Promesa de acceso abierto de OpenAI vs la cruda realidad del gatekeeping científico
OpenAI anunció este lunes avances en matemáticas, informática y física, pero, en lugar de abrir sus hallazgos al escrutinio público, los delegó a un reducido grupo de expertos, reavivando la polémica sobre el control de la investigación generada por IA.
OpenAI reveló este lunes tres resultados que, según la compañía, representan «avances significativos» en matemáticas, informática y física. En lugar de publicar los documentos en repositorios abiertos, la empresa ha decidido que un grupo de expertos externos –a los que denomina «shepherds»– determine cómo y cuándo se compartirán los hallazgos.
Los hallazgos anunciados y su relevancia científica
Los tres trabajos se centran en problemas considerados de gran peso dentro de sus respectivas áreas: una prueba que avanza en la conjetura de Yang‑Mills, un algoritmo que mejora la complejidad de ciertos problemas de teoría de grafos y una propuesta de modelo que aborda una cuestión abierta de teoría de números. OpenAI afirma que los resultados son «huge» y «major breakthroughs», aunque la comunidad todavía necesita validar la exactitud de los argumentos generados por la IA.
El modelo de «shepherds» y sus implicaciones
Según el comunicado, el proceso será distinto para cada disciplina. En matemáticas, OpenAI publicará el texto generado por la IA y dejará que los investigadores organicen su propio análisis. En informática, la empresa reunirá a un grupo externo para elaborar una explicación conjunta. En física, la publicación se ha pospuesto mientras un comité de expertos decide la estrategia de divulgación.
Este enfoque, presentado como «evolución» en la forma de comunicar descubrimientos, plantea varias preguntas técnicas y éticas:
- ¿Cuál es el criterio para seleccionar a los «shepherds»?
- ¿Se garantiza la independencia de los revisores frente a los intereses de OpenAI?
- ¿Qué pasa con la reproducibilidad cuando el código y los datos no están disponibles de inmediato?
Reacciones de la comunidad académica
Los investigadores consultados por The Verge expresan una mezcla de asombro y frustración. Constantin Kogler, del Institute for Advanced Study, admitió que la reducción a tres resultados es más manejable que la avalancha de preprints de octubre, pero cuestionó la exclusión inicial de la mayoría de la comunidad:
«No tiene sentido que solo unos pocos científicos distinguidos puedan ver los resultados primero», señaló Kogler.
Andreas Karch, profesor de física en la Universidad de Texas en Austin, fue más crítico respecto al poder de los grandes laboratorios:
«El hecho de que elijan a los investigadores es un desastre. Los laboratorios ya tienen suficiente influencia; no deberían decidir quién gana o pierde», afirmó Karch.
El grupo asesor AGMAI, que OpenAI había prometido consultar previamente, advirtió contra la práctica de selección previa, calificándola de «innecesaria» y «riesgosa» por los sesgos que puede introducir. Recomendaron la publicación inmediata en repositorios académicos, acompañada de pruebas formales y financiación para equipos que deseen validar los resultados.
Qué implica este enfoque para el futuro de la IA abierta
El modelo de «shepherds» podría convertirse en un precedente para otras compañías que generen conocimiento mediante IA. Si bien la intención declarada es garantizar una divulgación responsable, la práctica parece reforzar una dinámica de gatekeeping que favorece a instituciones con mayor prestigio o a investigadores vinculados a la empresa.
En términos de impacto práctico, la falta de acceso abierto retrasa la verificación independiente, lo que a su vez prolonga la incorporación de estos descubrimientos a aplicaciones reales, como algoritmos de optimización o modelos físicos simulados. Además, la opacidad del proceso alimenta la desconfianza en la comunidad y podría motivar a grupos académicos a crear sus propias infraestructuras de IA para evitar depender de los «shepherds» de OpenAI.
En última instancia, la controversia subraya la necesidad de establecer normas claras sobre la publicación de resultados generados por IA, equilibrando la rapidez de la innovación con los principios de transparencia y reproducibilidad que sustentan la ciencia.