También puedes escuchar este capítulo en Spotify y Apple Podcasts.
🧠 Si quieres profundizar en estas ideas, puedes consultar el Curso Avanzado de Pensamiento Crítico y la Biblioteca Polymata.
En el capítulo anterior llamé inteligencia a la capacidad de alcanzar objetivos en una amplia variedad de entornos. Quería averiguar si las IAs ya eran tan inteligentes como nosotros y llegué a la conclusión de que todavía no. Los humanos seguimos siendo mejores cuando el trabajo es nuevo, se alarga en el tiempo o está mal definido. Una IA puede completar muy bien las tareas que le encargamos y, aun así, perder de vista el objetivo que perseguíamos con ellas.
Me pasa con ChatGPT. Todavía no puedo dejar un proyecto importante a su cargo y despreocuparme por completo. Algo que sí podría hacer con un empleado bien formado.
Para llegar a ese punto, tendría que aprender de cada experiencia de trabajo conmigo y utilizar lo aprendido en sus decisiones siguientes. Y cuando mis instrucciones sean incompletas, tendrá que saber hacerme las preguntas adecuadas. Además, si alguna petición no tiene sentido, tendrá que decírmelo.
A septiembre de 2026, ChatGPT todavía no puede hacerse cargo de un proyecto largo con ese grado de autonomía aunque esto podría cambiar pronto. Lo que quiero comprender ahora es si existe alguna capacidad intelectual que sea inalcanzable para las máquinas.
Empezaré por la creatividad porque es una sospechosa habitual. Cuando nadie sabe cómo alcanzar un objetivo, hay que idear soluciones nuevas. Si una IA fuera incapaz de hacerlo, habríamos encontrado un límite real a su inteligencia.
¿Puede una IA crear de verdad?
Las IAs actuales pueden proponer cincuenta títulos para un capítulo en unos pocos segundos y con un poco de suerte, alguno estará bien. Eso es creatividad. Pero muy básica. Lo que quiero saber es si una IA podría realizar descubrimientos científicos nuevos y explicarlos.
¿Podría una IA descubrir la relatividad general si Einstein no lo hubiera hecho?
Para comprobarlo, tendríamos que entrenarla sin información posterior a la época en que Einstein empezó a investigar la gravedad. La IA conocería la física de Newton y la relatividad especial, pero nadie le explicaría que el espacio-tiempo puede curvarse. Tendría que darse cuenta de que la gravedad de Newton no encajaba con la relatividad especial y encontrar una explicación mejor.
La prueba también tendría que permitirle pedir ayuda. Einstein recurrió al matemático Marcel Grossmann, que lo ayudó con la geometría de Riemann. Entre finales de 1912 y comienzos de 1913 trabajaron con unas ecuaciones muy cercanas a las que Einstein publicaría al final. Pero él descartó ese camino porque pensó que no funcionaba. Volvió a él casi tres años después y, en noviembre de 1915, llegó a las ecuaciones finales.
¿Puede una IA descubrir algo que no le hemos enseñado?
No podemos hacer la prueba de Einstein con ChatGPT porque ya conoce la relatividad general. Pero sí se ha hecho algo similar a pequeña escala. En marzo de 2026, un equipo de la Universidad Brown publicó un estudio preliminar sobre Albert, un sistema diseñado para construir teorías de física de partículas.[1]
En 2025 entrenaron a Albert desde cero para evitar que conociera el modelo estándar de la física (la teoría que describe las partículas conocidas y sus interacciones). Después le dieron las partículas conocidas antes de 1990 y una medición posterior. Su teoría tenía que explicar esa medición, así que Albert debía averiguar si faltaba alguna partícula.
Según el estudio, Albert dedujo las tres partículas que los investigadores habían omitido: el quark top, el neutrino tau y el bosón de Higgs. Para el quark top predijo una masa de 179 gigaelectronvoltios. El valor que medimos hoy ronda los 173. Los investigadores conocían la respuesta, pero el modelo no la había recibido.
Albert no podía inventar cualquier teoría posible. Antes de entrenarlo, los investigadores habían descrito la física de partículas con unas doscientas piezas y unas reglas para combinarlas. Albert solo podía construir teorías con esas piezas. Después, los investigadores puntuaban cada teoría según dos criterios: que respetara las reglas físicas y que explicara la medición que le habían dado.
Aun así, nadie le había dado la teoría que terminó construyendo. ¿Fue creativo?
El físico David Deutsch (al que dediqué una serie en este podcast) llama creatividad a la capacidad de producir explicaciones nuevas. Esas explicaciones siempre pueden contener errores, así que las criticamos y las corregimos.[2]
Yo le reconocería a Albert una forma limitada de creatividad científica. Construyó una teoría nueva y la contrastó con los datos empíricos.
Es cierto que su creatividad seguía dependiendo de las instrucciones humanas. Y esa es una objeción que tiene casi dos siglos. En 1843, la matemática Ada Lovelace escribió sobre la máquina analítica de Charles Babbage, un proyecto de máquina mecánica programable. Lovelace sostenía que una máquina solo podía hacer aquello que los humanos supiéramos ordenarle y que no podía crear nada nuevo por sí misma.[3]
Albert hizo lo que sus creadores le habían permitido hacer. Aun así, las instrucciones no contenían la teoría final. Los investigadores habían fijado qué debía cumplir una buena teoría y Albert acabó añadiendo el quark top porque así explicaba mejor la medición.
Los investigadores también eligieron el problema. Albert no decidió qué merecía la pena investigar.
¿Puede una IA explicar por qué ocurre algo?
Que otros eligieran el problema no le quita creatividad a Albert. A muchos científicos les ocurre lo mismo. Una universidad o una empresa les encarga una cuestión concreta. Albert construyó una teoría sobre el mundo, así que yo diría que produjo una explicación.
Pero una IA también puede encontrar una solución a un problema sin explicar por qué funciona. Un grupo de microbiólogos puso a prueba Co-Scientist, un sistema de IA diseñado para generar hipótesis científicas. Le preguntaron cómo podían unos fragmentos de ADN pasar de una especie de bacteria a otra.[4]
Los investigadores ya conocían la respuesta porque llevaban años estudiando ese proceso, pero todavía no la habían publicado. El encargo que recibió Co-Scientist ocupaba una sola página y destacaba dos artículos relacionados. No incluía los resultados de sus experimentos.
Los virus que infectan bacterias utilizan una cola para introducir su material genético. Cada tipo de cola permite que el virus entre en unas bacterias y no en otras. Co-Scientist propuso que los fragmentos de ADN podían pasar de una especie de bacteria a otra utilizando colas de virus diferentes.
Los experimentos que el grupo todavía no había publicado respaldaban precisamente esa explicación. Si los fragmentos pasaban de una especie a otra sin utilizar las colas, Co-Scientist se había equivocado.
Deutsch llama “difícil de modificar” a una explicación así. Las colas no eran un adorno que pudiéramos sustituir por cualquier otra cosa. Determinaban en qué bacterias podía entrar el material genético.
La palabra “recombinar” tampoco resuelve la cuestión. Toda explicación nueva utiliza conocimientos anteriores. Einstein tampoco creó la relatividad general de la nada. Co-Scientist utilizó conocimientos públicos y propuso el mismo mecanismo que los investigadores habían descubierto en el laboratorio y todavía no habían publicado.
Yo lo consideraría un caso limitado de creatividad explicativa. La verdad, no creo que estos sistemas sean incapaces por diseño de producir explicaciones nuevas. Como con Albert, los investigadores eligieron el problema. Eligieron el objetivo.
Elegir qué investigar tampoco me parece una frontera muy sólida. Ya existen agentes que proponen ideas de investigación y ejecutan experimentos en campos acotados. Podríamos darle a uno un campo entero y pedirle que buscara una pregunta que mereciera la pena investigar.
Claro que necesitaría algún criterio para elegir. Podríamos pedirle que diera prioridad al bienestar humano. A partir de ese valor podría elegir un objetivo amplio, como reducir la ceguera, y después un problema concreto que investigar. Los humanos tampoco escogemos nuestros objetivos desde la nada. Dependen de lo que valoramos, de lo que necesitamos y de los problemas que otros nos encargan.
Y ahí volvemos al capítulo anterior. Elegir un objetivo puede resolverse en una conversación. Para hacerse cargo de una investigación durante semanas, cada experimento tendría que influir en la decisión siguiente. Si descubriera que la pregunta estaba mal planteada, tendría que cambiarla sin olvidar lo aprendido. Si se limitara a responder al último dato, ya no estaría continuando el mismo proyecto.
50 LIBROS PARA COMPRENDER EL MUNDO
¿Quieres que te guíe en el camino hacia la polimatía? Si no quieres comprar ni un libro mediocre más, si quieres leer solo los grandes libros y aprovechar al máximo tus lecturas y además deseas compartir este viaje con otros aprendices de polímata, la Biblioteca Polymata fue creada para ti.
¿Qué hizo Robin con el primer resultado?
FutureHouse creó Robin para comprobar si una IA podía continuar una investigación después de recibir resultados nuevos. En su primer proyecto publicado, Robin buscó posibles tratamientos para la degeneración macular seca, una de las principales causas de ceguera irreversible.[5]
El equipo empezó por indicarle qué enfermedad debía investigar. Robin revisó centenares de artículos y se fijó en unas células que retiran los restos que dejan los fotorreceptores (las células que captan la luz). En la degeneración macular seca, esas células limpian peor la retina. Robin propuso buscar un medicamento que las ayudara a recuperar esa función.
Después seleccionó treinta compuestos que podían ayudar y los ordenó según la evidencia a favor de cada uno. Los investigadores revisaron la lista y probaron cinco en células cultivadas. Uno de ellos hizo que las células retirasen más residuos.
Para averiguar por qué funcionaba, Robin propuso medir qué genes cambiaban su actividad después de administrar el compuesto. Los investigadores hicieron el experimento y le devolvieron los datos. Robin encontró que había aumentado la actividad de un gen que ayuda a expulsar colesterol y otros lípidos de las células de la retina.
Con los datos del primer experimento, Robin preparó una segunda lista de medicamentos. Los investigadores probaron diez. Entre ellos destacó el ripasudil, que ya se utiliza en Japón para tratar el glaucoma. Funcionó mejor que el primer compuesto y también mejoró la limpieza en células de la retina procedentes de una persona mayor de sesenta años. Según los autores, nadie había propuesto hasta entonces utilizarlo contra la degeneración macular seca.
El ripasudil sigue siendo solo un candidato porque los experimentos se hicieron con células, no con pacientes. Desde que el equipo concibió Robin hasta que envió el artículo pasaron unos dos meses y medio. Durante ese tiempo, el resultado de una ronda sirvió para preparar la siguiente. Pero Robin no podía ejecutar los experimentos. Cada vez que proponía uno, una persona tenía que entrar en el laboratorio y hacerlo.
¿Quién se hizo cargo del proyecto?
Hoy parte de la intervención humana ya puede automatizarse. En febrero de 2026, OpenAI y Ginkgo Bioworks presentaron un estudio preliminar en el que GPT-5 diseñó seis rondas de experimentos para abaratar la producción de una proteína. Unos robots de laboratorio ejecutaban cada ronda, recogían los resultados y se los devolvían al modelo. GPT-5 utilizaba esos datos para preparar la siguiente. Al final encontró una mezcla que reducía un 40 % el coste por gramo de proteína frente a la mejor fórmula publicada hasta entonces.[6]
GPT-5 no lo hizo todo solo. Antes de empezar, el equipo de Ginkgo había escrito los protocolos y había definido qué ingredientes podía modificar el modelo y dentro de qué límites. Durante los experimentos, los técnicos preparaban y cargaban los reactivos. Aun así, el grado de autonomía fue espectacular.
Robin necesitó más ayuda humana. Para el primer experimento propuso utilizar células de la retina procedentes de pacientes o creadas a partir de células madre, junto con fragmentos reales de los fotorreceptores. Pero no estaba trabajando con el inventario ni con las restricciones prácticas del laboratorio. El equipo eligió unas células más fáciles de cultivar y unas partículas fluorescentes que ya tenía disponibles. Así podía comprobar antes si la idea de Robin funcionaba.
Robin tampoco convirtió su propuesta en un protocolo detallado. Los investigadores escribieron los pasos del experimento. Cuando obtuvieron los datos, le indicaron qué tipo de análisis querían. Robin hizo ese análisis y utilizó el resultado para decidir qué investigar a continuación.
Y cuando el ripasudil funcionó, el equipo decidió que era suficientemente prometedor para cerrar el proyecto. Robin no eligió las sustituciones del primer experimento ni decidió cuándo había llegado el momento de parar.
Entonces, ¿hay algo que una IA nunca podrá hacer?
No lo sabemos. Robin y GPT-5 enlazaron varias rondas, pero ninguno se hizo cargo de una investigación completa. Robin no pudo adaptar por sí solo el experimento al laboratorio. Así que todavía no tenemos una inteligencia artificial general comparable a la humana.
Aun así, no he encontrado una razón convincente para pensar que una máquina nunca pueda crear explicaciones, elegir objetivos o mantener un proyecto en el tiempo. David Deutsch cree que una IA podría llegar a ser creativa porque el cerebro también es un objeto físico. Si el cerebro crea explicaciones mediante procesos físicos, no conocemos ninguna ley que impida reproducir esos procesos en otro soporte.
Pero eso no nos dice cómo construir una máquina capaz de hacer lo que hizo Einstein. Puede que los modelos actuales lleguen hasta ahí cuando puedan recordar y aprender durante meses. También puede que necesitemos un tipo de sistema distinto. Hoy no lo sabemos. Mi intuición es que acabaremos construyendo una máquina capaz de crear explicaciones y hacerse cargo de proyectos largos.
Referencias
- Stephon Alexander, Benjamin Bradley, Loukas Gouskos y Cooper Niu (2026), Autonomous Discovery of Particle Physics Theories from Experimental Data. arXiv:2603.28935
- David Deutsch (2011), The Beginning of Infinity: Explanations That Transform the World. Desarrolla la creatividad como capacidad de producir explicaciones nuevas y el criterio de las explicaciones difíciles de modificar. Extracto del libro
- Ada Lovelace (1843), notas a Sketch of the Analytical Engine Invented by Charles Babbage. En la nota G formula la objeción sobre la incapacidad de la máquina para originar algo por sí misma. Texto completo
- Juraj Gottweis et al. (2026), Accelerating scientific discovery with Co-Scientist, Nature. El estudio incluye la reproducción de un mecanismo todavía no publicado de transferencia genética entre bacterias. Nature
- FutureHouse et al. (2026), A multi-agent system for automating scientific discovery, Nature. Describe el trabajo iterativo de Robin sobre la degeneración macular seca y los experimentos con ripasudil. Nature
- OpenAI y Ginkgo Bioworks (2026), GPT-5 lowers the cost of cell-free protein synthesis. Describe seis ciclos de experimentos en un laboratorio automatizado y una reducción del 40 % en el coste de producción. OpenAI
Deja una respuesta