Del lenguaje a la ecuación: ¿Cómo logró GPT-5.2 un nuevo resultado en Física?
GPT-5.2 propuso inicialmente un resultado teórico que involucra amplitudes de gluones y luego se demostró formalmente.
En diciembre de 2025, OpenAI presentó ChatGPT-5.2, describiéndolo como un modelo que aprendía contextos y relaciones con mayor eficiencia que los modelos anteriores. Se trata de un modelo de lenguaje basado en arquitecturas de redes neuronales, con una arquitectura conocida como Transformer.
Obtuvo buenos resultados en problemas de matemáticas, física y áreas que involucran deducciones formales, reordenamiento de expresiones algebraicas e identificación de patrones en ecuaciones complejas.
En física teórica, muchos problemas requieren el manejo de ecuaciones no lineales y el uso de manipulaciones para obtener resultados. Un ejemplo de esto es el cálculo de amplitudes de dispersión, que se utilizan para determinar la probabilidad de que las partículas interactúen de una manera específica después de una colisión. Para obtener un resultado, se requieren métodos complejos como la regularización y la renormalización.
En muchos casos, obtener resultados analíticos resulta impráctico y, por lo tanto, se requieren nuevos enfoques matemáticos. En un estudio reciente publicado por OpenAI, investigadores utilizaron ChatGPT-5.2 como herramienta para calcular la amplitud de dispersión de una interacción de partículas mediada por gluones.
El modelo propuso una nueva fórmula para la amplitud de gluones, que posteriormente fue probada por un modelo interno y verificada formalmente por los autores.
Problema de amplitud
En física de partículas, la amplitud de dispersión es la cantidad utilizada para calcular la probabilidad de que ciertas partículas interactúen de una manera específica.
En el caso de los gluones, que son las partículas mediadoras de la fuerza nuclear fuerte, muchas amplitudes tienen formas matemáticas más simples cuando se consideran únicamente los diagramas más simples. Estas simplificaciones ayudan a encontrar estructuras matemáticas en la teoría cuántica de campos.
Sin embargo, existe una configuración de estas amplitudes que los investigadores consideran nula. Esta configuración se considera cuando el gluón presenta una propiedad llamada helicidad negativa, mientras que los demás gluones presentan helicidad positiva. En esta condición, la amplitud de dispersión debería ser cero, por lo que históricamente se ha considerado trivial o irrelevante en muchos estudios.
Uso de ChatGPT-5.2
Un trabajo reciente publicado en el sitio web de OpenAI demostró que esta conclusión, que ignora esta configuración del muón, es incorrecta. De hecho, la amplitud cero depende de la suposición del momento de la partícula. Los autores identificaron una región específica del espacio de momento en la que los gluones obedecen a una condición de alineación especial. En este espacio, el argumento deja de ser válido y la amplitud no se vuelve cero.
La fórmula final presentada para este resultado fue conjeturada inicialmente por GPT-5.2 Pro. Los autores calcularon manualmente algunos casos, obteniendo expresiones derivadas de la expansión en diagramas de Feynman.
El modelo redujo estas expresiones a formas mucho más compactas identificando un patrón general y propuso una fórmula general válida. Posteriormente, la expresión fue verificada analíticamente mediante relaciones y verificación por autores.
Razonamiento de los Modelos de Lenguaje (LLM)
En este trabajo, observamos el uso de un modelo de lenguaje (LLM) para resolver una ecuación física mientras se encuentra un patrón. Estos modelos se utilizan en problemas de ciencias exactas porque pueden manipular estructuras simbólicas.
Durante el entrenamiento, estos modelos internalizan patrones matemáticos, identidades algebraicas, reglas de transformación y demostraciones. Con esto, pueden reorganizar términos, factorizar patrones y probar generalizaciones.
Además, las versiones actuales de estos modelos pueden estructurarse con mecanismos de razonamiento de múltiples pasos, verificación intermedia y exploración de hipótesis alternativas. Esto les permite proponer resultados a partir de casos particulares calculados explícitamente.
En problemas de física teórica, donde la dificultad suele residir en la explosión combinatoria de expresiones y no en la ausencia de estructura matemática, esta capacidad de compresión y generalización convierte a los modelos de lenguaje en herramientas útiles.
¿El fin de los científicos?
El uso de modelos de lenguaje en la investigación científica no elimina el rol del científico, sino que se encuentra en un proceso de transformación. Antes de aplicar la IA, es necesario formular correctamente el problema, definir hipótesis físicas consistentes, elegir el régimen teórico adecuado y establecer criterios de validación.
Durante el proceso, los investigadores deben interpretar los resultados del modelo, verificar la coherencia matemática y comprobar la compatibilidad con los principios físicos fundamentales.
La IA puede acelerar los pasos técnicos y sugerir patrones, pero la dirección conceptual y el juicio crítico siguen siendo responsabilidad humana. Además, no es posible confiar ciegamente en los sistemas de IA.
Los modelos pueden producir resultados formalmente plausibles, pero incorrectos o inconsistentes con las restricciones físicas conocidas. Por lo tanto, cada resultado debe estar sujeto a demostraciones formales independientes, verificación mediante métodos alternativos y comparación con resultados establecidos.