Una reciente investigación colaborativa liderada por OpenAI ha arrojado luz sobre las impresionantes capacidades de GPT-5, el último avance en inteligencia artificial. Este modelo, a diferencia de sus predecesores, no se limita a la simple recuperación de información; ahora actúa más como un innovador compañero científico, aportando soluciones a problemas complejos y estableciendo conexiones profundas entre diferentes campos del conocimiento.

Entre los hallazgos más destacados se encuentra la resolución de problemas matemáticos complejos que han desconcertado a los expertos durante décadas, incluyendo el desafiante Problema de Erdős #848. GPT-5, combinando intuición humana y análisis riguroso, produjo una solución innovadora que pasó desapercibida para matemáticos humanos.

A pesar de estos logros, los expertos destacan que GPT-5 no está destinado a sustituir a los científicos humanos. Según Timothy Gowers, medallista de Fields, el modelo es más comparable a un supervisor de investigación perspicaz, útil para ofrecer diferentes perspectivas sin llegar a ser autónomo.

Un aspecto destacado es el “factor de compresión” de GPT-5, que promete transformar la investigación. Brian Spears, del Laboratorio Nacional de Lawrence Livermore, documentó una asombrosa colaboración con GPT-5, logrando un trabajo de seis meses en apenas seis horas. Más allá de mejorar la eficiencia, estas herramientas sugieren un cambio revolucionario en la metodología de investigación.

El modelo también ofrece avanzadas capacidades de búsqueda literaria. Por ejemplo, fue capaz de conectar resultados en estimación de densidad con trabajos en optimización multiobjetivo, superando las limitaciones terminológicas que suelen separar a los investigadores humanos.

Sin embargo, no todo es perfecto con GPT-5. En el campo de la inmunología, Derya Unutmaz observó tanto logros impresionantes como errores críticos. La supervisión humana sigue siendo esencial, especialmente para evitar conclusiones incorrectas o exageradas. Del mismo modo, el trabajo en algoritmos en línea reveló que el modelo sobresale en tareas bien definidas, pero enfrenta desafíos con preguntas más abiertas.

Alex Lupsasca descubrió que GPT-5 podía generalizar complejas simetrías en ecuaciones físicas tras abordar primero tareas más sencillas, reproduciendo de manera eficiente meses de trabajo humano. Sin embargo, experiencias como la de Venkatesan Guruswami sirven como una advertencia sobre la necesidad de asegurar la correcta atribución de resultados en la investigación asistida por IA.

Estos desarrollos subrayan un punto de inflexión en la inteligencia artificial. GPT-5 no es solo una mejora incremental, representa un cambio cualitativo en las capacidades de estos modelos. Sin embargo, para aprovechar al máximo su potencial, los investigadores deben contar con un profundo entendimiento del campo. Saber cuándo el modelo puede estar equivocado y cómo estructurar los problemas de manera adecuada es crucial para evitar errores.

A medida que avanzamos, el enfoque se desplazará hacia la adaptación de los flujos de trabajo y sistemas de atribución, y redefinir nuestra concepción de la creatividad para integrar estas nuevas herramientas colaborativas. El futuro de la ciencia, más que una rivalidad entre humanos y máquinas, se perfila como una colaboración sinérgica, uniendo lo mejor de ambos mundos para ampliar los horizontes del conocimiento.