MIT explicó cómo la inteligencia artificial y las ciencias matemáticas y físicas se refuerzan mutuamente

El MIT ha explicado cómo la inteligencia artificial y las ciencias fundamentales pueden fortalecerse mutuamente en lugar de desarrollarse por separado. Según el profesor Jesse Thaler, la siguiente etapa de la IA depende no solo de la implementación de modelos en la ciencia, sino también de cómo la propia ciencia ayudará a entender, mejorar y controlar estos sistemas.

La Lógica de un Puente Bidireccional

La conversación fue motivada por el taller AI+MPS que el MIT realizó en 2025 junto con investigadores de física, matemática, química, ciencia de materiales y astronomía. De estas discusiones surgió un white paper con recomendaciones para universidades, investigadores y agencias de financiamiento, posteriormente publicado en la revista Machine Learning: Science and Technology.

La conclusión principal: la IA ya debe mucho a las ciencias matemáticas y físicas, porque proporcionaron los problemas complejos, datos de alta calidad e ideas sobre las cuales se construyeron los métodos modernos de aprendizaje automático.

Thaler propone ver la conexión de manera más amplia. No se trata solo de que las redes neurales ayuden a encontrar nuevos materiales, analizar datos de colisionadores o resolver problemas matemáticos. Los enfoques científicos también pueden mejorar la propia IA: explicar el comportamiento de los modelos, sugerir nuevas arquitecturas y hacer que los sistemas sean más manejables.

El MIT cree que en la intersección de estos dos mundos se está formando actualmente un campo separado que influirá tanto en el ritmo de los descubrimientos científicos como en la calidad de los futuros sistemas inteligentes.

"Esto debe ser un movimiento en ambas direcciones."

Lo Que la Ciencia Aporta a la IA

El MIT llama a esto la science of AI — una perspectiva científica sobre los propios sistemas inteligentes. En su artículo, Thaler lo divide en tres direcciones: la ciencia como fundamento para la IA, la ciencia como fuente de nuevos algoritmos y la ciencia como herramienta para explicar cómo funcionan los modelos.

Para las disciplinas fundamentales, esto no es teoría abstracta sino una ruta práctica que puede simultáneamente acelerar descubrimientos y mejorar la confiabilidad de la IA, especialmente donde se espera que los modelos no solo sean precisos sino también interpretables.

De las discusiones de cinco comunidades científicas surgió rápidamente un consenso: el puente entre la IA y la ciencia no puede construirse a través de laboratorios separados o experimentos aislados. Se necesitan condiciones comunes que funcionen en diferentes disciplinas y se apoyen sostenidamente a nivel institucional.

Los participantes del taller redujeron este conjunto básico a varias prioridades prácticas importantes para universidades, agencias de financiamiento y equipos de investigación:

• inversiones en infraestructura computacional e infraestructura de datos;
• métodos de investigación interdisciplinarios;
• capacitación más rigurosa de especialistas en la intersección de campos;
• apoyo a largo plazo para proyectos donde la IA y la ciencia se desarrollan juntas.

Un ejemplo separado es la física de altas energías. Allí, los investigadores construyen algoritmos en tiempo real para manejar el flujo de datos de los colisionadores. Tales soluciones son necesarias para descubrir nueva física, pero luego pueden extenderse mucho más allá de una sola disciplina e influir en el stack de IA más amplio. La lógica aquí es simple: cuanto más riguroso es el problema científico, mayor es la probabilidad de que los métodos creados para él resulten útiles en otras áreas, desde el procesamiento de señales hasta el entrenamiento de modelos más eficiente.

Personal y Estrategia en el MIT

La segunda tesis transversal es que los modelos y la computación por sí solos no son suficientes. Para un progreso real, necesitamos personas que se sientan igualmente confiadas en computación y en su disciplina científica. Thaler las llama "científicos-centauros."

No se trata de raros individuos universales sino de capacitación sistemática: desde cursos integrados para estudiantes hasta programas de doctorado interdisciplinarios, contratación conjunta de profesores y posiciones posdoctorales especiales donde los jóvenes investigadores puedan trabajar entre campos sin penalización en sus carreras por tal hibridez.

El MIT cree que ya tiene parte de esta infraestructura. Thaler cita a IAIFI, el instituto A3D3 y programas universitarios que enseñan a los estudiantes a ser "bilingües" en computación y en su especialidad base como ejemplos.

Un énfasis particular está en el enfoque sistémico: las universidades que coordinen contratación, educación, recursos computacionales y financiamiento de investigación como una estrategia unificada se beneficiarán. Como señal de este enfoque, el MIT ya ha lanzado la primera búsqueda conjunta de profesores entre el Schwarzman College of Computing y el Departamento de Física.

Lo Que Esto Significa

Desde la posición del MIT, queda claro que la siguiente ola de IA está cada vez más vinculada no solo a productos y escalado de modelos sino a la ciencia fundamental. Para el mercado y las universidades, esta es una señal: la ventaja competitiva pertenecerá cada vez más a quienes saben combinar algoritmos, experiencia científica, datos, infraestructura y capacitación de equipos interdisciplinarios.