En La guía del autoestopista galáctico, Douglas Adams imaginó una supercomputadora llamada Deep Thought capaz de calcular la Respuesta a la Gran Pregunta de la Vida, el Universo y Todo lo Demás. Tras siete millones y medio de años de cálculo, la máquina ofreció su veredicto: 42. El problema era que nadie recordaba cuál había sido la pregunta.
Lo que Adams concibió como sátira empieza a parecerse, incómodamente, a ciencia del presente. En laboratorios de física de partículas y ciencia de materiales, sistemas de inteligencia artificial producen resultados de notable precisión —identificando patrones, sintetizando materiales, guiando experimentos— que ni siquiera sus propios creadores saben explicar del todo. La respuesta llega. El cómo, no siempre.
Cuando la IA supera al físico que la programó
La inteligencia artificial lleva más de una década integrada en el CERN. Durante la búsqueda del bosón de Higgs a principios de los años 2010, los algoritmos de aprendizaje automático separaban señales inusuales —el Higgs decayendo en fotones o leptones— del ruido de fondo habitual. Sin esa ayuda, los experimentos habrían necesitado entre un 15 % y más del doble de datos para alcanzar la misma sensibilidad, según una revisión publicada en Nature.
Desde entonces, el papel de la IA no ha dejado de crecer. Las redes neuronales comprimen enormes volúmenes de datos de colisiones, aceleran simulaciones y detectan eventos anómalos entre miles de millones de interacciones. Caterina Doglioni, física experimental de la Universidad de Mánchester, lo resume sin rodeos: la IA es ya «prácticamente inseparable» de la investigación en física de altas energías.
El salto más significativo, sin embargo, es cualitativo. Antes, la IA buscaba señales que los físicos ya sabían describir. Ahora aprende cómo son las colisiones ordinarias y señala todo lo que se desvía de esa norma, sin saber de antemano qué está buscando. En 2024, la colaboración ATLAS publicó los resultados de una búsqueda de anomalías no supervisada con datos reales del LHC. No encontró nueva física, pero demostró que el método funciona.
El problema de la caja negra: resultados sin explicación
Que la IA detecte correlaciones que los físicos no habían anticipado es, precisamente, su mayor valor. Y también su mayor problema. Los modelos modernos de aprendizaje automático identifican patrones complejos que resultan difíciles de desenredar con técnicas convencionales, y el proceso interno permanece opaco.
David Sutherland, físico teórico de la Universidad de Glasgow, propone una distinción útil: interpretabilidad y reproducibilidad no son lo mismo. «Diría que la reproducibilidad es más importante que la interpretabilidad», afirma. Un modelo no necesita revelar cada detalle de su funcionamiento interno, pero sus resultados deben poder verificarse y replicarse de forma independiente.
La física de partículas cuenta con salvaguardas específicas para esto. Doglioni señala que los extensos comités de revisión del CERN actúan como una capa adicional de protección frente a la opacidad de los sistemas. Aun así, reproducir un resultado de IA exige algo más que datos y código: también requiere arquitecturas de modelo concretas, condiciones de entrenamiento específicas y entornos computacionales determinados, y cada uno de esos factores puede alterar el comportamiento del sistema.
La IA como científica autónoma: el caso de los materiales
Fuera de la física de partículas, la IA ya no solo analiza experimentos. En algunos laboratorios, los decide. El Laboratorio Nacional de Argonne desarrolló un sistema que propone materiales candidatos, los sintetiza mediante robots y evalúa los resultados en un ciclo cerrado y continuo.
Los datos son elocuentes. En 2023, la plataforma autónoma A-Lab realizó 355 experimentos en apenas 17 días y sintetizó 41 materiales novedosos, según un estudio publicado en Nature. No se trataba de analizar datos tras los experimentos, sino de decidir cuáles realizar a continuación —un anticipo concreto de lo que podría ser un «científico IA».
Christoph Weniger, físico de la Universidad de Ámsterdam, cree que este cambio transformará el rol de los investigadores humanos. En su visión, los físicos pasarán a ejercer una función supervisora: dirigirán agentes de IA en lugar de ejecutar los análisis directamente. El científico como estratega, no como operario.
Formar a los físicos del futuro en la era de la IA
Si la IA automatiza los pasos que históricamente construían la experiencia investigadora, surge una pregunta incómoda: ¿cómo se formarán los expertos del mañana? La pericia científica se adquiere, en gran medida, a través del error y la repetición. Si una máquina elimina esos tropiezos, puede eliminar también el aprendizaje que generan.
Wrishik Naskar, postdoc de física teórica en el laboratorio DESY de Alemania, observa que los hábitos ya están cambiando. «Cuando me bloqueo, acudo a mi supervisor», dice, «pero muchos investigadores lo primero que hacen es preguntar a ChatGPT». Su consejo es directo: «Céntrate en aprender. Los resultados llegan si tienes habilidades.»
La comunidad científica también reacciona ante otros riesgos. arXiv anunció vetos de un año para autores que suban contenido generado por IA sin verificar —referencias alucinadas, instrucciones de chatbot sin eliminar—, una de las respuestas más contundentes adoptadas hasta ahora por un repositorio científico de referencia.
Admir Greljo, físico teórico de la Universidad de Basilea, prefiere no ver en todo esto una amenaza. «La IA no es competencia; es una herramienta nueva», argumenta. Igual que lo fueron los ordenadores o las reglas de cálculo, cada salto tecnológico cambió el modo de investigar sin eliminar a los investigadores.
¿Puede la ciencia avanzar sin entender sus propias respuestas?
Aquí reside la pregunta más difícil. ¿Estamos entrando en una era de descubrimientos sin comprensión, donde las máquinas revelan verdades que los humanos no pueden asimilar a la misma velocidad? Sutherland imagina un futuro en que la IA ejecute el ciclo completo de investigación —hipótesis, datos, redacción— pero con un humano actuando como «control de cordura», de forma similar a la relación entre un investigador sénior y un doctorando.
Greljo va algo más lejos. No ve ninguna razón fundamental por la que sistemas autónomos no puedan emerger eventualmente, siempre que sus resultados sean reproducibles y verificables. Si la IA llega a una conclusión, los humanos pueden repetir los cálculos y comprobar las predicciones. Ese futuro, dice, «no es imposible».
Producir resultados no es todo lo que hace la ciencia. La ciencia también explica, también siente curiosidad y, sobre todo, decide qué preguntas merecen ser formuladas. Ese rol —elegir hacia dónde mirar, determinar qué importa— sigue siendo profundamente humano. El problema de Deep Thought nunca fue que diera una respuesta equivocada. Fue que nadie recordaba cuál había sido la pregunta. Esa es, quizás, la única tarea que no podemos delegar.