El 14 de octubre de 2026, Wired informó de un estudio dirigido por Neil Thompson, del MIT, que apunta a una rápida mejora de los modelos de inteligencia artificial en problemas teóricos de distintas disciplinas científicas.
La investigación abarca probabilidad, teoría estadística, teoría económica, física de altas energías, gravitación y cosmología, y física cuántica. Según sus resultados, los mejores modelos pasaron de resolver correctamente cerca del 2 % de los problemas a mediados de 2024 a aproximadamente el 35 % a mediados de 2026.
Thompson realizó el estudio junto con Gabriel Manso y Claudio Mayrink Verdun. El equipo seleccionó problemas incluidos en artículos de investigación publicados en internet entre diciembre de 2025 y mayo de 2026, y probó la capacidad de los modelos o1, o3, GPT-5, GPT-5.1, GPT-5.4 y GPT-5.5 para resolverlos.
Los investigadores bloquearon el acceso a internet y utilizaron como referencia soluciones publicadas después del límite de datos de entrenamiento de GPT-5.5 y de los modelos anteriores. De este modo, los sistemas tuvieron que elaborar las soluciones sin recurrir a respuestas incorporadas durante el entrenamiento.
El estudio se centró en campos cuyos problemas pueden abordarse sin simulaciones ni experimentos. Sus autores consideran que el avance observado en matemáticas podría extenderse a otras áreas científicas con una fuerte carga teórica, aunque advierten que los expertos seguirán siendo necesarios para evaluar las soluciones, conectar ideas y detectar errores.
La investigación también señala que los modelos pueden equivocarse en problemas complejos y que es necesario desarrollar métodos para verificar sus resultados. Wired publicó el análisis en su artículo sobre el estudio del MIT.
Fuente: Wired
Más noticias
Elorian presenta Glimpse, un modelo que razona directamente sobre imágenes
Jev se convierte en el modelo de IA adoptado más rápido por Vercel
Sherry Turkle pide que los chatbots no usen «yo» ni «me»
Microsoft Foundry hace generales Routines y Tool Search y amplía sus modelos GPT-6
Meta lanza Muse Spark Open, un modelo de pesos abiertos que funciona en Macs
Anthropic dará a seis investigadores de METR acceso interno para evaluar sus modelos y riesgos