Explora IAdemia

Actualidad por tema

Buscar en IAdemia

Escribe una palabra o un tema.

    PublicadoInvestigación y ciencia

    La IA entra a las matemáticas: OpenAI publica cientos de demostraciones y divide a los matemáticos

    Un modelo interno de OpenAI produjo más de 700 manuscritos sobre problemas abiertos, pero no está claro cuántos están formalizados para que un computador los verifique: las cifras del repositorio y de TechCrunch se contradicen. La startup Axiom apuesta a formalizarlo todo.

    Pizarra con cálculos matemáticos escritos a mano
    Foto: David Malone / CC-BY-4.0 vía Wikimedia Commons

    Las matemáticas viven un momento incómodo. OpenAI publicó en GitHub más de 700 manuscritos con resultados sobre problemas abiertos generados por un modelo interno que no está disponible para el público, y la comunidad matemática sigue debatiendo qué hacer con ellos. Al mismo tiempo, la startup Axiom Math anunció que sus agentes de IA tradujeron a código verificable uno de los grandes textos de referencia de la geometría algebraica. Las dos noticias muestran las dos caras del mismo problema: la IA produce demostraciones más rápido de lo que los humanos pueden revisarlas.

    El repositorio de OpenAI en GitHub describe su contenido como manuscritos y material de apoyo producidos por un modelo interno sin nombre. Según el propio repositorio, el modelo recibió cerca de 4.000 problemas y dedicó en promedio a cada resultado tres horas de cómputo de razonamiento del nivel de ChatGPT Pro. El catálogo, que al lanzarse sumaba 719 manuscritos según TechCrunch, que cubrió la publicación a comienzos de octubre, hoy lista 721 agrupados en 373 familias, con temas que van de la teoría de números al álgebra y la informática teórica. OpenAI advierte en el mismo repositorio que los resultados están en distintas etapas de verificación, que algunos de los que no fueron formalizados podrían tener problemas y que deben entenderse como datos brutos de investigación más que como artículos pulidos.

    Ahí está el centro de la discusión. El repositorio indica hoy que alrededor del 42% de los resultados principales está formalizado en Lean, un lenguaje en el que un programa revisa cada paso lógico de una demostración. El resto depende de que alguien lo lea y lo entienda. TechCrunch, en cambio, escribió el 8 de octubre que el 42% de las demostraciones publicadas no había pasado por ese proceso, es decir, lo contrario. Las dos cifras no pueden describir a la vez el mismo conjunto: OpenAI ha ido actualizando el repositorio desde entonces, y no fue posible aclarar si la diferencia responde a esos cambios, a otra forma de contar o a un error en una de las fuentes. Lo que sí queda claro con cualquiera de las dos lecturas es que una parte importante de los resultados no está formalizada. TechCrunch informó en octubre que la publicación no cumplía varias de las recomendaciones del Grupo Asesor sobre Matemáticas e Inteligencia Artificial (AGMAI), un comité de nueve investigadores alojado en el Instituto de Estudios Avanzados (IAS), un centro independiente con sede en Princeton, Nueva Jersey: solo 10 de los 719 manuscritos incluían la cadena de razonamiento del modelo y no había metadatos que enlazaran cada demostración escrita con su versión formal. Un trabajo de investigadores de Cambridge y del King's College de Londres, citado por ese medio, documentó al menos dos discrepancias entre el texto y el código Lean en el resultado vinculado a las ecuaciones de Navier-Stokes, aunque eso no prueba que la solución sea incorrecta.

    Las reacciones van del asombro a la incomodidad. Según TechCrunch, Terence Tao, medalla Fields y profesor de la Universidad de California en Los Ángeles, criticó en la red Mathstodon que problemas se estén resolviendo de forma autónoma por personas que usan IA sin interés en el campo, y Melanie Wood, profesora de Harvard, advirtió que al momento de publicarse no existe comprensión humana de esos resultados: el trabajo recién empieza después. Genbeta recogió la opinión de Steven Kelk, profesor asociado de informática teórica en la Universidad de Maastricht, quien dijo al diario neerlandés de Volkskrant que la IA podría haber adelantado de golpe diez o veinte años de investigación, pero que recibir la respuesta sin recorrer el camino le deja una gran sensación de vacío. Para Kelk, equivocarse, colaborar y descubrir ideas durante el proceso es parte de lo que se pierde.

    Según Genbeta, OpenAI anunció además que destinará cinco millones de dólares a un programa de la Fundación Simons para ayudar a matemáticos a estudiar y entender demostraciones hechas por IA. TechCrunch, por su parte, informa que OpenAI dijo haber consultado a un grupo asesor de matemáticos de primer nivel, y reconoce que la empresa siguió algunas de sus recomendaciones, como publicar pronto los resultados y explicar cómo se obtuvieron. El propio repositorio dice que OpenAI se remite por completo a la comunidad matemática en temas de crédito y precedencia.

    Axiom Math propone una salida distinta. TechCrunch informó el 5 de noviembre que la empresa, fundada en 2025, dirigida por Carina Hong, quien dejó un doctorado en matemáticas en Stanford, y valorada en 1.600 millones de dólares, usó agentes que trabajaron en paralelo para formalizar en Lean el Stacks Project, una obra colaborativa de geometría algebraica iniciada en 2005 por Johan de Jong. Según ese medio, el resultado son unas 16 millones de líneas de código verificado a partir de más de 7.600 páginas. El sitio de Axiom aclara un matiz relevante: la biblioteca tiene dos niveles, uno revisado y llevado a los estándares de Mathlib, la gran biblioteca comunitaria de Lean, y otro con código escrito por IA que todavía no ha pasado revisión humana, aunque Lean comprueba las demostraciones de ambos.

    La diferencia entre ambos enfoques es la que separa una afirmación de una prueba comprobada. Un resultado formalizado en Lean puede ser verificado por cualquiera con un computador; uno escrito solo en lenguaje natural exige semanas de lectura experta. Tao, citado por TechCrunch, resumió la lógica de Axiom: mientras más demostraciones formalizadas existan, más fácil es construir otras nuevas.

    Para estudiantes e investigadores de habla hispana, el mensaje práctico es doble. Por un lado, ya hay herramientas que pueden proponer demostraciones serias y que conviene conocer. Por otro, un resultado de IA sin formalizar ni revisar es, por ahora, una hipótesis bien escrita. El criterio que la comunidad está construyendo es simple de enunciar: si no hay verificación formal o lectura humana responsable, no hay teorema.

    Información de la publicación

    Publicado

    15 nov 2026

    Última actualización

    17 nov 2026

    Estado editorial

    Publicado
    ← Volver a Investigación y ciencia

    Cargando comentarios…

    Abrir la conversación