GPT-5.6 Sol ha aconseguit calibrar de manera autònoma qubits superconductors en un laboratori del MIT, mentre un altre sistema intern d’OpenAI proposa una solució a Navier-Stokes, un dels grans problemes matemàtics de l’últim segle.
La intel·ligència artificial comença a abandonar el territori còmode de les respostes en una pantalla per entrar en un terreny molt més exigent: actuar sobre experiments científics reals, interpretar-ne els resultats i decidir quin ha de ser el pas següent. Un treball desenvolupat al Massachusetts Institute of Technology (MIT) ofereix una mostra concreta d’aquest canvi. La investigadora Beatriz Yankelevich ha connectat GPT-5.6 Sol, a través de Codex, al programari que controla experiments amb xips quàntics superconductors i ha aconseguit que el sistema executi de manera autònoma bona part de les feixugues tasques de calibratge que fins ara requerien hores o dies de supervisió humana.
El cas coincideix amb una altra notícia d’una dimensió encara més gran. OpenAI ha anunciat que un sistema intern d’IA ha produït una possible solució al problema d’existència i regularitat de les equacions de Navier-Stokes, un dels set Problemes del Mil·lenni establerts pel Clay Mathematics Institute. Si la demostració supera la revisió de la comunitat matemàtica, suposaria un dels avenços més importants aconseguits fins ara amb l’ajuda de la intel·ligència artificial.
Són dos esdeveniments diferents, i convé no confondre’ls. GPT-5.6 Sol és el model utilitzat en els experiments quàntics del MIT. La demostració matemàtica de Navier-Stokes va ser generada, segons OpenAI, per un sistema intern molt més potent que GPT-6 Astra. Però tots dos casos assenyalen en una mateixa direcció: la IA comença a deixar de ser únicament una eina que respon preguntes per convertir-se en un participant actiu dins del procés científic.
Un agent connectat directament al laboratori
Beatriz Yankelevich, estudiant de postgrau del grup Engineering Quantum Systems (EQuS) del MIT, treballa amb qubits superconductors, una de les tecnologies que competeixen per convertir-se en la base dels futurs ordinadors quàntics. Aquests dispositius operen a temperatures pròximes al zero absolut dins d’enormes refrigeradors de dilució i es controlen mitjançant senyals de microones.
Construir el xip és només una part del problema. Una vegada fabricat, encapsulat i refredat, comença un procés laboriós de caracterització i calibratge. Abans de fer experiments útils, els investigadors han d’efectuar centenars o fins i tot milers de mesures per determinar com respon cada qubit.
Cal localitzar-ne les freqüències de ressonància, calibrar els polsos de microones que permeten manipular-lo, mesurar durant quant de temps manté la informació quàntica i establir els paràmetres adequats per llegir-ne correctament l’estat.
Cada resultat condiciona l’experiment següent.
Aquí apareix el valor d’un agent d’IA. Yankelevich va connectar Codex i GPT-5.6 Sol directament al programari del laboratori. En lloc de limitar-se a proposar codi perquè després l’executés una persona, el sistema podia seleccionar paràmetres, llançar una mesura sobre el maquinari real, analitzar les dades obtingudes i decidir si convenia refinar l’experiment o passar al següent.
La investigadora va proporcionar a l’agent habilitats específiques que explicaven com executar i avaluar cada tipus de mesura. Després el va provar sobre un xip de sis qubits encara sense calibrar, un dels dissenys que el grup EQuS utilitza habitualment per avaluar els seus processos de fabricació.
Quan els senyals eren clars, GPT-5.6 Sol va completar amb poca intervenció humana una seqüència estàndard de caracterització. Va localitzar les freqüències de transició del qubit, va calibrar els polsos utilitzats per controlar-lo i llegir-lo i va calcular durant quant de temps conservava la informació quàntica.
No és simplement automatització tradicional. Un programa convencional pot repetir una seqüència predeterminada, però aquí cada mesura produeix dades que han de ser interpretades abans de decidir què cal fer després. L’agent entra, per tant, en un bucle experimental: mesurar, interpretar, ajustar i tornar a mesurar.
El científic deixa de vigilar cada pas
El benefici immediat no consisteix a substituir el físic experimental. De fet, OpenAI reconeix que un investigador experimentat encara pot trobar més ràpidament els millors paràmetres en determinades circumstàncies.
El canvi és en un altre lloc: ja no necessita estar pendent de cada mesura rutinària.
Yankelevich explica que pot deixar diversos agents treballant durant hores, fins i tot de nit o mentre ella és a la sala blanca fent altres tasques. Després pot consultar des del telèfon què han fet i corregir-los si detecta un problema o vol explorar una altra direcció.
En un laboratori on caracteritzar un únic xip pot consumir diversos dies, aquesta diferència és considerable. El grup EQuS ja utilitza agents de manera habitual per a algunes mesures rutinàries.
El temps humà es desplaça cap a les tasques en què encara aporta més valor: interpretar resultats ambigus, dissenyar nous experiments, formular hipòtesis i decidir què val la pena investigar.
La investigadora ha construït, a més, infraestructura per utilitzar agents en diferents parts de la seva feina: mesura, teoria i disseny de xips. Això permet imaginar un laboratori en què diversos agents treballin simultàniament sobre problemes diferents mentre l’investigador dirigeix el conjunt.
És una versió embrionària del laboratori autònom, una idea que des de fa anys s’estudia en química, ciència de materials o biologia: sistemes capaços de proposar experiments, executar-los mitjançant instrumental automatitzat, analitzar-ne els resultats i utilitzar aquesta informació per dissenyar la prova següent.
La frontera apareix quan les dades deixen de ser clares
L’experiment també mostra amb força precisió on són encara els límits.
GPT-5.6 Sol va funcionar bé quan els senyals experimentals eren nets i els procediments estaven clarament establerts. Les dificultats van aparèixer quan les dades eren febles, sorolloses o físicament ambigües.
En aquestes circumstàncies, el sistema trigava més a trobar paràmetres adequats i en algunes ocasions necessitava la intervenció d’un investigador experimentat.
La distinció és important. La IA ja pot ser competent seguint i adaptant protocols ben definits, però la ciència real no sempre ofereix resultats inequívocs. Una anomalia pot significar que l’instrument funciona malament, que l’experiment està mal dissenyat o, en el millor dels casos, que s’està observant un fenomen nou.
Decidir entre aquestes possibilitats exigeix encara molt coneixement contextual, intuïció científica i capacitat per qüestionar les hipòtesis inicials.
El cas del MIT no demostra, per tant, que la IA pugui fer ciència sense científics. Demostra una cosa més concreta i probablement més immediata: pot absorbir una quantitat creixent de la feina experimental rutinària i alliberar l’investigador perquè es concentri en les decisions intel·lectualment més difícils.
De calibrar qubits a atacar Navier-Stokes
El mateix dia que OpenAI divulgava el treball amb els qubits del MIT, presentava una afirmació molt més ambiciosa: un sistema intern d’IA hauria trobat una solució al problema d’existència i regularitat de les equacions de Navier-Stokes.
Aquestes equacions, desenvolupades al segle XIX a partir dels treballs de Claude-Louis Navier i George Gabriel Stokes, descriuen el moviment dels fluids. Són darrere de fenòmens tan quotidians i complexos com el flux de l’aigua, l’aire al voltant d’un avió, els corrents oceànics o la turbulència atmosfèrica.
El gran interrogant matemàtic és extraordinàriament senzill de formular i extremadament difícil de resoldre: donades unes condicions inicials suaus en tres dimensions, les equacions produeixen sempre solucions suaus o poden aparèixer singularitats, punts en què determinades magnituds tendeixen a l’infinit?
L’any 2000, el Clay Mathematics Institute va convertir aquesta qüestió en un dels seus set Problemes del Mil·lenni, cadascun dotat amb un premi d’un milió de dòlars.
OpenAI afirma ara haver demostrat que les equacions poden efectivament desenvolupar una singularitat en un temps finit. Segons la companyia, el sistema va construir matemàticament un vòrtex que es contrau i s’estira progressivament fins a produir velocitats infinites malgrat partir de condicions suaus i mantenir una energia finita.
OpenAI ha publicat tant una demostració analítica com una formalització en Lean, un llenguatge i assistent de demostració utilitzat per verificar proves matemàtiques.
Però el resultat encara ha de superar una etapa essencial: la revisió independent.
El mateix Clay Mathematics Institute continua mostrant Navier-Stokes a la llista de problemes no resolts.
Per tant, seria prematur afirmar que la IA ha resolt oficialment el Problema del Mil·lenni. El correcte, ara com ara, és dir que OpenAI ha presentat una demostració que sosté que el resol.
Deu mil agents contra un problema de gairebé un segle
La dimensió computacional del projecte resulta tan cridanera com la conclusió matemàtica.
Segons Nature, OpenAI havia estat provant el seu sistema més avançat sobre els sis Problemes del Mil·lenni que continuen oberts. Després de conèixer avenços d’altres investigadors en Navier-Stokes, va decidir concentrar els seus recursos en aquesta qüestió.
Primer va utilitzar uns 1.000 agents d’IA per atacar una variant simplificada. El sistema va necessitar aproximadament 50 hores. Després, OpenAI va escalar l’experiment i va desplegar al voltant de 10.000 agents per abordar el problema complet.
La companyia assegura, a més, que el model utilitzat era significativament més capaç que GPT-6 Astra.
Aquesta dada és rellevant perquè apunta cap a una arquitectura de descobriment científic diferent de la conversa habitual amb un xatbot. No es tracta de demanar a un model una resposta especialment complicada, sinó de desplegar milers d’instàncies capaces d’explorar simultàniament camins matemàtics, comprovar hipòtesis, generar codi, descartar intents i coordinar resultats.
És, en certa manera, una nova forma de ciència computacional massivament paral·lela, però en què les unitats de treball no són únicament processadors fent càlculs numèrics, sinó agents capaços de raonar sobre els problemes mateixos.
Aquesta diferència pot acabar sent decisiva. Durant dècades, augmentar la capacitat computacional significava principalment poder executar més càlculs en menys temps. Amb els agents d’IA, escalar recursos també pot significar disposar de milers de processos que proposen estratègies diferents, revisen resultats, escriuen programes i exploren camins alternatius.
La IA comença a entrar en el mètode científic
Els experiments del MIT i la proposta sobre Navier-Stokes representen dos esglaons molt diferents d’una mateixa transformació.
En el primer, una IA opera instrumental científic real seguint procediments definits i adaptant-se als resultats. En el segon, milers d’agents exploren l’espai abstracte d’una demostració matemàtica que durant dècades ha resistit alguns dels millors especialistes del món.
Entre tots dos apareix una idea que pot ser més important que qualsevol benchmark: la IA comença a integrar-se dins del mateix cicle de producció del coneixement.
Fins fa poc, el científic utilitzava l’ordinador fonamentalment per calcular, simular o analitzar dades. Ara pot delegar també una part de la planificació, la programació, la interpretació provisional i l’execució d’experiments.
Això no elimina l’investigador. En el cas de Yankelevich passa precisament el contrari: en desprendre’s de tasques repetitives, pot dedicar més temps a dissenyar experiments i comprendre’n els resultats.
Aquest repartiment de funcions ofereix probablement una imatge més realista del futur immediat de la IA científica que no pas la idea d’un «científic artificial» completament autònom. El sistema pot executar durant hores una cadena de mesures, però l’humà continua determinant què és científicament interessant, detectant quan un resultat estrany mereix ser investigat i decidint quan una conclusió és prou sòlida.
I el cas Navier-Stokes recorda que la validació humana i institucional continua sent essencial. Una IA pot produir una demostració i una altra eina formal pot comprovar-ne la consistència lògica, però la comunitat matemàtica haurà d’estudiar les hipòtesis, l’abast del resultat i la seva correspondència exacta amb el problema formulat pel Clay Mathematics Institute.
De l’assistent científic a l’agent científic
La diferència semàntica és petita, però tecnològicament enorme. Un assistent espera que l’investigador li demani alguna cosa i li retorna una resposta. Un agent rep un objectiu, utilitza eines, observa els resultats, pren decisions intermèdies i continua treballant.
En els experiments quàntics del MIT, aquesta transició ja és tangible. GPT-5.6 Sol no es limita a explicar com es calibra un qubit. Participa en el calibratge.
Aquest és probablement l’aspecte més significatiu del treball de Yankelevich. La IA deixa d’estar situada únicament abans o després de l’experiment —ajudant a preparar codi o analitzant posteriorment les dades— i entra en el bucle que connecta directament hipòtesi, instrument, mesura i decisió.
Si aquests sistemes milloren, els laboratoris podrien arribar a mantenir agents treballant les vint-i-quatre hores. Un investigador podria definir diverses línies experimentals abans de marxar, deixar que diferents agents avancessin durant la nit i trobar l’endemà un conjunt de resultats, incidències i noves hipòtesis per examinar.
La productivitat científica no augmentaria només perquè cada experiment fos més ràpid, sinó perquè el temps de funcionament dels instruments deixaria d’estar tan estretament lligat a la disponibilitat humana per supervisar-los.
Això pot tenir un impacte considerable en disciplines on l’accés a l’instrumental és car, limitat o especialment lent.
Una nova frontera per a la IA
La gran notícia potser no és, per tant, que una IA pugui calibrar sis qubits o que OpenAI afirmi haver resolt un dels problemes matemàtics més famosos del món. El que és realment significatiu és la continuïtat entre totes dues coses.
La IA que ahir ajudava a escriure el codi d’un investigador comença avui a executar l’experiment, analitzar-ne el resultat, dissenyar el pas següent i participar directament en la recerca de coneixement nou.
Aquesta és una frontera diferent de la que ha dominat la conversa pública sobre ChatGPT. No es tracta de redactar millor un correu, resumir un document, crear una imatge o programar una aplicació. Es tracta d’introduir agents capaços de raonar i actuar en el procés mitjançant el qual la ciència intenta descobrir coses que encara ningú no sap.
El repte serà determinar fins on es pot delegar aquest procés sense confondre autonomia operativa amb autonomia científica. Un agent pot executar milers de mesures. Una xarxa de milers d’agents pot explorar un problema matemàtic. Però decidir què significa realment un resultat, sotmetre’l a contradicció i integrar-lo en el coneixement científic continua exigint alguna cosa que no es resol només augmentant la potència computacional: validació, criteri i comunitat científica.
Si aquesta tendència es consolida, la següent gran transformació de la intel·ligència artificial potser no es produirà en els xatbots que utilitza el gran públic, sinó en llocs molt menys visibles: laboratoris, centres de càlcul, telescopis, acceleradors de partícules i grups de recerca on cada hora humana alliberada pot convertir-se en una nova pregunta científica.
