes campos y condensa meses de trabajo teórico en solo horas.
Uno de los descubrimientos más destacados de este estudio es que GPT-5 logró resolver cuatro problemas matemáticos previamente no resueltos. Entre ellos se encuentra el Problema de Erdős #848, que había desconcertado a matemáticos durante décadas. La solución del modelo incluyó un análisis de estilo estabilidad, entrelazando intuición humana y análisis automático de manera innovadora.
Esto no implica que la inteligencia artificial reemplazará a los científicos. Timothy Gowers, medallista de Fields que participó en el estudio, compara el aporte de GPT-5 con el de un supervisor de investigación perspicaz, pero destaca que aún no se le podría considerar coautor en la mayoría de los trabajos científicos.
La verdadera revolución radica en el «factor de compresión». Brian Spears, del Laboratorio Nacional de Lawrence Livermore, empleó GPT-5 para modelar experimentos de fusión nuclear. En seis horas, el modelo logró avances que habrían requerido seis meses de trabajo humano, sugiriendo un cambio en la forma de realizar investigaciones.
El modelo es capaz de realizar búsquedas literarias profundas, superando la simple coincidencia de palabras clave. Un ejemplo notable es su capacidad para detectar que un nuevo resultado en estimación de densidad era equivalente a trabajos de «conjuntos de Pareto aproximados» en optimización multiobjetivo, una conexión ignorada por los autores humanos debido a la diferencia terminológica.
Sin embargo, el estudio también subraya las limitaciones. Derya Unutmaz, en el campo de la inmunología, encontró que GPT-5 identificaba correctamente interacciones moleculares, pero requería supervisión constante para evitar errores y exageraciones. De igual manera, Christian Coester descubrió que GPT-5 sobresale en subproblemas específicos pero enfrenta dificultades con cuestiones teóricas más generales.
GPT-5 mejora drásticamente cuando se le proporciona un «andamiaje» adecuado. Alex Lupsasca demostró que, tras enfrentarse primero a problemas más sencillos, el modelo derivó simetrías complejas en ecuaciones de agujeros negros, reproduciendo meses de trabajo humano en minutos.
No obstante, la experiencia de Venkatesan Guruswami y Parikshit Gopalan con «códigos evitadores de cliques» sirve como advertencia. Aunque el modelo proporcionó una prueba correcta para un problema, se percataron de que esta había sido publicada años antes. Esto resalta un desafío en la investigación asistida por IA: asegurar la atribución adecuada cuando el modelo no siempre identifica sus fuentes.
Estos hallazgos sugieren un punto de inflexión. GPT-5 no solo es una mejora de su predecesor, sino que representa un cambio cualitativo en las capacidades de la inteligencia artificial. En lugar de reemplazar la inteligencia humana, el camino consiste en crear nuevas formas de colaboración entre humanos e inteligencia artificial.
Para usar GPT-5 efectivamente, se necesita un profundo conocimiento del campo de aplicación. Es crucial saber cuándo el modelo podría estar equivocado, cuestionar sus afirmaciones y estructurar problemas adecuadamente. Cuanto mayor sea la comprensión del campo, más valor se extraerá del modelo.
A medida que avanzamos, debemos adaptar nuestros flujos de trabajo, sistemas de atribución y nuestra concepción de la creatividad para integrar estos nuevos colaboradores. El futuro de la ciencia podría transformarse en una colaboración entre lo mejor de los humanos y las máquinas, trabajando juntos para expandir los límites del conocimiento.
