🌍 world

Cuando las máquinas dominan la física, los humanos pierden el marcador

La IA acaba de resolver problemas en física teórica, romper récords de velocidad en robótica y se predice que obtendrá una puntuación perfecta en la Olimpiada Internacional de Matemáticas 2026. Estamos entrando en una era donde las máquinas no solo nos superan en juegos, sino que están reescribiendo las reglas del descubrimiento científico en sí. La pregunta no es si la IA puede lograr lo imposible, sino qué sucede cuando la perfección se convierte en rutina.

Fact checked - 15 claims 12 Sept 2026 · 14 with sources

En marzo de 2026, investigadores de Google Research, la Universidad de Harvard y la Universidad Carnegie Mellon publicaron algo que debería haber detenido al mundo en seco. Construyeron un sistema de IA neuro-simbólica que combina el modelo de lenguaje Gemini Deep Think con retroalimentación numérica automatizada que resolvió de manera autónoma un problema abierto en la física teórica, derivando soluciones analíticas novedosas para la radiación gravitacional emitida por cuerdas cósmicas. No aproximado. No simulado. Resuelto. Ese mismo mes, otro marco de IA llamado THOR (Hamiltoniano Optimizado Basado en Redes Tensoriales para Resolver Dinámicas) resolvió un problema de física de 100 años en segundos, un cálculo que anteriormente requería semanas de tiempo de supercomputadora. El sistema de la Universidad de Nuevo México y el Laboratorio Nacional de Los Álamos puede calcular propiedades termodinámicas de átomos dentro de materiales cientos de veces más rápido, manteniendo la precisión. En 2025, físicos de la Universidad de Emory utilizaron una red neuronal especialmente diseñada para descubrir leyes completamente nuevas de la naturaleza en plasma polvoriento, revelando patrones ocultos en las interacciones de partículas con más del 99 por ciento de precisión y desafiando suposiciones de larga data. Mientras tanto, en el mundo físico, los robots finalmente están alcanzando a sus primos digitales. Sony AI anunció en abril de 2026 que su proyecto Ace se convirtió en el primer sistema autónomo competitivo con jugadores de tenis de mesa humanos de élite y profesionales, marcando la primera vez que un robot logró un juego de nivel experto en un deporte competitivo en el mundo físico. Investigadores del Georgia Tech crearon un sistema llamado Aprendizaje por Imitación Adaptativo a la Velocidad (SAIL) que permite a los robots ejecutar tareas complejas como apilar tazas, doblar tela y empacar alimentos de tres a cuatro veces más rápido que las demostraciones humanas sin perder precisión. La barrera de velocidad que confinaba a los robots a trabajar solo tan rápido como sus maestros humanos ha sido destrozada. Los mercados de predicción ahora sitúan las probabilidades de que un sistema de IA obtenga un 42 de 42 en la Olimpiada Internacional de Matemáticas 2026 en aproximadamente un 91 por ciento, frente a menos del 20 por ciento hace un año. Es la señal más clara hasta ahora de que la frontera se está cerrando en tareas de razonamiento simbólico que se consideraban un foso protector para la inteligencia humana tan recientemente como en 2024. Cuando Elon Musk predijo el 31 de agosto de 2026 que la IA alcanzará habilidades sobrehumanas en todas las tareas digitales para finales de 2027, no estaba siendo hiperbólico, estaba leyendo las tendencias. Pero aquí es donde la metáfora del hoyo en uno se descompone de una manera interesante. Los robots de golf han existido durante años. LDRIC, desarrollado por Golf Laboratories, logró un hoyo en uno en el Waste Management Phoenix Open de 2016, aunque necesitó cinco intentos. Un robot de putt más nuevo llamado Golfi tiene éxito 6 o 7 veces de cada 10. Estas máquinas demuestran una precisión mecánica perfecta en condiciones controladas, sin embargo, aún no pueden igualar la adaptabilidad de los golfistas humanos en terrenos y condiciones climáticas variadas. El Informe del Índice de IA de Stanford 2026 confirma este perfil de capacidad irregular: los robots tienen éxito en solo el 12 por ciento de las tareas domésticas reales, los modelos de IA leen relojes analógicos correctamente solo el 50.6 por ciento del tiempo en comparación con el 90.1 por ciento para los humanos, y la brecha entre los entornos de laboratorio predecibles y los entornos del mundo real impredecibles sigue siendo amplia. Los descubrimientos en física cuentan una historia diferente. El aprendizaje automático ha comprimido los plazos de descubrimiento de materiales de décadas a meses. La selección impulsada por IA puede navegar vastos espacios químicos, y las redes neuronales informadas por la física ahora resuelven ecuaciones diferenciales parciales que eran prohibitivamente costosas de calcular directamente. El Índice de IA de Stanford 2026 señala que la IA se está expandiendo a dominios científicos que incluyen biología, química, física y astronomía, con modelos que ahora cumplen o superan el rendimiento a nivel de doctorado en pruebas que miden la comprensión de la ciencia, las matemáticas y el lenguaje. Un nuevo laboratorio de IA llamado Superinteligencia Física (PSI) recaudó 58 millones de dólares el 1 de septiembre de 2026 con la misión explícita de descubrir y comercializar avances en física en computación, energía, propulsión y sensores, no solo publicar artículos. Lo que separa la resolución de problemas de física de los hoyos en uno de golf es la verificabilidad. En física, puedes comprobar las matemáticas. Las ecuaciones funcionan o no. Las predicciones coinciden con los datos experimentales o fallan. Cuando la IA resuelve un problema de mecánica estadística de un siglo de antigüedad o deriva nuevas soluciones para la radiación de cuerdas cósmicas, los físicos humanos pueden verificar los resultados a través de medios independientes. El Informe Internacional de Seguridad de IA 2026 señala que los modelos de IA han hecho avances rápidos en razonamiento matemático, con expertos pronosticando un 50 por ciento de probabilidad de que la IA logre un 55 por ciento de precisión en problemas de FrontierMath a nivel de pregrado para 2027 y un 75 por ciento de precisión para 2030. La trayectoria es clara y acelerada.

Mi opinion

Estamos en un punto de inflexión que la mayoría de las personas aún no comprende completamente. Cuando la IA puede resolver problemas abiertos en física teórica que los investigadores humanos no pudieron resolver, no estamos hablando de automatización o ganancias de eficiencia. Estamos hablando de un cambio fundamental en cómo se crea el conocimiento. El cuello de botella en el descubrimiento científico ya no es la creatividad o la intuición humana, sino nuestra capacidad para verificar y entender lo que los sistemas de IA están encontrando. La diferencia entre un robot que logra un hoyo en uno y la IA que descubre nuevas leyes de la física es profunda. El tiro de golf es impresionante mecánicamente pero intelectualmente vacío. El avance en física es intelectualmente generativo. Abre puertas, sugiere nuevos experimentos, se conecta a otros problemas no resueltos. Y aquí está la parte incómoda: nos estamos acercando rápidamente a un mundo donde los sistemas de IA descubren cosas más rápido de lo que los científicos humanos pueden validarlas. Las empresas ya están construyendo modelos de negocio en torno a hallazgos descubiertos por IA y solo luego explicados por humanos, como señala el informe de tendencias de descubrimiento de materiales de PatSnap para 2026. La verdadera pregunta no es si la IA logrará puntuaciones perfectas en benchmarks o embocará cada putt. Es si la intuición científica humana seguirá siendo relevante cuando las máquinas puedan explorar espacios de solución que ni siquiera podemos visualizar. La física no es golf. No puedes ganar en física. Pero puedes volverte obsoleto al descubrirla.

Que pasa despues

La Olimpiada Internacional de Matemáticas 2026 en julio será la primera prueba pública importante de si la IA puede lograr un rendimiento perfecto en tareas de razonamiento simbólico de élite. Si los mercados de predicción tienen razón y una IA obtiene 42 de 42, espera una ola de reevaluación en toda la academia sobre qué tareas intelectuales aún requieren la intuición humana. Los sistemas de Google DeepMind ya obtuvieron 35 puntos (medalla de oro) en la IMO 2025 trabajando de extremo a extremo en lenguaje natural, por lo que una puntuación perfecta en 2026 representaría una rápida iteración en lugar de un milagro. En física y ciencia de materiales, los próximos 12 a 18 meses verán una carrera entre los plazos de validación experimental tradicionales y la velocidad de descubrimiento de la IA. Los laboratorios autónomos en instituciones como el Consorcio de Aceleración de la Universidad de Toronto ya están comprimiendo los plazos de descubrimiento, y la combinación de hipótesis generadas por IA con verificación experimental automatizada podría crear un ciclo cerrado que excluya a los investigadores humanos del camino crítico. Los departamentos de I+D industrial tendrán que decidir si invertir en infraestructura de descubrimiento de IA o arriesgarse a quedarse atrás de competidores que pueden detectar y aplicar nuevos hallazgos científicos dentro de semanas de su aparición. Para finales de 2027, si se cumple la predicción de Elon Musk, deberíamos ver sistemas de IA logrando un rendimiento sobrehumano en tareas digitales que no requieren manipulación física. El perfil de capacidad irregular donde la IA sobresale en razonamiento complejo pero falla en leer relojes o navegar por habitaciones desordenadas probablemente persistirá, creando un mundo bifurcado donde las máquinas dominan los espacios de problemas abstractos mientras luchan con la inteligencia encarnada. Las empresas e instituciones de investigación que logren validar y desplegar rápidamente el conocimiento descubierto por IA capturarán una enorme ventaja competitiva, mientras que aquellas que esperen ciclos de verificación a la velocidad humana se encontrarán permanentemente detrás de la frontera.

Lo que nos dice la historia

El arco desde que Deep Blue derrotó a Garry Kasparov en ajedrez (1997) hasta que AlphaGo dominó el juego de Go (2016) y la IA resolvió problemas abiertos en física teórica (2026) representa una progresión de 29 años desde el rendimiento superhumano estrecho hasta el descubrimiento científico genuino. Cada hito siguió un patrón similar: escepticismo inicial, demostración innovadora, rápida iteración y luego normalización. Lo que tomó casi dos décadas entre el ajedrez y el Go tomó solo una década entre el Go y el descubrimiento autónomo en física. Históricamente, las revoluciones científicas han requerido tanto nuevos instrumentos como nuevas formas de pensar. El telescopio permitió las observaciones de Galileo, pero aún necesitaba la intuición humana para interpretarlas. El acelerador de partículas produjo datos de colisión, pero los físicos pasaron años desarrollando el Modelo Estándar para explicarlo. La IA representa la primera herramienta que potencialmente proporciona tanto el instrumento (poder computacional para explorar vastos espacios de soluciones) como la interpretación (reconocimiento de patrones para identificar relaciones significativas). Si esto constituye un cuarto paradigma de la ciencia (después de la empírica, teórica y computacional) o un quinto paradigma (descubrimiento basado en datos) sigue siendo debatido, pero la Conferencia de 2026 sobre Física e IA en Stanford y reuniones similares lo tratan como un cambio metodológico fundamental, no meramente como una nueva herramienta.