Una IA derriba la conjetura centenaria de Erdős y abre la puerta a la matemática asistida

Un hito inesperado para la comunidad matemática

La semana pasada OpenAI sorprendió a los investigadores al publicar que uno de sus modelos de inteligencia artificial había encontrado un contraejemplo a la famosa conjetura formulada por Paul Erdős en 1946. La cuestión, conocida como el problema de la distancia unitária en el plano, lleva casi ocho décadas bajo la lupa de quienes intentan demostrar si la disposición más eficaz de n puntos en una hoja infinita es similar a una cuadrícula. Daniel Litt, matemático canadiense, describió el hallazgo como “el primer resultado producido de forma autónoma por una IA que me resulta interesante por sí mismo”.

Tras el anuncio, el matemático estadounidense Will Sawin replicó el razonamiento y consiguió una mejora adicional. Al mismo tiempo, un equipo de Google DeepMind utilizó sus propios modelos para resolver otros nueve problemas abiertos planteados por Erdős. Estos avances muestran tanto el potencial de los sistemas actuales como sus limitaciones: pueden explorar combinaciones enormes y aplicar técnicas conocidas, pero todavía depende de los investigadores definir el objetivo y validar los resultados.

¿Qué cambia en la práctica?

El problema de la distancia unitária consiste en preguntar cuántas parejas de puntos pueden estar separadas exactamente por una unidad de distancia, dados n puntos colocados libremente en el plano. La intuición tradicional sugiere usar una cuadrícula regular, ya que su espaciado produce numerosos pares a la distancia requerida. Durante años los matemáticos creyeron que ninguna configuración superaría significativamente a esta disposición. Incluso Erdős insinuó que cualquier mejora sería marginal.

El modelo de OpenAI demostró lo contrario. Utilizando herramientas de la teoría de números algebraicos, encontró patrones de puntos que generan mucho más pares a distancia unitária que la cuadrícula, y lo logra para infinitos valores de n. La evidencia empírica sugiere que la ventaja se hace notable a partir de aproximadamente 10^2000000 puntos, una cifra inconmensurable en cualquier experimento físico, pero válida en el marco teórico.

Timothy Gowers, medallista Fields, comentó que si un humano hubiera presentado este trabajo a la revista Annals of Mathematics, lo habría aceptado “sin ninguna vacilación”. Según él, ningún antecedente de prueba generada por IA alcanzaba tal nivel de sofisticación. El artículo de OpenAI muestra también el “prompt” utilizado y la cadena de razonamiento que siguió el modelo, lo que abre la discusión sobre cuánta intervención humana es realmente necesaria.

Implicaciones para los negocios y la toma de decisiones

Para los ejecutivos, el mensaje no es meramente académico. La capacidad de una IA para detectar estructuras ocultas y proponer configuraciones óptimas implica que problemas complejos de diseño, logística o redes —donde la disposición de nodos o recursos influye en la eficiencia— podrían abordarse con algoritmos que exploren espacios de solución antes inalcanzables. En áreas como la planificación urbana, la optimización de sensores o la arquitectura de chips, una mayor densidad de conexiones “a distancia de unidad” puede traducirse en ahorros de material, energía o tiempo.

Sin embargo, la dependencia de modelos que operan como una caja negra también plantea riesgos: la verificación de resultados, la interpretación de los pasos intermedios y la alineación con estándares regulatorios siguen siendo responsabilidad humana. La experiencia de OpenAI muestra que la IA puede generar ideas novedosas, pero la validación y la contextualización final recaen en expertos.

¿Qué nos depara el futuro?

Este episodio invita a reflexionar sobre el rol cambiante de la matemática en la era de la IA. Por primera vez, una pregunta abierta durante décadas se resuelve prácticamente sin intervención humana más allá de la formulación del problema. La cuestión que queda es cuánto de esa “chispa creativa” será replicable en dominios donde la intuición humana ha sido el motor principal.

Para los lectores que lideran organizaciones, la lección es clara: adoptar herramientas de IA no solo significa automatizar tareas rutinarias, sino también potenciar la generación de ideas estratégicas que antes estaban fuera del alcance. La clave será crear equipos híbridos donde el conocimiento profundo de la industria se combine con la capacidad de los modelos para explorar vastos espacios de posibilidades.

¿Están sus empresas preparadas para colaborar con máquinas que no solo calculan, sino que también sugieren nuevas formas de resolver problemas complejos?