Co-Authoring with AI: How I Wrote a Physics Paper About AI, Using AI

Este ensayo utiliza un caso de estudio sobre la redacción de un artículo de física asistida por IA para argumentar que, aunque la inteligencia artificial puede generar texto, la responsabilidad humana sigue siendo indispensable para garantizar la lógica científica y la integridad, proponiendo que la publicación de las transcripciones completas de las interacciones con la IA se convierta en un requisito estándar.

Lo esencial

Imagina que escribir un artículo científico es como dirigir una película de alto presupuesto. En el pasado, el director (el científico) tenía que escribir cada línea del guion, construir los sets y actuar en todas las escenas. Pero hoy, gracias a la Inteligencia Artificial (IA), el director tiene un equipo de actores virtuales increíblemente talentosos, pero que son un poco ingenuos y a veces se inventan cosas.

Este artículo, escrito por el físico Yi Zhou en el año 2026, cuenta la historia de cómo usó a la IA para escribir un artículo sobre... ¡cómo usar la IA para escribir ciencia!

Aquí tienes la explicación sencilla, con algunas analogías para que lo entiendas mejor:

1. El Cambio de Chip: De Herramienta a "Practicante"

Antes, los científicos usaban las computadoras como calculadoras: tú das una orden exacta y la máquina hace exactamente eso. Pero Yi Zhou descubrió que la IA moderna es más como un grupo de estudiantes universitarios muy inteligentes pero sin experiencia.

• La analogía: Imagina que tienes tres estudiantes virtuales:
  • Uno es el "Teórico Junior" (saca las fórmulas).
  • Otro es el "Postdoctorado Senior" (escribe los planos matemáticos).
  • El tercero es el "Programador" (convierte todo en código).
• El problema: Si les pides que escriban el artículo ellos solos, harán un desastre: usarán palabras bonitas pero sin sentido, como un estudiante que estudia mucho pero no entiende la materia.
• La solución: El humano (Yi) no es el escriba, es el Director de la película. Él les dice qué hacer, corrige sus errores y asegura que la historia tenga sentido.

2. La Estrategia "De Adentro hacia Afuera"

El error más grande que puedes cometer al trabajar con IA es pedirle que empiece a escribir la introducción antes de tener todo claro. Sería como pedirle a un arquitecto que pinte la fachada de una casa antes de haber diseñado los cimientos.

• Lo que hizo Yi: Primero, le dio a la IA toda la "materia prima": las ideas, los errores que tuvieron, los planos matemáticos y las conversaciones reales que tuvieron.
• La analogía: Es como darle a un chef todos los ingredientes frescos y la receta exacta antes de pedirle que cocine. Si solo le dices "hazme una cena rica", te traerá algo genérico. Si le das los ingredientes y le dices "haz un plato con estos ingredientes específicos", te dará una obra maestra.

3. El Humano es el "Guardián de la Verdad"

La IA es excelente escribiendo frases bonitas, pero a veces se equivoca en la física o en la etiqueta académica. Aquí es donde entra el humano para salvar el día en tres momentos clave:

• Corrigiendo la Física (El error de "Continuo vs. Discreto"): La IA escribió que las matemáticas eran "continuas" (como un río), pero en realidad eran "discretas" (como escalones). Yi tuvo que decirle: "Oye, esto es como escalones, no como un río". La IA lo corrigió al instante.
• Actualizando el Lenguaje (La moda científica): La IA usó un término antiguo para describir un estado cuántico. Yi le dijo: "Esa palabra ya no se usa, ahora usamos este término más preciso". Es como si alguien usara un modismo de los años 90 en una conversación de hoy; el humano actualiza el vocabulario.
• La Diplomacia (No ofender a nadie): La IA escribió algo muy agresivo sobre otros científicos que crearon herramientas de código. Yi le dijo: "Eso va a enfadar a la gente. Vamos a decir que sus herramientas son geniales, pero que el problema es que la IA se confunde con tantas herramientas a la vez". El humano actúa como un diplomático para mantener las buenas relaciones.

4. Anticipando al "Crítico Enojado"

En el mundo académico, siempre hay un revisor (el famoso "Revisor 2") que busca cualquier error para rechazar el artículo.

• El desafío: La gente podría pensar: "¿No copiaste la IA el código de internet?" o "¿Cómo puede la IA hacer algo bien si antes falló?".
• La defensa: Yi usó a la IA para escribir el artículo, pero él mismo diseñó la estrategia para explicar por qué no fue un plagio. Explicó que la IA no memorizó nada, sino que siguió sus instrucciones paso a paso. Es como si el director le dijera al crítico: "Mira, aquí están los ensayos y los bocetos; el actor improvisó, pero yo dirigí cada escena".

5. Dibujando con la IA (El Director de Arte)

Para hacer los gráficos, Yi no le pidió a la IA de imágenes que "dibujara algo bonito". Eso suele salir mal (como dibujar un gato con seis patas).

• La estrategia: Usó a la IA de texto como un Director de Arte. Le dijo: "No dibujes una red neuronal caótica. Dibuja una fila de 5 círculos conectados por una línea, como un tren en una vía".
• La IA de texto tradujo esa idea física compleja en instrucciones precisas para la IA de imágenes, logrando un dibujo perfecto y científicamente correcto.

6. La Conclusión: Transparencia Radical

El mensaje final del artículo es muy importante: La IA no escribe el artículo por ti; tú colaboras con ella.

• La propuesta: Yi dice que ya no basta con decir "usé ChatGPT para mejorar la gramática". Ahora, para que sea honesto, los científicos deben publicar todo el registro de la conversación (el chat completo) como si fuera un dato experimental más.
• Por qué: Así, cualquiera puede ver que el humano estuvo al volante, corrigiendo errores y guiando la lógica. Es como mostrar el "cuaderno de bitácora" de un barco para demostrar que el capitán estaba realmente al mando y no solo dejando que el barco navegara solo.

En resumen

Este artículo nos dice que el futuro de la ciencia no es que las máquinas reemplacen a los humanos, sino que los humanos se conviertan en jefes de equipo más inteligentes. La IA hace el trabajo pesado de escribir y organizar, pero el humano aporta la intuición, la corrección de errores y la responsabilidad moral. Para que esto funcione, debemos ser totalmente transparentes y mostrar cómo trabajamos juntos.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo "Co-Authoring with AI: How I Wrote a Physics Paper About AI, Using AI" de Yi Zhou, traducido y adaptado al español.

Resumen Técnico: Co-Autoría con IA en Física Computacional

1. Problema

El artículo aborda el desafío fundamental que plantean los Modelos de Lenguaje Grandes (LLM) en la escritura científica: la redefinición de la autoría, la responsabilidad y la integridad académica.

• La transición de herramienta a colaborador: Los físicos computacionales han pasado de usar ordenadores como herramientas deterministas a gestionar LLMs como "colaboradores virtuales".
• El riesgo de la generación automática: Si se solicita a una IA que escriba un manuscrito completo sin intervención humana profunda, tiende a generar borradores genéricos, excesivamente entusiastas y científicamente superficiales (alucinaciones académicas).
• Falta de rigor y diplomacia: Las IAs carecen de la intuición física necesaria para corregir errores conceptuales (ej. distinción entre matemáticas continuas y discretas), el conocimiento taxonómico actualizado (ej. orden topológico protegido por simetría) y la diplomacia académica necesaria para no ofender a la comunidad científica al criticar bibliotecas de código existentes.

2. Metodología

El autor describe un caso de estudio donde utilizó una "Grupo de Investigación Virtual" de LLMs para desarrollar un motor de redes tensoriales y redactar un manuscrito, bajo una metodología estricta de Humano en el Bucle (Human-in-the-Loop, HITL).

• Asignación de Roles Multi-Agente: Se asignaron roles específicos a diferentes modelos de IA para simular un equipo de investigación:
  • LLM-0 (Teórico Junior): Extracción de ecuaciones crudas.
  • LLM-1 (Postdoctorado Senior): Redacción de especificaciones matemáticas rigurosas en LaTeX.
  • LLM-2 (Programador): Implementación final en Python.
• Estrategia de Escritura "De Adentro hacia Afuera" (Inside-Out):
  • Carga de Contexto: Antes de generar texto, se cargó la ventana de contexto de la IA con la idea teórica original, detalles del proyecto, especificaciones matemáticas y, crucialmente, las transcripciones completas e ineditas de las interacciones previas.
  • Génesis Conversacional: Los conceptos clave (como la metáfora del "Grupo de Investigación Virtual" o la "API Universal" de las notas LaTeX) surgieron de un diálogo iterativo entre el autor humano y la IA, elevando la intuición física cruda a paradigmas científicos formales.
• Supervisión Activa (Mentoring): El autor actuó como Investigador Principal (PI), interviniendo en tres áreas críticas:
  1. Corrección de Física: Detectar errores lógicos (ej. corregir la noción de "matemáticas continuas" en redes tensoriales que operan en retículos discretos).
  2. Actualización Taxonómica: Forzar el uso de terminología moderna (ej. cambiar "orden topológico oculto" por "orden topológico protegido por simetría" o SPT).
  3. Diplomacia Académica: Reescribir críticas agresivas a bibliotecas de código (ITensor, TeNPy) para mantener el tono profesional y atribuir los fallos a la mezcla de convenciones en los datos de entrenamiento de la IA, no a las bibliotecas en sí.
• Gestión de Visualizaciones Multi-modales: El autor utilizó un LLM de texto como "Director de Arte" para generar instrucciones de diseño altamente restringidas para un generador de imágenes (Nano Banana 2), asegurando que las figuras físicas (ej. diagramas de Estados Producto Matricial 1D) fueran precisas y no alucinaciones visuales.

3. Contribuciones Clave

• Marco de Trabajo HITL para Escritura Científica: Demuestra que el valor humano no reside en escribir texto de relleno, sino en la dirección intelectual, la corrección de lógica física y la gestión de la narrativa.
• Defensa contra la Contaminación de Datos: El manuscrito incluye argumentos empíricos para demostrar que el código generado no es una mera memorización de repositorios de GitHub, sino el resultado de un razonamiento simbólico in-contexto basado en especificaciones LaTeX nuevas y únicas.
• Resolución de la Paradoja de la Capacidad del Modelo: Explica cómo un modelo que falla en la codificación "zero-shot" puede tener éxito si se le proporciona un contexto matemático restringido paso a paso, identificando la falta de contexto como el cuello de botella real.
• Propuesta de Transparencia Radical: Argumenta que la única forma de mantener la integridad científica es publicar las transcripciones completas e ineditas de las interacciones humano-IA como material suplementario.

4. Resultados

• Eficiencia: Se logró completar una tarea que tradicionalmente toma meses a estudiantes de posgrado (desarrollo de un motor de redes tensoriales y redacción del manuscrito) en menos de 24 horas.
• Calidad del Manuscrito: El documento final fue capaz de abordar críticas potenciales de revisores ("Reviewer 2") antes de la publicación, incluyendo defensas contra acusaciones de plagio por memorización y correcciones de rigor algorítmico (escalado de memoria $O(d^2D^4)$ vs $O(d^4D^4)$).
• Validación Visual: Se produjeron figuras y caricaturas editoriales físicamente precisas, evitando las alucinaciones geométricas comunes en la generación de imágenes por IA.
• Reproducibilidad: Todo el proceso, incluidas las transcripciones de chat, el historial de prompts y el código, se ha hecho público en un repositorio de GitHub para verificación independiente.

5. Significado

Este artículo marca un punto de inflexión en la práctica científica:

• Cambio de Paradigma en la Autoría: La contribución humana se redefine de "escribiente" a "Investigador Principal" que guía, corrige y valida el razonamiento de la IA.
• Nueva Norma de Integridad: Se propone que la transparencia radical (publicación de transcripciones) debe ser un requisito estándar para cualquier manuscrito que utilice IA, permitiendo a la comunidad verificar que el humano dirigió la lógica y no solo la sintaxis.
• Simbiosis Científica: El trabajo valida el potencial de la simbiosis humano-IA para acelerar la investigación en física computacional, siempre que se mantenga un control riguroso sobre la precisión física y la ética académica.

En conclusión, el artículo no aboga por la automatización total, sino por la aumentación iterativa, donde la IA maneja la estructura y la sintaxis, mientras el humano garantiza la verdad científica, la lógica y la responsabilidad.