Primeros experimentos para impulsar la ciencia con GPT‑5

La ciencia modela todo, desde la salud humana hasta la producción de energía, desde la seguridad nacional hasta nuestra comprensión del universo. Si la IA puede acelerar la ciencia, al acortar el tiempo que se tarda en generar nuevas ideas o en pasar de una idea a un resultado probado, los beneficios se multiplican en toda la sociedad.

Pero el ritmo de la innovación sigue siendo una restricción. Incluso cuando existe la idea adecuada, convertirla en un producto o tratamiento puede llevar años. En una encuesta reciente⁠(se abre en una nueva ventana), el 60 % de las personas en los EE. UU. dijo que los avances científicos y médicos llegan demasiado lento; el 73 % dijo que necesitamos mejores formas de acelerar el descubrimiento; y el 69 % identificó el liderazgo científico como una prioridad nacional.

Hoy, lanzamos “Experimentos de aceleración científica temprana con GPT‑5⁠(se abre en una nueva ventana)”, un artículo escrito conjuntamente con colaboradores de universidades y laboratorios nacionales, que incluyen Vanderbilt, UC Berkeley, Columbia, Oxford, Cambridge, Lawrence Livermore National Laboratory y The Jackson Laboratory. Este artículo reúne los primeros estudios de caso en campos como las matemáticas, la física, la biología, la informática, la astronomía y la ciencia de materiales, donde GPT‑5 asistió a los investigadores para: sintetizar hallazgos conocidos de forma novedosa, realizar potentes revisiones bibliográficas, acelerar cálculos complejos e incluso generar demostraciones originales de proposiciones aún no resueltas. El artículo también documenta las limitaciones. Nuestro objetivo es dar a la comunidad una visión clara de lo que estos sistemas pueden y no pueden hacer hoy en día en entornos de investigación.

Estos estudios de caso muestran cómo, en manos de expertos, GPT‑5 acelera el descubrimiento científico y por qué esa aceleración es importante:

• Biología: en un estudio liderado por el Dr. Derya Unutmaz, los científicos pasaron meses intentando explicar un cambio desconcertante en las células inmunitarias humanas. GPT‑5 identificó el mecanismo probable en cuestión de minutos a partir de un gráfico inédito y sugirió un experimento que lo demostró. Este tipo de velocidad podría ayudar a los investigadores a comprender las enfermedades más rápido y desarrollar mejores tratamientos.
• Matemáticas: en otro caso, los investigadores Mehtaab Sawhney y Mark Sellke abordaban un problema abierto desde hacía décadas, propuesto originalmente por Paul Erdős. Estaban atascados en el último paso, y GPT‑5 aportó una nueva idea sobre cómo un número impar rompe el patrón, lo que les ayudó a completar la demostración. Avances como este refuerzan la base matemática de la que dependen en última instancia numerosos algoritmos y técnicas de seguridad.
• Algoritmos y optimización: los investigadores Sébastien Bubeck y Christian Coester estaban evaluando si un método común de toma de decisiones utilizado en robótica y enrutamiento era tan confiable como se creía. GPT‑5 descubrió un nuevo y claro ejemplo que demuestra la posibilidad de que el método falle, y además mejoró un resultado clásico en optimización, la rama matemática que se usa para encontrar la mejor manera de resolver un problema. Este tipo de avance ayuda a los ingenieros a comprender mejor los sistemas de toma de decisiones que se usan en robótica, enrutamiento y otras aplicaciones del mundo real.

La misión de OpenAI para la ciencia es acelerar el descubrimiento científico: ayudar a los investigadores a explorar más ideas, probar hipótesis más rápido y descubrir información que de otro modo llevarían un tiempo considerable. Lo hacemos al combinar modelos de vanguardia con las herramientas, los flujos de trabajo y las colaboraciones adecuadas.

Colaboramos estrechamente con investigadores del mundo académico, la industria y los laboratorios nacionales. Estas colaboraciones nos ayudan a comprender dónde son útiles los modelos, dónde fallan y cómo integrarlos en el proceso científico, desde la revisión bibliográfica y la generación de pruebas hasta la modelización, la simulación y el diseño experimental.

Nuestro enfoque combina dos creencias complementarias. Las herramientas científicas especializadas, como los motores de simulación, las bases de datos de proteínas y los sistemas de álgebra computacional, son esenciales para la eficiencia y la precisión. Al mismo tiempo, la ampliación de los modelos fundamentales continúa desbloqueando nuevas capacidades de razonamiento: conectar ideas entre campos, esbozar pruebas, proponer mecanismos y navegar por grandes literaturas de forma conceptual en lugar de por palabras clave. Donde existan herramientas especializadas, queremos usarlas; donde se requiera un razonamiento general, construimos modelos diseñados para manejarlo. Ambos caminos se refuerzan entre sí.

El progreso más significativo proviene de los equipos que combinan las personas con la IA. Los científicos establecen la agenda: definen preguntas, eligen métodos, critican ideas y validan resultados. GPT‑5 aporta amplitud, velocidad y la capacidad de explorar múltiples direcciones simultáneamente.

Usar GPT‑5 de forma eficaz es una habilidad. Los investigadores aprenden a formular preguntas, a disentir cuando es necesario, a descomponer los problemas en pasos y qué aspectos deben validar de forma independiente. El trabajo productivo a menudo parece un diálogo: el investigador y el modelo iteran hasta que surge una dirección prometedora o se descarta la idea.

En estos primeros estudios, GPT‑5 parece capaz de reducir partes del flujo de trabajo de investigación cuando lo usan expertos. No ejecuta proyectos ni resuelve problemas científicos de forma autónoma, pero puede ampliar la superficie de exploración y ayudar a los investigadores a avanzar más rápido hacia los resultados correctos.

• Una capacidad emergente es la búsqueda conceptual bibliográfica. GPT‑5 a menudo puede identificar relaciones más profundas entre ideas y recuperar material relevante en varios idiomas y fuentes menos accesibles. Los investigadores informan haber encontrado referencias, conexiones y tesis que no conocían previamente.
• En matemáticas e informática teórica, donde la estructura es explícita y los ciclos de comentarios son rápidos, GPT‑5 es especialmente útil. Los matemáticos usaron GPT‑5 para generar esquemas de demostraciones viables en minutos, y transformaron un trabajo que de otro modo podría haber tomado días o semanas. En los dominios de la física y la computación, el modelo puede proponer transformaciones simplificadoras o señalar estructuras análogas en otros campos.
• En biología y otras ciencias empíricas, el modelo puede proponer mecanismos y diseñar experimentos para validar estas hipótesis en el laboratorio húmedo.

Hemos superado el punto en el que los modelos solo resumen el conocimiento existente. Ahora, las contribuciones iniciales de GPT‑5 pueden asistir significativamente a los investigadores bajo la supervisión de expertos. El ritmo de mejora sugiere el potencial para una aceleración más profunda a medida que las capacidades y herramientas avanzan.

Estos estudios de caso son ilustraciones seleccionadas de dónde GPT‑5 ha sido útil; no son una muestra sistemática y no capturan toda la gama de modos de falla. La supervisión experta sigue siendo esencial. GPT‑5 a veces puede inventar citas, mecanismos o pruebas que parecen creíbles; puede ser sensible a los problemas de estructura y preparación; a veces pasa por alto sutilezas específicas del dominio; y puede seguir líneas de razonamiento improductivas si no se corrige. Estas son áreas de investigación activas, y estamos trabajando con colaboradores para medir y mitigar estas fallas mientras perfeccionamos los sistemas futuros.

En conjunto, estos primeros estudios muestran que GPT‑5 está comenzando a ayudar con nuevos tipos de trabajo científico. El modelo no es autónomo, pero en manos expertas puede ayudar a demostrar teoremas, redescubrir y ampliar estructuras, descubrir conexiones entre campos y generar mecanismos y experimentos para que los científicos los validen.

También vemos una trayectoria en la que estos sistemas mejoran con más tiempo y cómputo. Si GPT‑5 puede ayudar significativamente con algunas preguntas de investigación en 20 minutos, esperamos resultados más profundos cuando los modelos puedan dedicar horas o días a razonar sobre un problema. En combinación con la experiencia de científicos de primer nivel, esto augura un potencial salto cualitativo en la productividad científica a largo plazo.