GPT-5 acelera la investigación científica con expertos

OpenAI afirma que GPT-5 ya ayuda a investigadores a avanzar más rápido en problemas de matemáticas, biología, física y otras áreas. No trabaja de forma autónoma ni sustituye a los científicos: propone ideas, conecta conocimientos y sugiere experimentos que después deben comprobarse por separado.

La compañía ha publicado un documento con estudios iniciales realizados junto a investigadores de universidades y laboratorios como Vanderbilt, Berkeley, Columbia, Oxford, Cambridge y Lawrence Livermore. Los casos muestran qué puede aportar el modelo hoy, pero también dejan claro que sus resultados no son una garantía.

De encontrar conexiones a completar una demostración

Uno de los ejemplos más llamativos aparece en matemáticas. Los investigadores Mehtaab Sawhney y Mark Sellke trabajaban en un problema planteado por Paul Erdős que llevaba décadas sin resolverse. GPT-5 sugirió analizar qué ocurría cuando un solo número se salía del patrón esperado.

Esa idea ayudó a encontrar el paso que faltaba. Los investigadores la revisaron, la corrigieron cuando fue necesario y completaron una demostración que confirma la conjetura original de Erdős. El modelo no produjo una respuesta lista para publicar, pero sí señaló una dirección que resultó útil.

En otro trabajo, Sébastien Bubeck utilizó GPT-5 para estudiar un teorema de optimización. La optimización es la matemática que busca la mejor opción posible, como la ruta más corta o los parámetros más adecuados para entrenar un sistema. El modelo propuso una condición más precisa y una demostración más sencilla, que Bubeck verificó manualmente.

También puede funcionar como un crítico rápido. El matemático Tim Gowers le planteó problemas de combinatoria en los que estaba trabajando. GPT-5 detectó errores, casos que faltaban y contraejemplos en varias ideas. En otros intentos no avanzó, y Gowers concluyó que todavía está lejos de ser un coautor completo.

Un posible ahorro de meses en biología

El caso de biología apunta a un uso más práctico. Un equipo dirigido por Derya Unutmaz llevaba meses intentando explicar un cambio extraño en células del sistema inmunitario. A partir de un gráfico no publicado, GPT-5 propuso en minutos un mecanismo probable y sugirió un experimento para comprobarlo.

El experimento confirmó la explicación. Este tipo de ayuda podría acortar algunas fases de la investigación médica: no porque el modelo descubra por sí solo un tratamiento, sino porque puede ayudar a pasar antes de una observación confusa a una hipótesis comprobable.

El modelo también ayudó al investigador Nikita Zhivotovskiy a buscar aplicaciones para un teorema de geometría convexa. En lugar de limitarse a encontrar documentos con las mismas palabras, conectó el resultado con la estimación de densidad, la teoría del aprendizaje y la optimización multiobjetivo. Además, señaló referencias en otros idiomas que el investigador no conocía.

Qué cambia para la investigación

La utilidad principal de GPT-5 no parece estar en responder preguntas aisladas, sino en ampliar el número de caminos que un equipo puede explorar. Puede servir para:

• Revisar grandes cantidades de literatura y encontrar relaciones entre campos.
• Proponer esquemas de demostración, contraejemplos o transformaciones matemáticas.
• Sugerir mecanismos biológicos y experimentos para ponerlos a prueba.
• Detectar errores y casos olvidados en una idea todavía incompleta.

La diferencia frente a un buscador tradicional es que el modelo puede relacionar conceptos aunque aparezcan en disciplinas, idiomas o contextos distintos. Pero esa ventaja tiene un límite importante: también puede inventar citas, mecanismos o pruebas que parecen correctos y no lo son.

Por eso, el proceso sigue dependiendo de los expertos. Ellos deciden qué problema merece atención, revisan las propuestas, ejecutan los experimentos y validan los resultados. La relación se parece más a trabajar con un interlocutor muy rápido que a delegarle un proyecto.

OpenAI presenta estos casos como ejemplos seleccionados, no como una medición completa del rendimiento de GPT-5. El modelo puede atascarse, ser sensible a la forma en que se plantea una pregunta o pasar por alto detalles propios de una disciplina. Además, una idea prometedora en matemáticas puede comprobarse con relativa rapidez, mientras que una hipótesis en biología puede requerir meses de trabajo de laboratorio.

Lo que conviene vigilar ahora es si estas ayudas se repiten de manera fiable en más equipos y problemas, y si los modelos mejoran cuando disponen de más tiempo para razonar y de herramientas científicas especializadas. La señal relevante no es que la IA resuelva la ciencia sola, sino que consiga reducir de forma verificable el tiempo entre una pregunta, una hipótesis y un resultado comprobado.