El autor del ensayo argumenta que la inteligencia artificial está a punto de automatizar la investigación de IA, una predicción que ha evolucionado de ser especulativa a una certeza basada en datos recientes. Según METR, la tasa de progreso de Anthropic en tareas bien definidas ha duplicado su ritmo anual, atribuido principalmente al uso intensivo de IA para el desarrollo de investigación (R&D). OpenAI reportó un aumento de siete veces en el gasto diario de sus investigadores en agentes de codificación, mientras que Anthropic indica que Claude lidera más del 26% de su trabajo de R&D de IA.
El texto utiliza el avance en matemáticas como caso de estudio para ilustrar esta tendencia. En un dominio verificable, los modelos de IA han resuelto problemas abiertos de alto nivel, como el problema de Navier-Stokes, en tiempos récord, superando a expertos humanos en tareas que llevaban décadas sin resolver. Sin embargo, el autor señala una limitación crítica: la IA actual es excelente en la verificación y la conexión de ideas existentes, pero aún no demuestra la capacidad de formular preguntas profundas o descubrir nuevos campos de investigación, como la topología o la teoría de grupos. Esta distinción es crucial porque, en la investigación de IA, el objetivo no es la teoría pura, sino la eficiencia empírica de los algoritmos. Por lo tanto, la capacidad de la IA para resolver problemas bien delimitados y conectar conceptos de dominios adyacentes tiene un impacto desproporcionado en el desarrollo de IA, acelerando el progreso de forma exponencial y posiblemente llevando a sistemas superinteligentes en pocos años.
