GPT-5.6 Sol ha conseguido calibrar de forma autónoma qubits superconductores en un laboratorio del MIT, mientras otro sistema interno de OpenAI propone una solución a Navier-Stokes, uno de los grandes problemas matemáticos del último siglo.
La inteligencia artificial empieza a abandonar el territorio cómodo de las respuestas en una pantalla para entrar en un terreno mucho más exigente: actuar sobre experimentos científicos reales, interpretar sus resultados y decidir cuál debe ser el siguiente paso. Un trabajo desarrollado en el Massachusetts Institute of Technology (MIT) ofrece una muestra concreta de este cambio. La investigadora Beatriz Yankelevich ha conectado GPT-5.6 Sol, a través de Codex, al software que controla experimentos con chips cuánticos superconductores y ha conseguido que el sistema ejecute de forma autónoma buena parte de las tediosas tareas de calibración que hasta ahora requerían horas o días de supervisión humana.
El caso coincide con otra noticia de una dimensión todavía mayor. OpenAI anunció el 8 de septiembre que un sistema interno de IA ha producido una posible solución al problema de existencia y regularidad de las ecuaciones de Navier-Stokes, uno de los siete Problemas del Milenio establecidos por el Clay Mathematics Institute. Si la demostración supera la revisión de la comunidad matemática, supondría uno de los avances más importantes logrados hasta ahora con ayuda de inteligencia artificial.
Son dos acontecimientos distintos, y conviene no confundirlos. GPT-5.6 Sol es el modelo empleado en los experimentos cuánticos del MIT. La demostración matemática de Navier-Stokes fue generada, según OpenAI, por un sistema interno mucho más potente que GPT-6 Astra. Pero ambos casos señalan hacia una misma dirección: la IA empieza a dejar de ser únicamente una herramienta que responde preguntas para convertirse en un participante activo dentro del proceso científico.
Un agente conectado directamente al laboratorio
Beatriz Yankelevich, estudiante de posgrado del grupo Engineering Quantum Systems (EQuS) del MIT, trabaja con qubits superconductores, una de las tecnologías que compiten por convertirse en la base de futuros ordenadores cuánticos. Estos dispositivos operan a temperaturas cercanas al cero absoluto dentro de enormes refrigeradores de dilución y se controlan mediante señales de microondas.
Construir el chip es únicamente una parte del problema. Una vez fabricado, encapsulado y enfriado, comienza un proceso laborioso de caracterización y calibración. Antes de realizar experimentos útiles, los investigadores deben efectuar cientos o incluso miles de mediciones para determinar cómo responde cada qubit.
Hay que localizar sus frecuencias de resonancia, calibrar los pulsos de microondas que permiten manipularlo, medir cuánto tiempo mantiene la información cuántica y establecer los parámetros adecuados para leer correctamente su estado.
Cada resultado condiciona el siguiente experimento.
Ahí aparece el valor de un agente de IA. Yankelevich conectó Codex y GPT-5.6 Sol directamente al software del laboratorio. En lugar de limitarse a proponer código para que después lo ejecutara una persona, el sistema podía seleccionar parámetros, lanzar una medición sobre el hardware real, analizar los datos obtenidos y decidir si convenía refinar el experimento o pasar al siguiente.
La investigadora proporcionó al agente habilidades específicas que explicaban cómo ejecutar y evaluar cada tipo de medición. Después lo probó sobre un chip de seis qubits todavía sin calibrar, uno de los diseños que el grupo EQuS utiliza habitualmente para evaluar sus procesos de fabricación.
Cuando las señales eran claras, GPT-5.6 Sol completó con poca intervención humana una secuencia estándar de caracterización. Localizó las frecuencias de transición del qubit, calibró los pulsos utilizados para controlarlo y leerlo y calculó durante cuánto tiempo conservaba la información cuántica.
No es simplemente automatización tradicional. Un programa convencional puede repetir una secuencia predeterminada, pero aquí cada medición produce datos que deben ser interpretados antes de decidir qué hacer después. El agente entra, por tanto, en un bucle experimental: medir, interpretar, ajustar y volver a medir.
El científico deja de vigilar cada paso
El beneficio inmediato no consiste en sustituir al físico experimental. De hecho, OpenAI reconoce que un investigador experimentado todavía puede encontrar más rápidamente los mejores parámetros en determinadas circunstancias.
El cambio está en otro lugar: ya no necesita permanecer pendiente de cada medición rutinaria.
Yankelevich explica que puede dejar varios agentes trabajando durante horas, incluso de noche o mientras ella se encuentra en la sala limpia realizando otras tareas. Después puede consultar desde el teléfono qué han hecho y corregirlos si detecta un problema o quiere explorar otra dirección.
En un laboratorio donde caracterizar un único chip puede consumir varios días, esta diferencia es considerable. El grupo EQuS ya utiliza agentes de forma habitual para algunas mediciones rutinarias.
El tiempo humano se desplaza hacia las tareas donde todavía aporta mayor valor: interpretar resultados ambiguos, diseñar nuevos experimentos, formular hipótesis y decidir qué merece la pena investigar.
La investigadora ha construido además infraestructura para utilizar agentes en diferentes partes de su trabajo: medición, teoría y diseño de chips. Esto permite imaginar un laboratorio en el que varios agentes trabajen simultáneamente sobre tareas distintas mientras el investigador dirige el conjunto.
Es una versión embrionaria del laboratorio autónomo, una idea que desde hace años se estudia en química, ciencia de materiales o biología: sistemas capaces de proponer experimentos, ejecutarlos mediante instrumental automatizado, analizar los resultados y utilizar esa información para diseñar la siguiente prueba.
La frontera aparece cuando los datos dejan de ser claros
El experimento también muestra con bastante precisión dónde están todavía los límites.
GPT-5.6 Sol funcionó bien cuando las señales experimentales eran limpias y los procedimientos estaban claramente establecidos. Las dificultades aparecieron cuando los datos eran débiles, ruidosos o físicamente ambiguos.
En esas circunstancias, el sistema tardaba más en encontrar parámetros adecuados y en ocasiones necesitaba la intervención de un investigador experimentado.
La distinción es importante. La IA ya puede ser competente siguiendo y adaptando protocolos bien definidos, pero la ciencia real no siempre ofrece resultados inequívocos. Una anomalía puede significar que el instrumento funciona mal, que el experimento está mal diseñado o, en el mejor de los casos, que se está observando un fenómeno nuevo.
Decidir entre esas posibilidades exige todavía mucho conocimiento contextual, intuición científica y capacidad para cuestionar las hipótesis iniciales.
El caso del MIT no demuestra, por tanto, que la IA pueda hacer ciencia sin científicos. Demuestra algo más concreto y probablemente más inmediato: puede absorber una cantidad creciente del trabajo experimental rutinario y liberar al investigador para las decisiones intelectualmente más difíciles.
De calibrar qubits a atacar Navier-Stokes
El mismo día que OpenAI divulgaba el trabajo con los qubits del MIT, presentaba una afirmación mucho más ambiciosa: un sistema interno de IA habría encontrado una solución al problema de existencia y regularidad de las ecuaciones de Navier-Stokes.
Estas ecuaciones, desarrolladas en el siglo XIX a partir del trabajo de Claude-Louis Navier y George Gabriel Stokes, describen el movimiento de los fluidos. Están detrás de fenómenos tan cotidianos y complejos como el flujo del agua, el aire alrededor de un avión, las corrientes oceánicas o la turbulencia atmosférica.
El gran interrogante matemático es extraordinariamente sencillo de formular y extremadamente difícil de resolver: dadas unas condiciones iniciales suaves en tres dimensiones, ¿las ecuaciones producen siempre soluciones suaves o pueden aparecer singularidades, puntos en los que determinadas magnitudes tienden al infinito?
En el año 2000, el Clay Mathematics Institute convirtió esta cuestión en uno de sus siete Problemas del Milenio, cada uno dotado con un premio de un millón de dólares.
OpenAI afirma ahora haber demostrado que las ecuaciones pueden efectivamente desarrollar una singularidad en un tiempo finito. Según la compañía, el sistema construyó matemáticamente un vórtice que se contrae y estira progresivamente hasta producir velocidades infinitas pese a partir de condiciones suaves y mantener una energía finita.
OpenAI ha publicado tanto una demostración analítica como una formalización en Lean, un lenguaje y asistente de demostración utilizado para verificar pruebas matemáticas.
Pero el resultado todavía debe atravesar una etapa esencial: la revisión independiente.
El propio Clay Mathematics Institute continúa mostrando Navier-Stokes en su listado de problemas no resueltos.
Por tanto, sería prematuro afirmar que la IA ha resuelto oficialmente el Problema del Milenio. Lo correcto, por ahora, es decir que OpenAI ha presentado una demostración que sostiene que lo resuelve.
Diez mil agentes contra un problema de casi un siglo
La dimensión computacional del proyecto resulta tan llamativa como la conclusión matemática.
Según Nature, OpenAI había estado probando su sistema más avanzado sobre los seis Problemas del Milenio que siguen abiertos. Tras conocer avances de otros investigadores en Navier-Stokes, decidió concentrar sus recursos en esta cuestión.
Primero utilizó unos 1.000 agentes de IA para atacar una variante simplificada. El sistema necesitó aproximadamente 50 horas. Después, OpenAI escaló el experimento y desplegó alrededor de 10.000 agentes para abordar el problema completo.
La compañía asegura además que el modelo empleado era significativamente más capaz que GPT-6 Astra, presentado apenas unos días antes.
Este dato es relevante porque apunta hacia una arquitectura de descubrimiento científico distinta de la conversación habitual con un chatbot. No se trata de pedir a un modelo una respuesta especialmente complicada, sino de desplegar miles de instancias capaces de explorar simultáneamente caminos matemáticos, comprobar hipótesis, generar código, descartar intentos y coordinar resultados.
Es, en cierto modo, una nueva forma de ciencia computacional masivamente paralela, pero en la que las unidades de trabajo no son únicamente procesadores realizando cálculos numéricos, sino agentes capaces de razonar sobre los propios problemas.
La IA empieza a entrar en el método científico
Los experimentos del MIT y la propuesta sobre Navier-Stokes representan dos escalones muy diferentes de una misma transformación.
En el primero, una IA opera instrumental científico real siguiendo procedimientos definidos y adaptándose a los resultados. En el segundo, miles de agentes exploran el espacio abstracto de una demostración matemática que ha resistido durante décadas a algunos de los mejores especialistas del mundo.
Entre ambos aparece una idea que puede ser más importante que cualquier benchmark: la IA empieza a integrarse dentro del propio ciclo de producción del conocimiento.
Hasta hace poco, el científico utilizaba el ordenador fundamentalmente para calcular, simular o analizar datos. Ahora puede delegar también parte de la planificación, la programación, la interpretación provisional y la ejecución de experimentos.
Eso no elimina al investigador. En el caso de Yankelevich ocurre precisamente lo contrario: al desprenderse de tareas repetitivas, puede dedicar más tiempo a diseñar experimentos y comprender sus resultados.
Y el caso Navier-Stokes recuerda que la validación humana e institucional continúa siendo esencial. Una IA puede producir una demostración y otra herramienta formal puede comprobar su consistencia lógica, pero la comunidad matemática deberá estudiar las hipótesis, el alcance del resultado y su correspondencia exacta con el problema formulado por el Clay Mathematics Institute.
La gran noticia quizá no sea, por tanto, que una IA pueda calibrar seis qubits o que OpenAI afirme haber resuelto uno de los problemas matemáticos más famosos del mundo. Lo verdaderamente significativo es la continuidad entre ambas cosas.
La IA que ayer ayudaba a escribir el código de un investigador empieza hoy a ejecutar el experimento, analizar su resultado, diseñar el siguiente paso y participar directamente en la búsqueda de conocimiento nuevo.
Si esta tendencia se consolida, la siguiente gran transformación de la inteligencia artificial podría producirse no en los chatbots que utiliza el público, sino en lugares mucho menos visibles: laboratorios, centros de cálculo, telescopios, aceleradores de partículas y grupos de investigación donde cada hora humana liberada puede convertirse en una nueva pregunta científica.
