El 7 de noviembre habrán transcurrido 60 días desde que OpenAI publicó una aparente solución a las ecuaciones de Navier-Stokes. ¿Qué ha pasado en los últimos dos meses? Dejando de lado la controversia sobre la originalidad del resultado y el hecho de que aún no ha sido reconocido por el Instituto Clay, se ha discutido ampliamente el impacto de la inteligencia artificial tanto en el quehacer matemático como en el científico, así como la adaptación de las matemáticas y la ciencia a estos cambios de paradigma.
Al documento sobre Navier-Stokes, le siguieron más de 100 soluciones aparentes a problemas que habían permanecido abiertos en matemáticas, aunque, de menor importancia y dificultad. Destaca una solución a la versión “débil” de la hipótesis de Riemann, para encontrar con certeza números primos; se afirma haber delimitado la región de búsqueda. Ello volvió a cimbrar a la comunidad científica por el impacto en quienes trabajan en dichos problemas para generar una tesis doctoral u obtener financiamiento.
De hecho, también se han resuelto problemas abiertos en física teórica e informática. Incluso se hizo viral una noticia en la que una IA corrigió problemas que algunos científicos le propusieron para ponerla a prueba. También se han publicado avances que indican que la automejora recursiva está cada vez más cerca. Esto implicaría que la IA sería capaz de resolver problemas más complejos con una intervención humana cada vez menor, lo que aceleraría la singularidad tecnológica.
Lo anterior, primero, generó preocupación por el abaratamiento que tantos resultados en tan poco tiempo pueden provocar en la percepción de la ciencia. Sin embargo, tras el shock, han surgido los primeros análisis sobre los resultados de la IA. Al igual que con Navier-Stokes, se han observado similitudes entre lo realizado por la IA y lo hecho por investigadores activos en los problemas resueltos. Esto mantiene el diseño de las IAs éticas, así como su regulación como un problema abierto y apremiante, pues las reclamaciones de autoría muestran que el uso de estas herramientas está tan extendido en la investigación, al igual que en la educación o la industria.
Aunado a los análisis previos, también se han identificado posibles errores en los resultados que las empresas de IA han presentado como importantes. Particularmente, se han encontrado inconsistencias entre las respuestas en lenguaje natural que usan los modelos avanzados de IA y el lenguaje con el que se publican los mismos para que puedan ser leídos por todos. Así, pareciera que quienes han publicado estos resultados están perdidos en la traducción. Entonces, ¿la IA encontró en verdad la solución? ¿O quienes reescriben dichos resultados creen que la IA realmente resolvió el problema?
Algunos han señalado que las empresas que están impulsando la solución masiva de problemas no entienden ni lo uno ni lo otro. Otros, más optimistas, ven estos problemas de traducción como nuevas áreas de investigación. Es decir, si la IA se comporta como una caja negra, ¿qué hay dentro de ella? Si funciona, ¿por qué lo hace? ¿Entendemos los beneficios que ello puede generar?
Finalmente, se ha dicho que la aparición de muchos de los resultados publicados tiene que ver con el uso masivo de agentes de IA, algo relativamente nuevo. ¿Cómo están tomando decisiones? En el camino, ¿están generando cosas nuevas? ¿Qué aplicaciones tienen, en otros contextos, problemas?
Hace 60 días parecía que nos acercábamos al fin: primero, al de las matemáticas y, después, al de la ciencia. Con el paso de los días, han surgido nuevos cuestionamientos y problemas que hacen necesario no solo reformular la educación, sino también la investigación. En matemáticas, en particular, como señala Terence Tao, la IA hará que los “grandes héroes” sean cada vez más raros, pero impulsará la creación de grupos de investigación más grandes e interdisciplinarios.
