MIT explica cómo la inteligencia artificial y las ciencias matemáticas y físicas pueden reforzarse mutuamente

MIT ha formulado cómo la inteligencia artificial y las ciencias fundamentales pueden reforzarse mutuamente en lugar de desarrollarse por separado. Según el profesor Jesse Thaler, la siguiente etapa de la IA no depende solo de incorporar modelos a la ciencia, sino también de hasta qué punto la propia ciencia ayude a entender, mejorar y controlar estos sistemas.

La lógica de un puente de doble sentido

El punto de partida fue el taller AI+MPS, que MIT celebró en 2025 con investigadores de física, matemáticas, química, ciencia de materiales y astronomía. De esos debates surgió un white paper con recomendaciones para universidades, investigadores y entidades financiadoras, publicado después en la revista Machine Learning: Science and Technology.

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

Thaler propone mirar esa relación con mayor amplitud. No se trata solo de que las redes neuronales ayuden a buscar 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 los sistemas más controlables. En MIT creen que en la intersección de ambos mundos se está formando ahora una línea propia, que influirá tanto en la velocidad de los descubrimientos científicos como en la calidad de los futuros sistemas inteligentes.

«Tiene que ser un movimiento en ambas direcciones».

Lo que la ciencia aporta a la IA

En MIT lo llaman science of AI: una mirada científica sobre los propios sistemas inteligentes. En el artículo, Thaler lo divide en tres vertientes: la ciencia como base de 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 acelerar los descubrimientos y aumentar la fiabilidad de la IA al mismo tiempo, sobre todo donde se espera de los modelos no solo precisión, sino también interpretabilidad.

Entre las cinco comunidades científicas surgió rápidamente un consenso: el puente entre la IA y la ciencia no se puede construir a base de laboratorios aislados ni de experimentos puntuales. Hacen falta condiciones comunes que funcionen para varias disciplinas a la vez y que cuenten con un respaldo sostenido a nivel institucional. Los participantes del taller resumieron ese conjunto básico en varias prioridades prácticas, relevantes tanto para las universidades como para los financiadores y los propios equipos de investigación:

• inversión en infraestructura de cómputo y de datos;
• métodos de investigación interdisciplinarios;
• una formación más rigurosa de especialistas en la intersección de áreas;
• apoyo a largo plazo a proyectos en los que la IA y la ciencia se desarrollan juntas.

Un ejemplo aparte es la física de altas energías. Allí los investigadores construyen algoritmos en tiempo real para manejar el flujo de datos de los colisionadores. Estas soluciones son necesarias para buscar nueva física, pero luego pueden ir mucho más allá de una sola disciplina e influir en el conjunto más amplio de la IA. La lógica es sencilla: cuanto más exigente es el problema científico, mayores son las probabilidades de que los métodos creados para él resulten útiles en otros campos, desde el análisis de señales hasta un entrenamiento más eficiente de los modelos.

Talento y estrategia en MIT

La segunda tesis transversal es que no bastan los modelos y la computación. Para un progreso real hacen falta personas que se sientan igual de seguras en la computación y en su disciplina científica. Thaler los llama «científicos centauro». No se trata de unos pocos polímatas solitarios, sino de una formación sistemática: desde cursos integrados para estudiantes hasta doctorados interdisciplinarios, contrataciones conjuntas de profesores y puestos posdoctorales específicos en los que los jóvenes investigadores puedan trabajar entre áreas sin una penalización en su carrera por ese carácter híbrido.

MIT considera que ya tiene parte de esa infraestructura. Thaler cita como ejemplos IAIFI, el instituto A3D3 y programas universitarios que enseñan a los estudiantes a ser «bilingües» en computación y en su especialidad de base. Hace especial hincapié en el enfoque sistémico: saldrán ganando las universidades que coordinen la contratación, la educación, los recursos de cómputo y la financiación de la investigación como una única estrategia. Como señal de ese rumbo, MIT ya ha lanzado la primera búsqueda conjunta de profesores entre el Schwarzman College of Computing y el departamento de física.

Qué significa

La postura de MIT muestra que la próxima etapa de la IA depende cada vez más no solo de los productos y del escalado de los modelos, sino también de la ciencia fundamental. Para el mercado y las universidades es una señal: la ventaja competitiva será cada vez más a menudo de quienes sepan combinar algoritmos, experiencia científica, datos, infraestructura y la formación de equipos interdisciplinarios.