Por Redacción Pangea IA ·
La inteligencia artificial ya no se limita a resolver ejercicios conocidos. Un modelo interno de OpenAI ha producido diez resultados que resuelven o hacen avanzar problemas matemáticos abiertos desde hace años. Las demostraciones se han publicado y formalizado para que un ordenador pueda comprobarlas paso a paso. Es un salto importante, aunque todavía no equivale a sustituir a los matemáticos ni a crear una teoría científica completa sin ayuda humana.
La noticia ha provocado una mezcla poco habitual de entusiasmo y preocupación. Por un lado, una IA capaz de explorar miles de caminos, combinar técnicas lejanas y verificar el resultado podría acelerar la investigación. Por otro, los matemáticos deben decidir cómo se atribuyen estos descubrimientos, quién comprueba su relevancia y qué valor conserva el trabajo humano cuando una máquina puede producir pruebas más deprisa.
La cuestión de fondo ya no es si una IA sabe calcular. Es si puede contribuir a ampliar el conocimiento humano y, en caso afirmativo, qué papel quedará para quienes plantean las preguntas, construyen teorías y explican por qué un resultado importa.
Qué ha conseguido Astra, la IA matemática de OpenAI
OpenAI atribuye los resultados a una versión interna de Astra, su siguiente familia de modelos, que todavía no está disponible para el público. La empresa evaluó el sistema con problemas de investigación y seleccionó diez avances en matemáticas y ciencias de la computación teórica.
No todos los resultados hacen lo mismo. Algunos resuelven una pregunta abierta, otros refutan una conjetura y varios mejoran límites que llevaban décadas sin avanzar. Abarcan geometría de altas dimensiones, teoría de grupos, criptografía basada en retículas, complejidad computacional, juegos cuánticos y combinatoria.
- Grupos no sóficos: Astra construyó un ejemplo que responde a una cuestión central de la teoría de grupos.
- Empaquetamiento de esferas: obtuvo una mejora general para estimar cómo pueden colocarse esferas en espacios de muchas dimensiones.
- Conjetura de rigidez de Connes: produjo un contraejemplo que invalida una formulación mantenida durante años.
- Criptografía poscuántica: avanzó en la dificultad de aproximar el problema del vector más cercano, relacionado con sistemas criptográficos basados en retículas.
- Números de Ramsey: estableció un nuevo límite inferior y resolvió uno de los problemas planteados por Paul Erdős.
OpenAI calcula que los tokens utilizados para encontrar las soluciones costarían alrededor de 2.000 dólares con las tarifas de su API. La cifra no incluye necesariamente todo el coste de desarrollar el modelo, preparar la infraestructura o revisar el trabajo, pero muestra por qué la automatización de la investigación podría resultar económicamente disruptiva.
Los argumentos fueron convertidos en manuscritos por personas con ayuda del mismo modelo. Después, Astra formalizó cada prueba en Lean, un sistema diseñado para expresar razonamientos matemáticos de forma que puedan comprobarse mecánicamente.
¿La IA ha creado matemáticas realmente originales?
Depende de qué entendamos por original. Los modelos de lenguaje aprenden de grandes cantidades de trabajos existentes y son especialmente buenos combinando patrones. Una demostración puede ser nueva aunque sus ingredientes ya fueran conocidos, del mismo modo que un matemático humano puede descubrir un resultado al conectar dos teorías publicadas anteriormente.
El ejemplo más claro es la construcción de un grupo no sófico. Henry Bradford, investigador de la Universidad de Cambridge especializado en ese campo, explica que la prueba se apoya en una modificación de teoremas anteriores de Gabor Kun y Andreas Thom. Eso limita la idea de que Astra haya inventado una rama matemática desde cero, pero no elimina el mérito de encontrar una combinación que había pasado inadvertida.
Algo parecido ocurrió con el problema de las distancias unitarias de Erdős, anunciado por OpenAI en mayo. El modelo empleó herramientas de teoría algebraica de números en un problema geométrico y produjo un contraejemplo inesperado. Matemáticos humanos revisaron, simplificaron y mejoraron después el resultado. La aportación de la IA no fue una búsqueda ciega entre millones de casos: identificó una conexión útil entre áreas distintas.
Por eso conviene evitar dos extremos. Afirmar que la IA solo copia ignora que una combinación inédita puede constituir un descubrimiento real. Decir que ya comprende las matemáticas como una persona pasa por alto que todavía depende de conocimiento humano previo, herramientas formales y una comunidad capaz de interpretar el resultado.
Cómo puede comprobarse una demostración creada por IA
Una prueba escrita en lenguaje natural puede contener saltos, supuestos ocultos o errores difíciles de detectar. Esto resulta especialmente preocupante cuando un modelo produce documentos de cientos de páginas con apariencia convincente. Leerlos y revisarlos puede requerir más esfuerzo que generar el texto.
Lean reduce ese riesgo. Cada afirmación se traduce a un lenguaje formal y el programa comprueba que todos los pasos se derivan de reglas y definiciones aceptadas. Si falta una justificación, la prueba no se valida. OpenAI ha publicado en GitHub los archivos de Lean correspondientes a los diez resultados, junto con instrucciones para compilarlos y realizar comprobaciones independientes.
| Etapa | Qué aporta la IA | Qué sigue necesitando revisión humana |
|---|---|---|
| Elegir el problema | Puede analizar grandes colecciones de preguntas abiertas | Valorar si la pregunta es importante y está bien formulada |
| Buscar una idea | Explora conexiones y variantes con mucha rapidez | Comprobar antecedentes, atribución y verdadera novedad |
| Construir la prueba | Genera argumentos y corrige caminos fallidos | Evaluar claridad, alcance y significado |
| Formalizar en Lean | Traduce los pasos para su verificación mecánica | Confirmar que la formulación representa el problema original |
| Publicar y ampliar | Ayuda a redactar y buscar consecuencias | Revisión por pares, explicación y desarrollo de nueva teoría |
Una certificación formal es una garantía fuerte de consistencia, pero no responde a todas las preguntas. El ordenador comprueba el teorema que se le ha dado; no decide si ese enunciado corresponde exactamente a la conjetura que interesaba, si el resultado ya existía en una publicación poco conocida o si la prueba aporta comprensión a la disciplina.
Lo que esta IA todavía no ha demostrado
Astra es un sistema interno y no existe por ahora una forma abierta de repetir todo el proceso de descubrimiento. Los manuscritos y certificados permiten examinar los resultados, pero la comunidad científica todavía debe revisarlos, situarlos en la literatura y comprobar el alcance de las afirmaciones.
También existe un sesgo de selección. OpenAI publica diez éxitos, pero no conocemos con el mismo detalle cuántos problemas se intentaron, cuántas respuestas fueron erróneas o cuánto trabajo humano hizo falta para descartar resultados sin valor. Esa información sería necesaria para medir la fiabilidad del sistema como investigador cotidiano.
Los campos elegidos son además especialmente adecuados para una verificación formal. En otras áreas, una contribución depende de construir conceptos, interpretar datos, diseñar experimentos o decidir qué explicación resulta más profunda. Resolver un teorema difícil no demuestra automáticamente que el modelo pueda dirigir cualquier programa científico.
- No prueba que Astra sea una inteligencia artificial general.
- No garantiza que todos sus argumentos en lenguaje natural sean correctos.
- No sustituye la revisión por pares ni la búsqueda de trabajos anteriores.
- No demuestra que el modelo pueda elegir por sí solo las preguntas más valiosas.
- No convierte automáticamente una prueba correcta en una explicación comprensible.
¿Va a sustituir la IA a los matemáticos?
Es probable que automatice una parte creciente de su trabajo, pero «hacer matemáticas» comprende más que producir teoremas. Los investigadores eligen problemas, desarrollan lenguajes conceptuales, enseñan, conectan resultados con otras disciplinas y construyen una comprensión compartida. Una máquina puede encontrar una prueba correcta y, aun así, no explicar por qué abre un camino fértil.
El cambio más inmediato podría parecerse al que ya vive la programación. Los profesionales que utilicen agentes capaces de explorar, formalizar y comprobar hipótesis podrán avanzar más deprisa. El valor se desplazará desde ejecutar cada paso manualmente hacia plantear buenas preguntas, supervisar el proceso y reconocer cuándo una respuesta aparentemente válida no tiene sentido.
Sin embargo, la productividad también plantea un problema de volumen. Si crear un manuscrito cuesta minutos pero revisarlo exige semanas, las revistas y universidades pueden recibir más resultados de los que la comunidad es capaz de evaluar. La Declaración de Leiden sobre IA y matemáticas reclama transparencia sobre las herramientas utilizadas, atribución rigurosa, verificación formal cuando sea apropiada y publicación mediante procesos de revisión reconocidos.
También habrá una discusión laboral. Si las instituciones miden a sus investigadores principalmente por el número de artículos, una IA que produzca resultados baratos puede ejercer presión sobre plazas y financiación. Si valoran la comprensión, la docencia, la selección de problemas y la construcción de comunidades científicas, el papel humano seguirá siendo central aunque cambien muchas tareas.
De demostrar teoremas a acelerar la ciencia
Las matemáticas ofrecen a la IA un entorno excepcional porque una prueba formal puede verificarse automáticamente. Esa señal clara permite entrenar sistemas mediante intentos y correcciones sin que una persona tenga que evaluar cada paso. Los avances obtenidos aquí podrían mejorar la capacidad de razonamiento en programación, diseño de algoritmos, física teórica o seguridad informática.
El salto siguiente será combinar esta precisión con experimentos reales. En nuestra noticia sobre Claude y el control de hardware mediante MHS explicamos cómo los agentes empiezan a operar microscopios, láseres y brazos robóticos. Un sistema capaz de proponer una hipótesis, derivar sus consecuencias, diseñar una prueba y ajustar el experimento cerraría buena parte del ciclo científico.
La IA biológica basada en cientos de modelos especializados apunta en la misma dirección: herramientas que no solo resumen publicaciones, sino que generan candidatos, predicen propiedades y ayudan a descubrir relaciones nuevas. La combinación de razonamiento formal, modelos científicos y laboratorios automatizados podría ser una de las aplicaciones más transformadoras de la IA durante la próxima década.
Cinco señales que mostrarán si el cambio es real
- Revisión independiente: expertos ajenos a OpenAI confirman la corrección, novedad y relevancia de los diez trabajos.
- Reproducibilidad: otros equipos obtienen resultados comparables con modelos y procesos documentados.
- Acceso: las herramientas dejan de estar restringidas a laboratorios con grandes presupuestos.
- Comprensión: la IA no solo entrega pruebas, sino explicaciones más simples que ayudan a crear teoría nueva.
- Impacto acumulativo: los resultados generan investigaciones posteriores, mejores algoritmos o aplicaciones verificables.
La primera señal ya empieza a observarse. El contraejemplo de las distancias unitarias inspiró trabajos posteriores y matemáticos humanos ampliaron las técnicas utilizadas. Falta comprobar si los nuevos resultados de Astra provocan una cadena similar y si el sistema puede repetir el éxito de forma consistente.
Conclusión: la IA entra en la investigación matemática
Los diez avances de Astra no significan el final de las matemáticas humanas. Sí muestran que la IA ha cruzado una frontera: puede producir argumentos nuevos sobre problemas de investigación y convertirlos en pruebas verificables por ordenador. Eso la acerca más a un colaborador científico que a una calculadora avanzada.
El futuro dependerá menos de enfrentar a personas y máquinas que de diseñar una relación útil entre ambas. La IA puede explorar y comprobar a gran velocidad; los matemáticos deben decidir qué merece estudiarse, situar las ideas en su contexto y convertir una respuesta formal en comprensión. Si esa división funciona, el resultado no será una ciencia sin humanos, sino una ciencia capaz de investigar a una escala que hasta ahora era imposible.
Fuentes consultadas
- OpenAI: diez avances en matemáticas y ciencias de la computación teórica.
- Manuscrito técnico con las diez demostraciones.
- Repositorio de OpenAI con las formalizaciones en Lean.
- Quanta Magazine: por qué los problemas de Erdős están cayendo ante la IA.
- The Guardian: debate entre matemáticos sobre el futuro de la disciplina.
- Declaración de Leiden sobre inteligencia artificial y matemáticas.
Fuentes revisadas el 29 de agosto de 2026. Los manuscritos deberán seguir siendo evaluados por la comunidad matemática.
Deja una respuesta