La noticia de que sistemas como AlphaProof y AlphaGeometry de Google DeepMind han alcanzado nivel de medalla de plata en la Olimpiada Matemática Internacional fue solo el disparo de salida. Según revelan investigadores del MIT a WIRED, la inteligencia artificial está dejando de ser una asistente de cálculo para convertirse en el motor por defecto de la teoría científica, abarcando desde la física de altas energías hasta la economía compleja.

El salto cualitativo no radica en la velocidad de cálculo, sino en la capacidad de razonamiento formal. Los modelos actuales, entrenados en lógica simbólica y demostraciones en lenguajes como Lean, no solo predicen el siguiente token: construyen cadenas de inferencia verificables paso a paso. Esto permite abordar conjeturas que llevan décadas sin resolver, no por fuerza bruta, sino explorando el espacio de soluciones con una intuición sintética que imita —y a veces supera— la del matemático humano.

En física de partículas, por ejemplo, la IA ya ayuda a navegar el inmenso paisaje de soluciones de la teoría de cuerdas, identificando vacíos compatibles con el Modelo Estándar. En economía, los modelos de equilibrio general estocástico, tradicionalmente intratables analíticamente, se resuelven ahora mediante simulaciones guiadas por redes neuronales que aprenden la función de valor óptima. El denominador común es la traducción de problemas del lenguaje natural a formalismos lógicos donde la IA opera sin alucinaciones.

Sin embargo, el entusiasmo viene acompañado de riesgos sistémicos. La opacidad de los modelos (el problema de la "caja negra") choca con el requisito de reproducibilidad y explicabilidad de la ciencia. Si una IA demuestra un teorema pero su derivación es ininteligible para humanos, ¿cuenta como conocimiento científico? Además, la dependencia de infraestructuras propietarias (GPUs, APIs cerradas) plantea cuestiones de soberanía intelectual y acceso equitativo.

El rol del científico está mutando de “demostrador” a “curador de conjeturas y validador de resultados”. Las universidades y centros de I+D deben rediseñar currículos: la fluidez en lógica formal, verificadores de teoremas e ingeniería de prompts será tan básica como el cálculo diferencial lo fue en el siglo XX. Quienes dominen la híbrida humano-IA definirán la frontera del conocimiento en la próxima década.