Una reciente investigación llevada a cabo por OpenAI, junto con varias instituciones asociadas, ha desvelado hallazgos sorprendentes sobre el modelo de inteligencia artificial GPT-5. Este modelo empieza a actuar menos como un motor de búsqueda y más como un colaborador brillante que ayuda a resolver problemas complejos. El estudio, que abarca áreas como matemáticas, física, biología y ciencias de la computación, documentó casos en que el modelo no solo recuperó información, sino que también generó pruebas novedosas e identificó conexiones ocultas entre campos, condensando meses de trabajo teórico en solo horas.
Entre los hallazgos más sorprendentes está la resolución de cuatro problemas matemáticos antes irresolubles. Destaca el Problema de Erdős #848, un enigma que había desconcertado a los matemáticos durante décadas. GPT-5 brindó un análisis de estabilidad que los matemáticos habían pasado por alto, integrando intuición humana y análisis automático.
Es importante señalar que estos avances no significan que la IA reemplazará a los científicos. Timothy Gowers, medallista de Fields y participante en el estudio, compara al modelo con un supervisor de investigación: útil y perspicaz, pero aún no un coautor en investigaciones científicas.
La verdadera revolución está en lo que se llama el «factor de compresión». Brian Spears del Laboratorio Nacional de Lawrence Livermore utilizó GPT-5 para modelar experimentos de fusión nuclear. Seis horas de trabajo colaborativo con la IA lograron lo que normalmente requeriría seis meses. Esto sugiere un cambio fundamental en la forma de hacer investigación.
Un aspecto notable de GPT-5 es su capacidad para realizar una «búsqueda literaria profunda». Por ejemplo, identificó que un nuevo resultado en estimación de densidad era equivalente a trabajos en optimización multiobjetivo, una conexión que los humanos habían pasado por alto. Además, el modelo localizó soluciones a diez problemas de Erdős que permanecían abiertos.
A pesar de estos avances, el estudio destaca las limitaciones del modelo. Experimentos de Derya Unutmaz en inmunología muestran promesa y riesgos. Aunque GPT-5 identificó interacciones moleculares complejas correctamente, requería constante supervisión humana para evitar errores.
Christian Coester, trabajando en algoritmos en línea, encontró que GPT-5 brilla en subproblemas específicos, pero lucha ante preguntas teóricas más amplias. Aunque produjo contraejemplos elegantes, a menudo generaba argumentos que necesitaban corrección humana.
El modelo mejora drásticamente con un «andamiaje» adecuado. Alex Lupsasca descubrió que, tras resolver un problema sencillo, GPT-5 derivó simetrías complejas en ecuaciones de agujeros negros rápidamente.
No todas las historias son triunfales. La experiencia de Venkatesan Guruswami y Parikshit Gopalan en «códigos evitadores de cliques» muestra los retos de la investigación asistida por IA, como asegurar una correcta atribución de las fuentes.
Estos hallazgos sugieren un punto de inflexión. GPT-5 no solo mejora sobre GPT-4, sino que representa un cambio cualitativo en capacidades, abriendo nuevas formas de colaboración entre humanos e inteligencia artificial. Usarlo de manera efectiva requiere un profundo conocimiento del dominio y, como concluyen los investigadores, el futuro de la ciencia podría ser una colaboración entre lo mejor de ambos mundos, expandiendo juntos los límites del conocimiento.
