Pensándolo bien...

Durante mucho tiempo, la inteligencia artificial se ha visto como una herramienta secundaria.  Útil para calcular, explorar ejemplos o automatizar tareas rutinarias, pero poco fiable para intervenir en el núcleo creativo de cualquier disciplina. Los grandes modelos de lenguaje cometían errores, inventaban referencias, confundían hipótesis y ofrecían demostraciones aparentemente convincentes que podían contener fallos graves. Sin embargo, esa percepción está cambiando con rapidez. La cuestión ya no es si la inteligencia artificial tendrá algún papel en las matemáticas y en general en las Ciencias, sino hasta qué punto modificará la forma de investigar, demostrar, publicar y enseñar.

Uno de los motivos de este cambio es el crecimiento de la capacidad de cálculo. Durante décadas, la potencia de los ordenadores ha aumentado a un ritmo que, en el tiempo, puede describirse como aproximadamente exponencial. Sobre esa infraestructura se han construido modelos de inteligencia artificial cada vez más capaces. En Ciencias, este progreso no consiste simplemente en resolver operaciones más deprisa. Empieza a afectar a tareas que asociábamos a la intuición humana, como descubrir patrones, proponer conjeturas, encontrar contraejemplos, sugerir estrategias de demostración y establecer conexiones entre aspectos alejados.

La transformación no significa que una máquina haya sustituido al científico. Lo más interesante ocurre en la colaboración. Un investigador puede utilizar un sistema de IA para explorar miles de casos, detectar regularidades invisibles o comprobar formalmente partes de una demostración. También puede pedirle que reformule un problema, busque analogías o genere familias de ejemplos que después serán evaluadas. La máquina amplía el espacio de exploración, pero el juicio científico continúa siendo esencial para decidir qué tiene interés, qué es verdadero y qué merece convertirse en conocimiento.

Aquí aparece una cuestión decisiva, que es la diferencia entre producir una respuesta plausible y demostrar una afirmación. En Ciencias, pero en especial en Matemáticas, no basta con que una conclusión parezca correcta, sino que debe justificarse mediante una cadena lógica verificable. Por eso, los sistemas de demostración formal y los asistentes de prueba adquieren una importancia creciente. Lenguajes y entornos capaces de comprobar cada paso pueden actuar como una barrera frente a los errores de una IA generativa. Una demostración sugerida por una máquina puede ser brillante, pero solo adquiere valor científico cuando puede ser revisada, entendida y, cuando sea posible, verificada formalmente.

Este proceso obliga a revisar qué entendemos por autoría científica. Si una inteligencia artificial propone una demostración esencial, ¿es una herramienta, un colaborador o algo distinto? La mayoría de los criterios reservan la autoría a personas capaces de asumir responsabilidad sobre el trabajo. Pero el problema no se diluye aquí, porque a medida que aumente la autonomía de los sistemas, las revistas tendrán que definir con mayor precisión cómo declarar su uso, qué grado de intervención es aceptable y cómo garantizar que los resultados puedan ser reproducidos y auditados.

La revisión por pares tiene que afrontar cambios profundos. Si producir borradores, cálculos y demostraciones preliminares se vuelve más rápido, podría aumentar el número de trabajos enviados. El riesgo no será solo que las revistas reciban más manuscritos, sino distinguir entre resultados importantes y una avalancha de contribuciones correctas, aunque poco relevantes. Paradójicamente, cuanto más fácil sea generar Ciencias, más valioso puede resultar el juicio humano para seleccionar problemas significativos y reconocer ideas profundas.

                                                Imagen creada con ayuda de ChatGPT

También cambiará la formación de los científicos. Los estudiantes empiezan a disponer de asistentes capaces de explicar conceptos, proponer ejercicios, detectar errores y adaptar el nivel de dificultad. Pero existe un peligro evidente que es confundir ayuda con aprendizaje. Resolver un problema científico exige atravesar momentos de incertidumbre, intentar caminos que fracasan y construir intuiciones propias. Si la IA ofrece demasiado pronto la solución, puede debilitar las capacidades que pretende reforzar. El reto educativo será utilizarla como tutor, no como sustituto del esfuerzo intelectual.

La llegada de la inteligencia artificial a las Ciencias plantea una pregunta que va más allá de la tecnología: ¿qué significa hacer Ciencia? Si algunas tareas de razonamiento pueden automatizarse, la disciplina no desaparecerá; desplazará su centro de gravedad. Tendrán más importancia la elección de preguntas, la interpretación de resultados, la construcción de conceptos y la capacidad de conectar ideas. Como ha señalado Akshay Venkatesh, el razonamiento mecánico puede cambiar no solo cómo hacemos Ciencias, sino qué son las Ciencias, aunque él lo formuló en el ámbito estricto de las Matemáticas.

Estamos entrando en una etapa en la que esa transformación ya no pertenece a la ciencia ficción. Todavía existen errores, exageraciones y límites, pero aparecen resultados que hace pocos años parecían improbables. La inteligencia artificial no anuncia el final del científico. Anuncia una renegociación de su trabajo, de sus herramientas y quizá de su propia identidad. Y esa renegociación acaba de comenzar.

Sopa de letras: CUANDO LAS MÁQUINAS HAGAN CIENCIA

Soluciones: PERDIENDO CUBITS