GPT‑5.6 Sol ya ayuda a operar experimentos de computación cuántica

OpenAI publicó el 8 de septiembre de 2026 un caso de uso en el que GPT‑5.6 Sol, conectado mediante Codex al software de un laboratorio del MIT, ejecutó y ajustó mediciones rutinarias sobre chips cuánticos. La experiencia de Beatriz Yankelevich, estudiante de posgrado del grupo Engineering Quantum Systems, buscó comprobar cuánto trabajo experimental repetitivo podía asumir un agente.

También puede servirte: MIT diseña un qubit de dos partes más rápido y estable

Los chips estudiados usan qubits superconductores enfriados cerca del cero absoluto dentro de refrigeradores de dilución. Una vez fabricado, empaquetado y enfriado el dispositivo, los investigadores lo controlan por software con señales de microondas. Antes de realizar experimentos nuevos deben identificar frecuencias, calibrar pulsos y medir cuánto tiempo conserva cada qubit su información.

Yankelevich probó el sistema con un chip no calibrado de seis qubits. Entregó a Codex habilidades específicas que explicaban cómo ejecutar y evaluar cada medición, además de los objetivos de diseño del chip. El agente eligió parámetros, operó el hardware, analizó resultados y decidió si debía refinar la prueba o guardar los datos para la etapa siguiente.

Cuando las señales eran claras, GPT‑5.6 Sol completó con poca intervención una secuencia estándar. Identificó frecuencias de transición, calibró pulsos de control y lectura, y estimó tiempos de retención de información cuántica. Esas tareas encadenadas suelen ocupar días de un investigador porque cada resultado modifica los parámetros de la medición posterior.

El límite apareció con señales débiles o ruidosas. En esos casos, el agente tardó más en encontrar parámetros adecuados y a veces necesitó orientación de una persona con experiencia. El ensayo no demuestra que la IA comprenda toda la física ni que pueda conducir por sí sola investigación novedosa; muestra que sigue procedimientos definidos y adapta decisiones cuando la evidencia es suficientemente clara.

El grupo utiliza ahora agentes de manera regular para caracterizaciones rutinarias. Yankelevich explicó que puede dejarlos midiendo durante horas, incluso de noche o mientras trabaja en la sala limpia, y revisar el progreso desde el teléfono. El tiempo recuperado se destina a interpretar resultados, diseñar experimentos y decidir qué preguntas vale la pena investigar.

La conexión directa con instrumentos exige barreras concretas. El agente debe tener permisos acotados, límites de parámetros, registro de cada acción y mecanismos para detener una secuencia anómala. También hace falta conservar datos crudos y versiones de código para que un investigador pueda reconstruir qué ocurrió, corregir errores y repetir el resultado.

El caso señala una dirección útil para la IA científica: automatizar el trabajo que ya tiene criterios claros y devolver a los especialistas tiempo para el análisis. El próximo desafío es medir el desempeño en más chips, condiciones, equipos y laboratorios independientes. Por ahora, la evidencia combina autonomía en rutinas conocidas con supervisión humana cuando el mundo físico entrega señales ambiguas o inesperadas.