Un grupo de investigadores de primer nivel publicó el 17 de diciembre de 2025 el artículo Evaluating Large Language Models in Scientific Discovery (Evaluación de grandes modelos de lenguaje en el descubrimiento científico).
El estudio analiza el comportamiento de los modelos de lenguaje a gran escala (LLM) en la investigación científica, centrándose en cuatro áreas: biología, química, materiales y física. Para ello, especialistas de cada campo diseñaron proyectos de investigación reales y los dividieron en escenarios más pequeños, de los que se extrajeron preguntas concretas y verificadas.
La evaluación se realizó en dos niveles: primero, se comprobó si el modelo respondía correctamente a preguntas puntuales; después, se analizó su capacidad para participar en todo el proceso de investigación, es decir, proponer hipótesis, diseñar experimentos o simulaciones e interpretar los resultados.
Al aplicar este marco de evaluación a los modelos más avanzados, encontraron que todavía existe una diferencia importante respecto a los estándares científicos generales. Además, el rendimiento no siempre mejora cuando el modelo es más grande o más capaz de razonar. También detectaron que modelos de distintos proveedores muestran las mismas debilidades.
Asimismo, observaron que un mismo modelo puede rendir muy bien en unos proyectos y peor en otros, lo que sugiere que los modelos actuales de aprendizaje automático aún están lejos de la “superinteligencia científica”. No obstante, muestran potencial en una amplia variedad de proyectos de descubrimiento científico, incluso cuando fallan en partes concretas.
Conclusión
Nos venden, con frecuencia, que la IA traerá grandes descubrimientos científicos. Si estas expectativas no se cumplen a medio plazo, la decepción sería considerable, especialmente entre los inversores.
