Apilando cubos…

Gemini 4 Argon y la conjetura de Grad: la IA encontró en horas lo que la física de plasmas buscó durante 59 años

Hay una escena que hace dos años sonaba a ciencia ficción y que ahora empieza a repetirse con una frecuencia incómoda: un grupo de investigadores le entrega un problema abierto, viejo y difícil a un puñado de agentes de inteligencia artificial, y vuelve a los pocos minutos con candidatos de solución sobre la mesa. Eso es, a grandes rasgos, lo que un equipo de científicos describe en un paper publicado en arXiv sobre la conjetura de Grad, una hipótesis formulada en 1967 en el campo de la física de plasmas que ahora quedó seriamente cuestionada con ayuda de Gemini 4 Argon, el modelo más reciente de Google.

La noticia, difundida originalmente por Genbeta, no se limita a un titular marketinero del tipo «la IA ganó». Detrás hay un trabajo concreto, con autores identificables, verificaciones simbólicas y numéricas, y varias rondas de revisión en las que los humanos supervisaron cada paso. Vale la pena mirar qué pasó realmente, porque el episodio dice bastante sobre cómo se está reconfigurando la investigación científica de frontera.

Qué decía la conjetura de Harold Grad

Para entender la magnitud del asunto hay que retroceder al trabajo de Harold Grad, el físico que le dio nombre a la conjetura. El problema tiene que ver con las ecuaciones que describen el equilibrio de un plasma y el campo magnético que lo rodea. La pregunta de fondo es si existen configuraciones de equilibrio estacionarias en tres dimensiones que sean compatibles con determinadas condiciones de presión y de simetría.

Durante casi seis décadas, la respuesta dominante fue que esas soluciones solo podían existir si se respetaban ciertas simetrías: de reflexión planar, axial o helicoidal. Esa idea ordenó buena parte de la teoría y, en el plano práctico, condicionó el diseño de los stellarators, los dispositivos de fusión que confinan plasma mediante campos magnéticos tridimensionales. Si la conjetura era correcta, el universo de geometrías posibles quedaba acotado. Si no lo era, se abría una avenida nueva para diseñar reactores.

El rol exacto de Gemini 4 Argon

El paper publicado en arXiv firma con cuatro nombres: Opal Issan, Jonathan Citrin, Matt Landreman y Brendan Tracey. El equipo tomó las dos familias de soluciones que ya se conocían y las generalizó introduciendo un parámetro en cada una, un movimiento que rompe la simetría propia de los stellarators. Es decir, construyeron soluciones que se salen del molde que la conjetura daba por único.

La parte llamativa es cómo llegaron a las primeras versiones de esas generalizaciones. Los autores entregaron el material de investigación previo de Landreman —junto con una lista de preguntas abiertas— a un pequeño conjunto de agentes de Gemini 4 desplegados en Google Antigravity. Los primeros candidatos prometedores aparecieron en cuestión de horas. No semanas ni meses: horas.

El modelo también aportó en tramos menos glamorosos pero igual de necesarios: colaboró en la redacción de secciones del manuscrito y en la codificación de las comprobaciones simbólicas y numéricas que sostienen los resultados. Sobre ese punto conviene ser preciso, porque es donde suelen producirse malentendidos. Los autores humanos volvieron a derivar y verificar cada desarrollo, hicieron varias rondas de revisión adversarial y asumieron la responsabilidad final del contenido. El atajo de la IA acelera el descubrimiento, pero no reemplaza la validación.

Una carrera que no empezó con Google

Otro detalle que los titulares épicos suelen omitir: el frente de ataque contra la conjetura de Grad se abrió antes de que Gemini entrara a la cancha. El 21 de septiembre de 2026, Gómez-Serrano, Liehr y Taylor publicaron en arXiv otros contraejemplos que ya mostraban soluciones sin las simetrías postuladas, y su resumen incluye un sello de aprobado en Lean 4, el asistente de pruebas matemáticas que se está convirtiendo en un estándar de rigor para este tipo de resultados.

Un día después, el 22 de septiembre, Landreman presentó sus propias soluciones analíticas, obtenidas con ayuda de GPT-6 Astra Pro y comprobadas a mano por él mismo; la versión revisada llegó el 28 de septiembre. Cuando el problema se le planteó a los agentes de Gemini, el terreno ya estaba preparado: existían soluciones previas y preguntas concretas esperando respuesta.

Ese contexto importa por una razón editorial y también epistemológica. La secuencia correcta no es «una IA resolvió sola un problema de 59 años», sino «una IA comprimió a horas una etapa de exploración que, con los métodos tradicionales, habría consumido meses de trabajo de un becario o de un postdoc». Es una diferencia sutil en la redacción y enorme en las consecuencias prácticas.

El detalle del sello en Lean 4 y la letra chica

En la comunidad matemática, el sello de verificación formal dejó de ser un adorno. El trabajo de Gómez-Serrano y compañía lo tiene. El manuscrito asistido por Gemini, según el análisis difundido, no declara explícitamente un sello de aprobado en Lean para sus hallazgos: menciona código de comprobación simbólica y numérica, y los autores realizaron cálculos verificados por esa vía, pero eso no equivale a una prueba formal completa.

No se trata de desmerecer el resultado. Se trata de ubicarlo en su escala real. La verificación simbólica y numérica es una herramienta potente y habitual en física computacional, aunque no ofrece las mismas garantías que una demostración certificada por un asistente de pruebas. Para la investigación en fusión, de todos modos, el impacto es tangible: buena parte del trabajo cotidiano consiste en testear el software que simula campos magnéticos, y contar con familias de soluciones más amplias mejora esos bancos de prueba.

De la física de plasmas al anuncio comercial

Google mencionó esta investigación el 13 de octubre de 2026, cuando anunció el lanzamiento comercial de Argon. El modelo está disponible vía API, para suscriptores de Google AI Pro y Ultra en la app de Gemini y en el Modo IA del buscador, y en el nivel Ultra de Antigravity. Además, la compañía abrió la inscripción para que 10.000 científicos reciban seis meses de acceso gratuito al nivel más alto de Antigravity, sujeto a requisitos, capacidad y selección del programa.

La maniobra es evidente: Google convierte un caso de estudio académico en argumento de venta para el segmento científico, un nicho que hasta hace poco miraba a los modelos de lenguaje con desconfianza y que ahora empieza a usarlos como acelerador de exploración. No es la primera vez que la IA aporta a la fusión nuclear: ya había antecedentes en el estudio de patrones de turbulencia y en la detección de defectos en soldaduras de componentes críticos.

Qué queda después del ruido

El episodio deja tres aprendizajes. Primero, que los modelos de frontera ya son útiles no solo para escribir correos o generar código, sino para explorar espacios matemáticos con preguntas bien formuladas. Segundo, que el valor está en el ida y vuelta: la IA propone, el humano verifica, y ese circuito es el que produce conocimiento publicable. Tercero, que la atribución del mérito se está volviendo un terreno delicado, con papers que conviven con contribuciones de distintos sistemas y revisores humanos.

La conjetura de Grad tardó 59 años en tambalear. Lo que cambió no es que una máquina tenga intuición física de golpe, sino que ahora existe una herramienta capaz de recorrer en una tarde el espacio de variantes que antes se exploraba a mano. Para la fusión nuclear, la promesa de la energía limpia sigue siendo un camino largo y lleno de obstáculos técnicos, pero al menos uno de esos obstáculos teóricos acaba de correrse un poco. Y eso, más allá del titular, es la noticia.