Un egresado del MIT resolvió mediante inteligencia artificial un problema abierto de 18 años en computación cuántica: la conjetura de Aaronson-Ambainis, que examina los límites de velocidad de las computadoras cuánticas frente a las clásicas. La demostración fue formalizada en Lean —un lenguaje de programación para matemáticas— y validada por investigadores de referencia en el campo, incluido Scott Aaronson, uno de los autores originales del problema, quien reconoció no comprender completamente la prueba pero confió en su rigor formal.

El resultado es técnicamente negativo: cierra una de las vías por las que se esperaba que las computadoras cuánticas superaran a las clásicas en ciertos problemas complejos. Sin embargo, en ciencia, un resultado negativo bien fundamentado tiene valor estratégico: permite redirigir recursos de investigación hacia rutas con mayor potencial y evita años de esfuerzo en caminos sin salida. Aaronson describió la conjetura como uno de los últimos problemas abiertos en complejidad de consultas cuánticas, un área que muchos expertos consideran fundamental para entender los límites reales de la computación cuántica.

De la física teórica al modelo de negocio

El laboratorio detrás de este avance opera con un enfoque distinto al de los centros de investigación tradicionales. Su arquitectura técnica combina modelos de IA especializados con herramientas de memoria, simulación e infraestructura de agentes, lo que le permite abordar problemas científicos de forma sistemática y explorar múltiples alternativas en paralelo. Este tipo de andamiaje —donde la IA no reemplaza al investigador sino que amplifica su capacidad de exploración— representa una de las apuestas más concretas para industrializar el descubrimiento científico.

Actualmente, los ingresos del laboratorio provienen de la optimización de centros de datos, donde simulan variables como calor, energía, consumo de agua y emisiones acústicas. Pero la visión de largo plazo apunta a convertir avances en física teórica en tecnologías aplicables con valor comercial. La trayectoria es coherente con una tendencia más amplia: startups como Discovered Materials han lanzado retos de investigación de hasta un millón de dólares para quienes usen IA en problemas de superconductividad y disipación de calor, señalando que el mercado empieza a poner precio a los descubrimientos científicos acelerados por IA.

Implicaciones para la inversión en ciencia aplicada

La convergencia entre modelos de lenguaje de gran escala y problemas científicos abiertos plantea una pregunta concreta para quienes asignan capital: ¿en qué punto un avance teórico se convierte en ventaja competitiva sostenible? La física, a diferencia de las matemáticas puras, opera en el mundo real y sus resultados pueden traducirse en materiales, dispositivos o procesos con aplicación directa en industria, energía o semiconductores.

El caso ilustra también una tensión estructural: los modelos de IA más capaces —como los utilizados en acceso anticipado para esta investigación— están disponibles primero para laboratorios con relaciones cercanas a los grandes desarrolladores, lo que genera asimetrías de acceso que podrían ampliar la brecha entre organizaciones de investigación bien conectadas y las que no lo están. Para empresas que dependen de I+D como fuente de diferenciación, la velocidad con que se integren estas capacidades en sus flujos de trabajo científicos puede determinar quién llega primero a la siguiente frontera tecnológica.