Hasta ahora, la mayoría de los modelos de inteligencia artificial se han limitado a detectar patrones en grandes volúmenes de datos. Son buenos prediciendo resultados, clasificando información o generando texto e imágenes, pero les cuesta mucho extraer conceptos generales o formular principios científicos. La razón es sencilla: predecir no es lo mismo que comprender. Sin embargo, un equipo de investigadores en China ha desarrollado un sistema que empieza a cruzar esa frontera. Se llama AI-Newton y su objetivo es emular el proceso científico humano, desde los datos hasta las leyes.
AI-Newton no es una inteligencia artificial cualquiera. No se limita a absorber datos y repetir comportamientos, sino que construye conocimiento paso a paso, como lo haría un estudiante aplicado. Primero observa un fenómeno, luego intenta explicarlo mediante una ecuación y, a partir de allí, almacena lo aprendido para aplicarlo a nuevos contextos. Este enfoque incremental es el que lo distingue de otros modelos, y lo que ha llamado la atención de la comunidad científica.
Cómo aprende AI-Newton
La base del funcionamiento de este sistema es la regresión simbólica, una técnica que busca encontrar las fórmulas matemáticas más adecuadas para describir ciertos datos. A diferencia de otros enfoques basados en redes neuronales que funcionan como cajas negras, la regresión simbólica permite generar ecuaciones legibles y comprensibles. Esto hace posible que AI-Newton no solo prediga, sino que explique.
Para poner a prueba esta capacidad, el equipo de la Universidad de Pekín alimentó al sistema con datos de 46 experimentos clásicos de física. Las situaciones iban desde colisiones entre objetos hasta movimientos oscilatorios, pasando por el comportamiento de resortes o trayectorias similares a las de un péndulo. Para simular condiciones realistas, también se introdujeron errores estadísticos en los datos, replicando el ruido que se encuentra en cualquier medición experimental.
Uno de los ejemplos más ilustrativos fue el caso de una bola en movimiento. Se le proporcionaron datos sobre su posición en diferentes momentos del tiempo. AI-Newton logró deducir la ecuación de la velocidad, y en un paso posterior, usando esa información, derivó la segunda ley de Newton, que relaciona masa, fuerza y aceleración. Este proceso de descubrimiento autónomo es lo que acerca a AI-Newton al método científico humano.
Por qué importa este avance
Lo relevante no es solo que una IA logre replicar principios ya conocidos, sino el camino que recorre para llegar a ellos. Tradicionalmente, incluso los modelos más avanzados necesitaban que los humanos los guiaran en la interpretación de los resultados. Por ejemplo, en 2019, investigadores del ETH Zürich desarrollaron un modelo llamado AI Copernicus que, a partir de observaciones terrestres, fue capaz de generar fórmulas que describían las órbitas planetarias. Pero esas fórmulas requerían de expertos para traducirlas en leyes significativas.
AI-Newton da un paso más al integrar descubrimiento e interpretación. Aunque aún está lejos de pensar como un humano, su capacidad de razonar a partir de datos crudos representa un avance considerable hacia sistemas que puedan colaborar activamente en el desarrollo científico. Es decir, no solo nos ayudarán a procesar datos, sino también a formular nuevas hipótesis y probar teorías.
Las limitaciones actuales
Pese al entusiasmo que genera, el modelo también enfrenta importantes limitaciones. Los resultados presentados por los investigadores aún no han sido revisados por pares, lo que invita a tomar con cautela sus implicaciones. Además, el sistema se ha entrenado en entornos muy controlados, con simulaciones diseñadas para facilitar el aprendizaje de leyes concretas. El mundo real, sin embargo, es mucho más complejo y caótico.
Otro punto crítico es que AI-Newton, al igual que otras IAs, carece de sentido común o comprensión contextual. Puede deducir una ecuación correcta, pero no necesariamente entender su aplicabilidad o sus límites. En experimentos paralelos, investigadores del MIT y Harvard entrenaron modelos de lenguaje como GPT, Claude y LLaMA para predecir posiciones planetarias. Aunque lograron predecir trayectorias con precisión, cuando se les pidió derivar una ley general de gravitación a partir de esos datos, el resultado fue una fórmula incoherente.
Esto sugiere que los modelos actuales, incluso los más sofisticados, pueden imitar pero no siempre comprenden. La inteligencia artificial sigue sin tener una visión integrada del mundo ni una intuición que le permita discernir entre una casualidad y una relación causal real.
El futuro de la ciencia con IAs que razonan
Si bien AI-Newton está lejos de reemplazar al científico humano, puede convertirse en una herramienta poderosa para ampliar nuestras capacidades. Su utilidad potencial va desde analizar sistemas complejos donde hay demasiadas variables para que una sola persona las integre, hasta generar nuevas conjeturas en campos donde la teoría aún es incipiente.
Podríamos imaginarlo como un asistente que no solo lleva las cuentas rápido, sino que propone caminos alternativos cuando una hipótesis parece no encajar. En un laboratorio, esto podría acelerar enormemente los ciclos de prueba y error, permitiendo centrar los esfuerzos humanos en la parte creativa y crítica del proceso.
El reto está en integrar estas herramientas de forma responsable, entendiendo sus capacidades reales sin sobreestimarlas. La colaboración entre humanos y máquinas no debe basarse en una fe ciega, sino en una comprensión clara de qué aporta cada parte.
☞ El artículo completo original de Natalia Polo lo puedes ver aquí