La IA resuelve problemas de Erdős. ¿Qué sigue?

Hace solo unos meses, la pregunta parecía principalmente filosófica: si la inteligencia artificial puede ayudar a resolver problemas matemáticos abiertos, ¿qué sucede con la idea de genio humano?

Esa pregunta ya no es teórica. Dos desarrollos recientes que involucran a OpenAI y Google DeepMind sugieren que la IA está pasando de asistente matemático a participante matemático. No en el sentido de reemplazar a los matemáticos en su totalidad, sino en el sentido más preciso y más importante de generar, buscar, comprobar y sometimes descubrir argumentos que pueden sobrevivir al escrutinio de expertos.

El primer desarrollo vino de OpenAI, que anunció que un modelo de razonamiento general interno había logrado un avance en el problema de la distancia unitaria plana, una pregunta famosa planteada por Paul Erdős en 1946. El problema pregunta cuántos pares de puntos en un plano pueden estar exactamente a una unidad de distancia. Durante décadas, la creencia prevaleciente era que las construcciones de rejilla cuadrada eran esencialmente óptimas. El modelo de OpenAI encontró una nueva familia de construcciones que desmintió esa creencia.

El segundo vino de los investigadores de Google DeepMind, que publicaron un artículo titulado Avanzando la investigación matemática con la búsqueda de pruebas formales impulsada por IA. Su sistema, AlphaProof Nexus, evaluó la generación de pruebas impulsada por IA en problemas de investigación de nivel abierto y informó que su agente más fuerte resolvió de forma autónoma 9 de 353 problemas de Erdős abiertos. También probó 44 de 492 conjeturas abiertas de la Enciclopedia en línea de secuencias enteras.

Juntos, estos resultados marcan un cambio. La historia importante no es que la IA ha resuelto de repente las matemáticas. No lo ha hecho. La historia importante es que los sistemas de IA están comenzando a operar dentro del propio ciclo de investigación.

Por qué los problemas de Erdős son una prueba seria para la IA

Paul Erdős fue uno de los matemáticos más prolíficos de la historia, y los problemas asociados con su trabajo ocupan un lugar especial en las matemáticas. Muchos son fáciles de enunciar, difíciles de resolver y conectados a áreas profundas como la combinatoria, la teoría de números, la teoría de grafos y la geometría discreta.

Eso los hace inusualmente útiles como una referencia para el razonamiento de la IA. No son ejercicios escolares. No son siempre conjeturas gigantes y teóricas como la hipótesis de Riemann. En cambio, muchos problemas de Erdős se encuentran en el terreno intermedio donde el progreso depende de encontrar la conexión correcta, la construcción correcta o el lema pasado por alto.

Este es exactamente el lugar donde la IA puede ser más útil al principio. Los sistemas de razonamiento modernos no son solo calculadoras. Pueden explorar muchos caminos de prueba posibles, comparar estrategias parciales, recuperar ideas distantes de campos adyacentes y probar si un argumento se puede hacer riguroso.

El resultado de OpenAI es impactante porque el modelo no simplemente pulió una ruta conocida. Encontró un puente inesperado entre la geometría discreta y la teoría de números algebraicos. Ese es el tipo de salto conceptual que los matemáticos suelen asociar con la creatividad genuina.

OpenAI y el avance de la distancia unitaria

El problema de la distancia unitaria plana es simple de describir. Coloca n puntos en el plano. Cuenta cuántos pares de puntos están exactamente a una unidad de distancia. El objetivo es entender cuán grande puede ser ese recuento a medida que n crece.

Durante casi 80 años, los matemáticos sospecharon que las mejores construcciones no superarían dramáticamente los arreglos basados en rejillas cuadradas. El modelo de OpenAI desafió esa suposición al producir una familia infinita de ejemplos que superaron el límite esperado por una mejora polinómica.

Eso importa por dos razones. Primero, cambia la imagen matemática. Sugiere que las construcciones de teoría de números pueden tener más que contribuir a la geometría discreta de lo que muchos investigadores asumieron. Segundo, cambia la imagen de la IA. El modelo involucrado se describió como un modelo de razonamiento general, no como un sistema construido solo para este problema específico.

En otras palabras, el sistema parece haber transferido el poder de razonamiento a un entorno de investigación desconocido. No simplemente memorizó una prueba conocida. Generó un resultado que los matemáticos externos trataron como una contribución importante.

Google DeepMind y la búsqueda de pruebas formales

El artículo de los investigadores de Google DeepMind aborda una pregunta diferente pero igualmente importante: ¿cómo se puede hacer que las matemáticas generadas por la IA sean confiables?

Los modelos de lenguaje pueden producir argumentos que parecen elegantes y contienen errores sutiles. En la prosa normal, esos errores pueden ser difíciles de detectar. En matemáticas, un paso incorrecto puede invalidar toda la prueba. Es por eso que los sistemas de pruebas formales como Lean son importantes. Lean no se preocupa por si un argumento suena persuasivo. Cada paso lógico debe comprobarse.

AlphaProof Nexus utiliza esa restricción como parte del flujo de trabajo. Los agentes de IA generan intentos de prueba en Lean, reciben retroalimentación del compilador, revisan su enfoque y continúan buscando. La versión más fuerte coordina subagentes y utiliza herramientas de prueba más avanzadas para enfocar la búsqueda.

El resultado de DeepMind es especialmente importante porque conecta el razonamiento de la IA con la verificación. El sistema no necesita ser confiado de la misma manera que un chatbot de lenguaje natural debe ser confiado. Su prueba o compila o no.

Qué significa esto para la investigación matemática

La lección actual no es que los matemáticos son obsoletos. Es que el cuello de botella en las matemáticas puede estar cambiando.

Históricamente, un investigador necesitaba hacer casi todo: formular el problema, investigar la literatura, probar ideas, construir la prueba, comprobar cada paso y comunicar el resultado. La IA ahora amenaza con redistribuir ese trabajo. Algunas partes del flujo de trabajo pueden volverse más rápidas, más baratas y más automatizadas.

• La IA puede explorar muchas rutas de prueba antes de que un humano se comprometa con una.
• Los sistemas formales pueden verificar pasos que de otra manera requerirían una verificación de expertos lenta.
• Los investigadores pueden usar la IA para buscar en subcampos matemáticos distantes.

Esto podría producir un nuevo estilo de investigación. En lugar de pedirle a la IA una respuesta, los matemáticos pueden supervisar cada vez más flotas de agentes de prueba. El papel humano se vuelve menos como una calculadora y más como un director de investigación: eligiendo los problemas correctos, interpretando los resultados, detectando la importancia conceptual y decidiendo qué caminos merecen una atención más profunda.

Los límites todavía son reales

Es importante no exagerar el momento. El sistema de Google DeepMind resolvió 9 de 353 problemas de Erdős intentados. Eso es impresionante, pero también significa que la mayoría permanecieron sin resolver. El resultado de la distancia unitaria de OpenAI es un hito, pero no implica que toda conjetura famosa esté ahora al alcance de la mano.

Los sistemas de IA todavía luchan cuando un problema requiere un nuevo marco conceptual, cuando las matemáticas relevantes están poco formalizadas, o cuando una prueba depende de largas cadenas de ideas que no pueden descomponerse fácilmente en pasos buscables. Las bibliotecas de pruebas formales también son irregulares. Las áreas con cobertura de Lean madura son más accesibles para los agentes de IA que las áreas donde el material fundamental todavía necesita ser codificado.

• Los sistemas siguen dependiendo de la selección y la interpretación de problemas humanos.
• La formalización puede ser difícil cuando las definiciones son ambiguas o están subdesarrolladas.
• Los intentos de prueba generados por la IA pueden seguir escondiendo un trabajo duro dentro de afirmaciones de ayuda no probadas.

Estos límites no son fracasos. Clarifican dónde deben ocurrir los próximos avances. Agentes de demostración de teoremas mejores, bibliotecas formales más ricas, flujos de trabajo de verificación más fuertes y interfaces humanas-IA más efectivas importarán todos.

Qué sigue después de que la IA resuelve los problemas de Erdős

El futuro más probable a corto plazo no es un momento dramático en el que la IA resuelve todas las matemáticas. Es una expansión constante de la investigación asistida por la IA en dominios con declaraciones de problemas limpias, bibliotecas formales sólidas y grandes cuerpos de trabajo previo fragmentado.

La combinatoria, la teoría de grafos, la teoría de números, la optimización y la geometría discreta son objetivos naturales tempranos. Estos campos a menudo contienen problemas donde la pregunta es concisa, pero la solución depende de coser ideas de lugares distantes. La IA se adapta bien a ese tipo de búsqueda.

Con el tiempo, el mismo patrón podría extenderse más allá de las matemáticas. Si un modelo puede sostener un argumento difícil, probar afirmaciones intermedias y conectar ideas a través de campos, esas capacidades importan en física, biología, ciencia de materiales, criptografía y investigación de IA en sí.

La consecuencia más profunda es cultural. Las matemáticas siempre han valorado la prueba, pero también han valorado el gusto: la capacidad de saber qué pregunta importa, qué abstracción vale la pena inventar y qué resultado cambia la forma de un campo. A medida que la búsqueda de pruebas se vuelve más automatizada, el gusto puede volverse más importante, no menos.

Conclusión: El genio se mueve hacia arriba en la pila

La respuesta a la pregunta anterior es ahora más clara. Si la IA puede resolver problemas matemáticos abiertos, el genio humano no desaparece. Se mueve hacia arriba en la pila.

La habilidad escasa no será la capacidad de moler a través de cada paso técnico solo. Será la capacidad de hacer las preguntas correctas, enmarcar las abstracciones correctas, juzgar el significado de los resultados descubiertos por la máquina y guiar los sistemas de IA hacia los problemas que importan.

El avance de la distancia unitaria de OpenAI y los resultados de la búsqueda de pruebas formales de Google DeepMind no cierran el libro sobre la creatividad matemática humana. Abren un nuevo capítulo en el que los matemáticos pueden trabajar con sistemas que pueden explorar el terreno más rápido que cualquier mente individual.

El futuro de las matemáticas puede no pertenecer a los humanos o a las máquinas solas. Puede pertenecer a los investigadores que aprenden a hacer que ambos piensen juntos.