# ¿Puede la IA Generar NUEVO CONOCIMIENTO CIENTÍFICO? ## Метаданные - **Канал:** Dot CSV - **YouTube:** https://www.youtube.com/watch?v=GOhMh__Z4xI - **Дата:** 06.04.2026 - **Длительность:** 17:42 - **Просмотры:** 167,268 ## Описание Descubrir nuevas matemáticas, impulsar la física, acelerar la ciencia... Ese es el sueño que nos han prometido con la IA y ahora en 2026 podríamos estar más cerca que nunca de contar con modelos capaces de generar nuevo conocimiento científico. Hoy analizamos los últimos avances. 🔰 Este es un contenido promovido por el Programa de apoyo a la divulgación científica de Cuatroochenta480 https://cuatroochenta.com/programa-de-apoyo-a-la-divulgacion-cientifica/ 🔰 👉 FrontierMath : Open Problems https://epoch.ai/frontiermath/open-problems/ 👉 GPT 5.2 resultado en física teórica https://openai.com/es-ES/index/new-result-theoretical-physics/ 👉 Claude's cycle https://www-cs-faculty.stanford.edu/~knuth/papers/claude-cycles.pdf 👉 Autoresearch Andrej Karpathy https://github.com/karpathy/autoresearch --- ¡MÁS DOTCSV! ---- 📣 DotCSV Lab - ¡Canal Secundario! https://www.youtube.com/c/notcsv 💸 Patreon : https://www.patreon.com/dotcsv 👓 Facebook : https://www.facebook.com/AI.dotCSV/ 👾 Twitch!!! : https://www.twitch.tv/dotcsv 🐥 Twitter : https://twitter.com/dotCSV 📸 Instagram : https://www.instagram.com/dotcsv/ ## Содержание ### [0:00](https://www.youtube.com/watch?v=GOhMh__Z4xI) Segment 1 (00:00 - 05:00) Este vídeo es posible gracias al patrocinio de 480. ¿Puede la inteligencia artificial generar nuevo conocimiento científico? Acelerar la ciencia. Todos los líderes de empresas de inteligencia artificial llevan años vendiendo este sueño. Por ejemplo, fue Darío Amodei quien introdujo en su ensayo Machines of Loving Grace el concepto de país de genios en un data center. Refiriéndose a como con la evolución de los modelos actuales en un futuro tan temprano como en el año 2026, este año podríamos tener alojados en data centers a modelos de inteligencia artificial tan potentes como serían las mentes más brillantes en cada área del conocimiento. Y sé que es una utópico, pero no se aleja lo que líderes de otras empresas tecnológicas pues también han ido diciendo. Y la realidad es que algo está sucediendo. Y en el vídeo de hoy os quiero enseñar cuáles son esas señales que yo identifico que apuntarían hacia que ya contamos con inteligencias artificiales que son lo suficientemente potentes como para poder generar nuevo conocimiento científico e incluso acelerar la ciencia. Y de hecho, voy a empezar por esto último, acelerar la ciencia, porque la realidad es que no hace falta irnos a modelos que creen nuevo conocimiento para ver el impacto real que está teniendo la IA en la aceleración de la ciencia. Para los investigadores, modelos de lenguaje como los que tenemos, pues ya agilizan la búsqueda y lectura de bibliografía, la generación de figuras para artículos científicos, ya sea utilizando código o también a través de modelos de imágenes como nanobanana. E incluso para un científico que trabaje con datos y que quizás no tenga un conocimiento tan profundo de las mejores prácticas programando, ahora cuentan con modelos de programación agénticas que aceleran enormemente su capacidad de investigación. Esta es una realidad en la que ya desde hace un par de años pues los científicos e investigadores se vienen apoyando el uso de modelos del lenguaje y que como vemos agiliza mucho la labor investigadora. Vamos a llamar a este primer nivel el nivel del uso de la IA para asistencia científica. Esto de por sí ya es un avance, pero todos nosotros sabemos que el papel que juega la inteligencia artificial a la hora de ayudar en ciencia, pues va mucho más allá. Y es que sabemos que desde hace años se ha venido aprovechando el potencial de aprendizaje de patrones de las redes neuronales para entrenar modelos específicos que ayudan a resolver problemas fundamentales en ciencia. El ejemplo más sonado pues sería el de Alpha Fall, donde se entrenó una IA para que aprendieran los patrones del plegado tridimensional de proteínas, pero también hemos visto casos donde se entrenan modelos metrológicos para poder hacer predicciones más rigurosas de la evolución del clima o modelos de predicciones de propiedades físicas para el descubrimiento de nuevos materiales o modelos que simulan la estabilización del plasma en reactores de fusión, etc. Realmente en este nivel pues no paramos de ver también avances significativos a la hora de entrenar modelos específicos que resuelven tareas concretas y que ayudan a impulsar también la investigación científica. A este nivel lo podemos denominar el uso de la IA para modelado científico. Y de nuevo el impacto es enorme, suficiente como para otorgarle al uso de estas herramientas la mayor de todas las condecoraciones científicas. Y aún así, hoy nos vamos a centrar en algo más importante, algo que en Big 2026 se está convirtiendo ya en una realidad y que a mi gusto se convierte en la más ambiciosa de todas las categorías de uso de la IA en ciencia. el uso de la IA para el descubrimiento del conocimiento frontera, es decir, descubrir nuevo conocimiento. Y en este nivel ya no hablamos de entrenar a modelos específicos para resolver un problema concreto, sino que estamos hablando de los modelos de lenguaje que todos utilizamos, Chat, GPT, Cloud Gemini, modelos open source, que al mismo tiempo que a ti te sirve para preguntarle por octava vez esa receta de la carbonara, en otros ámbitos como la investigación científica están causando una disrupción. Y es que mes tras mes sus capacidades fronteras no han dejado de mejorar. Y es que pensadlo, en 2023 con la salida de Chat GPT, pues todos estábamos de acuerdo en dos cosas. Uno, wow, esto es una tecnología impresionante. Y dos, pero es tontísima a la hora de hacer matemáticas. Y es que sí, los modelos del lenguaje, a pesar de ser algoritmos computacionales, no eran capaces de hacer bien ni las multiplicaciones más básicas. Sin embargo, fue con la llegada del reinforcement learning en los modelos razonadores que ahora podemos entrenar la inteligencia artificial para que aprenda a utilizarse mejor a sí mismo, permitiéndole descubrir aquellas estrategias [música] y aquellas heurísticas útiles que puedan impulsar sus capacidades a niveles sobrehumanos. Y el resultado es que ya en 2025 pues estos modelos razonadores sorprendieron a todos cuando tanto Google como Open AI declararon haber ganado las olimpiadas matemáticas internacionales utilizando simplemente a sus modelos de lenguaje ### [5:00](https://www.youtube.com/watch?v=GOhMh__Z4xI&t=300s) Segment 2 (05:00 - 10:00) insignias y lo cual se convirtió en todo un hito para la inteligencia artificial. un logro que no acababa ahí, porque realmente es ahora a inicios de 2026 cuando la cosa se está poniendo verdaderamente interesante. ¿Cómo saber si la inteligencia artificial es capaz de generar nuevo conocimiento? Bueno, parecería que la respuesta es obvia, ¿no? Le damos un problema que sepamos que no está resuelto y si lo resuelve, voá, nuevo conocimiento. Y esto idealmente sería así, pero en los últimos meses hemos tenido problemas, ya que hemos visto casos donde dejar a uno de estos asistentes resolver un problema abierto, pues nos llevaba una solución correcta, bien, pero que luego una vez teníamos la solución y se revisaba cómo la IA lo había resuelto, pues ha encontrado que lo que parecía un resultado original pues realmente era una búsqueda en profundidad de la literatura, donde a lo mejor parte de la solución sí existía, pero no estaba bien documentada o estaba oculta en papers de hace décadas que estaban en otros idiomas. y que a diferencia de los humanos, pues la IA había sabido encontrar perfectamente. Claro, esto realmente no desmerece el trabajo que ha hecho la IA, que en realidad es impresionante. Ha sabido conectar fuentes de conocimiento que no estaban conectadas para darnos una solución al problema planteado. Pero esto nos obligaría a colocar a este sistema más en el nivel de uso de la IA para asistencia científica más que para el descubrimiento de conocimiento frontera, porque el conocimiento ya existía. Así que si realmente queremos evaluar si Chat GPT o Gemini es capaz de generar este nuevo conocimiento, realmente necesitamos una estrategia más rigurosa. Y ahí es donde entra la iniciativa First Proof, una iniciativa que recopiló el pasado mes de enero 10 problemas matemáticos que recientemente habían sido resueltos por investigadores en sus propios proyectos de investigación, pero que aún no habían sido publicados, es decir, problemas abiertos de investigación para los que solo ellos conocían cuál era la respuesta. y además soluciones que se verificaron rigurosamente que no estuvieran publicadas en ningún otro lugar. El objetivo de esta iniciativa pues publicar los enunciados de estos problemas y dar un plazo de una semana para que cualquier laboratorio, cualquier organización utilizara sus métodos, sus inteligencias artificiales para presentar una solución. Bueno, 10 soluciones, una por cada problema, ya me entendéis. Tras 7 días, todas las soluciones reales serían públicas. [música] Y con esto, pues podríamos comprobar si la inteligencia artificial está o no está a la altura de poder resolver problemas matemáticos de investigación reales. Y sin embargo no fueron ni uno, ni dos ni tres, sino seis de los 10 problemas los que en este caso el sistema de Google consiguió resolver. El sistema que lo resolvió Alecella es un nuevo agente de investigación matemática que usando a Yemini Deep Think como motor de razonamiento consigue trabajar autónomamente para, dado un problema, generar soluciones candidatas, verificar su correctitud y, en caso de que la solución no sea correcta, que no pase la verificación, plantear arreglos de forma iterativa, un bucle donde canjear computación por tiempo de trabajo cognitivo al máximo nivel y demostrando que sí, que los LLMs actuales, por mucho que se haya dicho que no, sí tienen la capacidad actualmente de poder resolver tareas agénticas de investigación con resultados novedosos. De hecho, tal es el caso que incluso los benchmarks más exigentes a nivel de matemáticas, como sería Frontier Math, mes tras mes y modelo tras modelo durante el último año, no ha dejado de ser conquistado hasta el punto de que el equipo tras Frontier Mathin nuevo nivel de su benchmark, Frontier Math, Open Problems. Ahora sí, una recopilación de problemas matemáticos no resueltos que han resistido intentos serios de resolución por parte de matemáticos profesionales y de los que a día de hoy no conocemos sus soluciones y problemas cuyas categorías van desde moderadamente interesante, resultado sólido, avance importante e hito revolucionario y que al menos a fecha de redacción de este guion todavía no ha visto ninguno de estos problemas resueltos. Y de hecho, [música] esto ya tampoco es cierto. Esto es lo rápido que avanza la inteligencia artificial, que al momento de escribir el guion y al momento de grabar el vídeo, pues ya se ha declarado que posiblemente uno de estos problemas ya ha sido resuelto. Ya lo [música] veis, esta es la liga en la que juegan aquellos loros estocásticos que hace solo 3 años pues no sabían ni multiplicar. Pero ojo, [música] porque la cosa no va solo de matemáticas, ya que una cosa que se ha comprobado es que al mismo tiempo que la IA empezó a escalar el año pasado en los benchmarks más exigentes de matemáticas, pues también ha habido una correlación directa con el aumento en sus capacidades también en otros campos de estudio como la física. Y al final tiene sentido, las matemáticas son una herramienta potentísima que permiten avanzar a otras áreas del conocimiento, con lo cual cualquier avance que haga la inteligencia artificial en matemáticas, pues va a impactar a otras [música] áreas. De hecho, esto es algo que se ilustra muy bien con la siguiente noticia en la que en el pasado mes de febrero Open EI publicó un preprint colaboración con otras universidades donde gracias a GPT5. 2 Pro habían conseguido derivar un nuevo resultado ### [10:00](https://www.youtube.com/watch?v=GOhMh__Z4xI&t=600s) Segment 3 (10:00 - 15:00) general útil para la física. Y aquí no es que realmente la IA se haya inventado una nueva teoría desde cero, [música] sino que desde las hipótesis planteadas por los investigadores humanos y sus cálculos para casos iniciales, algo que acaba produciendo pues expresiones que son muy largas y muy complicadas, pues el modelo con sus capacidades matemáticas consiguió detectar un patrón y proponer una expresión general válida. Una vez se verificaron las fórmulas, el resultado de la IA para este trabajo de física era correcto. Y otro ejemplo reciente, en Ciencias de la computación, donde de nuevo las matemáticas juegan un papel fundamental. Aquí fue el reconocido investigador Donald Noof, pionero de la informática teórica galardonado con el premio Turing, quien compartía recientemente su sorpresa al ver que uno de los problemas que él había planteado pues había sido resuelto por Clodus 4. 6, que tras estar explorando varias formulaciones, pues acabó llegando a una solución más general para el problema que él planteaba, una solución para los casos impares, que en este caso era correcta. En palabras de Donald empieza el artículo diciendo shock y donde comentaba que debería de revisar sus opiniones sobre la IA Generativa. [música] Pero es que de hecho esta historia sigue avanzando porque el factor mediático de esta noticia pues atrajo a más público y a más modelos. Y si Donald ya estaba sorprendido al haber encontrado una solución general para los casos impares, días más tarde aparecieron también soluciones para los casos [música] pares. Labor conseguida con GPT5. 3 Codex y a la que posteriormente GPT5. 4 4 Pro, pues acabo de ponerle el lacito al producir un artículo de 14 páginas con la demostración matemática de por qué estos métodos funcionaban. De nuevo, avances y más avances automatizados por la [música] IA. Y quiero que os deis cuenta de una cosa relevante que podemos destilar de todos los ejemplos que estamos viendo y es que hay un patrón que se repite. En todos estos casos la IA no deriva un resultado nuevo directamente, sino que muchos de ellos, pues tienen un proceso iterativo de varios pasos y a veces de varios modelos donde la IA va acercándose cada vez a mejores soluciones. Un proceso de investigación científica iterativo. Y esto me lleva al último ejemplo que os quiero enseñar para terminar de demostrar mi punto. el investigador autónomo de machine learning de Andrew Carpacy. Porque el avance de los modelos de lenguaje durante el 2025 no solo se ha centrado en las mejoras de razonamiento, las mejoras matemáticas, sino también en su capacidad de hacer cosas [música] a través del código, capacidades de programación agéntica. Y no sé cómo hacer el suficiente hincapié en la verdadera revolución que estamos viviendo con los modelos agénticos de programación en el mundo del software. Modelos que todavía son imperfectos y que tienen margen de mejora, pero que son lo suficientemente buenos como para ver puesto al sector de la programación patas arriba, aumentando la productividad de forma real y redefiniendo lo que una persona y una máquina pueden construir en el plano [música] digital. Y de nuevo, al igual que ocurría con las matemáticas, la capacidad de poder resolver problemas a través de la programación es una habilidad que en ciencia es transversal y Andrew Carpacy ha querido demostrarlo. En concreto, la idea aparte de su proyecto [música] Nanocha, un repositorio de código que él comparte con una implementación mínima de cómo son todas las etapas de entrenar a un modelo tipo Chat GPT. Y aquí viene lo interesante. Él contaba con este repositorio donde él había estado optimizando todo el stack, todo el proceso de entrenar a una inteligencia artificial para reducir ese coste en computación. Y ahora él se planteó, "Oye, [música] ¿y si en vez de seguir yo optimizando este código dejo que sea una inteligencia artificial un agente que mirando esta métrica pues vaya trabajando sobre el código para ir optimizándola y bajando los tiempos? Para ello, la gente se puede servir como cualquier investigador del uso del ordenador. Puede proponer cambios en el código, puede lanzar experimentos cortos de entrenamiento, evaluar si el resultado mejora y conservar solo aquellas modificaciones que realmente aporten. Las conclusiones de este experimento, esta gráfica de aquí, donde [música] se puede ver cómo la inteligencia artificial ha ido encontrando mejoras, como haría un ingeniero, iterativamente bajando el tiempo más y más. Mejoras que se optimizan el tiempo pasando de 2 horas a 1,8, una mejora del 10% y que Carpaccia ha podido comprobar se pueden transferir a otras arquitecturas. En sus palabras dice sí, estos son mejoras reales y marcan una diferencia de verdad. Me sorprende ligeramente que mi primer intento ingenuo haya funcionado tamban bien sobre lo que yo pensaba era un proyecto bastante bien optimizado manualmente. Esto es una novedad para mí porque estoy muy acostumbrado a hacer manualmente la optimización iterativa del entrenamiento de redes neuronales. Se te ocurren ideas, las implementas, compruebas [música] si funcionan, a partir de ahí generas nuevas ideas, lees algunos papers para inspirarte. Ese es el pan de cada día de lo que llevo haciendo durante dos décadas. y ver a la gente realizar todo ese flujo de trabajo trabajando de principio a fin en aproximadamente unos 700 cambios de forma autónoma es salvaje. ### [15:00](https://www.youtube.com/watch?v=GOhMh__Z4xI&t=900s) Segment 4 (15:00 - 17:00) Y esto es similar a lo que ya en el pasado ofrecían herramientas como AutoML, pues para optimizar el proceso de diseñar inteligencia artificial, búsqueda de hiperparámetros, búsqueda de mejores arquitecturas, pero a lo bestia. Os lo conté el año pasado en el vídeo sobre la AGI. Fijaos dónde estamos viendo los grandes avances científicos. programación, matemáticas, entrenamiento de inteligencia artificial automático, todo campos que impactan directamente muchas áreas del conocimiento y que ayudan a impulsar la ciencia, pero que también tienen otro efecto acelerador en el propio proceso de entrenar a mejores modelos de inteligencia artificial, modelos que serán más potentes, más avanzados y cuyos resultados servirán aún mejor para impulsar el avance científico de matemáticas, programación y claro que repercutirá de nuevo en el entrenamiento. ento de mejores modelos, más potentes, más avanzados y este proceso en bucle, en un bucle de retroalimentación enorme. Me gusta llamarle el gran bucle y es el gran bucle que todos los grandes laboratorios se han propuesto cerrar para los próximos 2 años, porque la carrera de tener la inteligencia artificial más potente, nada te acelera más que impulsarte sobre tus propios avances. Este es un fenómeno que ya está ocurriendo. Las mejoran capacidades de los modelos ya permiten utilizarlos en el propio proceso de creación y más aún cuando cuentas con la computación suficiente para colocar no solo a uno o a dos de estos agentes investigadores, sino que como decía Darío Amodei en un principio, aspiramos con contar con un país de genios en un data center. Hasta aquí el vídeo de hoy, chicos y chicas. Espero que os haya gustado. Creo que estamos viviendo una fase que es interesantísima. Estamos en este punto que tantos hemos soñado durante años, donde la inteligencia artificial ya puede encargarse de generar [música] este nuevo conocimiento científico y estamos en una fase de despegue que no para. De hecho, [música] para ilustrarlo, pues todas estas noticias que hemos recogido en el vídeo de hoy han ocurrido en una franja de 2 tr meses como máximo. Esta es la situación actual con la que nos encontramos con la inteligencia artificial y a esto le vamos a estar poniendo el foco durante todo este año aquí en este [música] canal en Dotsv. Ah, bueno, el avance de la inteligencia artificial, cómo está impactando es ciencia, cómo está cambiando el mundo. Si te ha gustado el vídeo, no dejes de suscribirte. Os dejo por aquí un par de vídeos más que podéis ojear. agradecer a 480 haberse convertido en el patrocinador oficial de Dotsv durante todo este año que va a permitir que pueda sacar más vídeos aquí en este canal. [música] Y seguimos con toda la información y con toda la actualidad aquí y también en el canal [música] secundario DCSVLAB. Muchas gracias. Vamos a poderoso --- *Источник: https://ekstraktznaniy.ru/video/51163*