Investigación OpenAI y Google DeepMind resuelven conjeturas abiertas de décadas
Modelos de OpenAI y Google DeepMind resuelven problemas abiertos hace décadas. La comunidad matemática debate si el futuro es colaboración o sustitución, y América Latina arriesga su cantera de talento si no define su rol ya.
En mayo, un modelo de OpenAI logró avances sobre una conjetura de distancias unitarias que Paul Erdős planteó en 1946. En febrero, once matemáticos publicaron en arXiv diez problemas inéditos de sus propias investigaciones y retaron a la IA a resolverlos: el agente Aletheia de Google DeepMind acertó seis de diez, y un modelo de OpenAI produjo una demostración que expertos calificaron de "completamente correcta y bastante bella" Mathematicians in the Age of AI. En menos de cuatro años, la IA pasó de fallar en aritmética elemental a saturar los benchmarks de Putnam y abordar problemas de investigación activa Las noticias de la IA.
Dos vías, una meta: demostración formal e informal
El avance ocurre en dos frentes que se retroalimentan. En el formal, lenguajes como Lean funcionan como un "compilador" matemático: traducen argumentos a código que un verificador valida línea a línea, sin importar cuán extensa sea la prueba Xataka. El proyecto de formalizar la demostración de Maryna Viazovska sobre el empaquetamiento óptimo en 8 dimensiones (premio Fields 2022) llevó casi dos años de andamiaje humano; luego, la startup Math Inc. usó su agente Gauss para completar la prueba final en lo que Jeremy Avigad, director del instituto ICARM de la NSF, llamó "drive-by proving": una demostración técnicamente correcta pero ajena al proceso de comprensión que dio sentido al trabajo Mathematicians in the Age of AI.
En el frente informal, los modelos de lenguaje generan argumentos en lenguaje natural. El experimento First Proof mostró que ya pueden proponer soluciones a problemas abiertos que pasan la revisión de expertos, aunque al menos una de las diez demostraciones de OpenAI resultó errónea tras la auditoría comunitaria Xataka. La distinción importa: una prueba formal garantiza corrección lógica; una informal busca convencer a un par humano. La IA empieza a hacer ambas.
El umbral de la incomprensibilidad
Terence advirtió en Filadelfia: "Estamos muy, muy cerca de que un resultado importante quede demostrado y verificado sin que ningún humano pueda comprenderlo y explicarlo" Xataka. No es ciencia ficción: los agentes actuales entrelazan razonamiento simbólico y redes neuronales, exploran espacios de búsqueda inmensos y producen pruebas que, aunque verificables, carecen de la narrativa conceptual que permite a un matemático decir "ahora entiendo por qué es cierto". Timothy Gowers advierte que podríamos acumular una "biblioteca de Babel" matemática: millones de teoremas formales que nadie entiende lo suficiente para usar Xataka. Daniel Litt propone lo contrario: usar a la IA para generar no solo la prueba, sino la guía pedagógica que la haga inteligible Xataka.
La cantera de talento bajo amenaza
El riesgo no es solo epistémico, es estructural. Los matemáticos no se forman resolviendo conjeturas de Erdős; se forman tropezando con problemas "manejables", cometiendo errores y construyendo intuición. Si la IA absorbe ese trabajo intermedio —buscar ejemplos, probar lemas auxiliares, revisar bibliografía oscura—, desaparece el gimnasio donde se forja al investigador Xataka. Avigad lo resume: "Si hacer matemáticas se reduce a consultar a la IA, ¿qué pasa con el disfrute que atrae a los estudiantes?" Mathematicians in the Age of AI. La analogía del ajedrez falla: no escolarizamos ajedrez doce años ni financiamos departamentos de ajedrez en cada universidad.
América Latina: entre la adopción y la dependencia
La región tiene tradición matemática fuerte —IMPA en Brasil, institutos en Argentina, México, Chile— pero recursos de cómputo limitados y fuga de talento hacia laboratorios centrales. Jacob Tsimerman, medalla Fields 2022, fichó por OpenAI Xataka. Si los grandes avances requieren clusters de GPU que solo Big Tech posee, la investigación matemática de frontera se convierte en cautiva de infraestructura ajena. La Declaración de Leiden, firmada por decenas de matemáticos, exige preservar autonomía intelectual, atribución, diversidad de métodos y transparencia Xataka. Para América Latina, la pregunta operativa es cómo negociar acceso a esos modelos y a la vez formar investigadores que no dependan ciegamente de ellos.
Tres frentes de acción inmediata
- Currícula resistentes: Rediseñar la formación de pregrado y posgrado para que el uso de IA sea una competencia evaluada, no un atajo prohibido. Avigad sugiere que si no entrenamos ingenieros para resolver problemas con IA, no los entrenamos para ser ingenieros Mathematicians in the Age of AI.
- Infraestructura soberana: Consorcios universitarios y fondos regionales (como los que impulsa CAF o BID) deberían priorizar clústeres de cómputo compartidos para investigación matemática y de IA, evitando la dependencia exclusiva de APIs comerciales.
- Gobernanza del conocimiento: Adoptar estándares de atribución y transparencia alineados con la Declaración de Leiden en publicaciones y tesis, y exigir que los modelos usados en investigación permitan auditoría de sus cadenas de razonamiento.
La matemática no va a desaparecer, pero su economía del conocimiento está mutando. Quien defina hoy las reglas de colaboración humano-IA —qué se delega, qué se verifica, qué se enseña— decidirá si la región sigue produciendo teoremas o solo los consume.
