Por Canuto  

La inteligencia artificial ya no solo ayuda a calcular. También empieza a resolver, formalizar y hasta refutar problemas matemáticos complejos, empujando a la comunidad académica a una discusión incómoda sobre el valor de la intuición humana, la comprensión y el futuro mismo de la disciplina.
***

  • Sistemas de IA ya alcanzaron nivel de medalla de oro en la Olimpíada Internacional de Matemáticas y resultados publicables de nivel doctoral.
  • Matemáticos como Terence Tao, Akshay Venkatesh y Jeremy Avigad debaten si la IA debe ser herramienta, colaborador u oráculo autónomo.
  • El auge de asistentes de prueba y modelos de lenguaje reabre temores sobre acceso desigual, pérdida de motivación y atrofia intelectual.

La inteligencia artificial comenzó a alterar una de las disciplinas más asociadas con el pensamiento humano profundo: las matemáticas. Lo que durante siglos dependió de intuición, paciencia y razonamiento creativo ahora empieza a compartir espacio con sistemas capaces de resolver problemas de alta complejidad.

El cambio no es menor. Ya no se trata solo de software que acelera cálculos, sino de herramientas que participan en el razonamiento, formalizan pruebas y, en algunos casos, producen resultados que la comunidad considera cercanos al nivel de investigación avanzada.

Según reportó IEEE Spectrum, este avance está obligando a matemáticos de distintas generaciones a discutir preguntas que antes parecían remotas. Entre ellas destacan qué significa comprender una prueba, para qué sirven las matemáticas y si el humano seguirá ocupando el centro de la disciplina.

La discusión tiene implicaciones que van más allá del ámbito universitario. En una era marcada por la automatización del conocimiento, el caso de las matemáticas funciona como una señal temprana sobre cómo la IA podría transformar profesiones basadas en creatividad, rigor y juicio experto.

Para los lectores menos familiarizados con el tema, conviene recordar que las matemáticas no consisten únicamente en obtener respuestas correctas. Gran parte de su valor reside en formular conjeturas, construir demostraciones y compartir comprensión verificable con otros investigadores.

De la intuición humana a la asistencia algorítmica

El autor del reportaje original parte de una experiencia personal en su doctorado en matemáticas aplicadas en la Universidad de Edimburgo. Su trabajo se centró en simular interacciones de ondas de luz en cristales líquidos mediante ecuaciones simples.

Con el paso del tiempo, concluye que una IA actual probablemente podría completar esa investigación en días, quizá en horas. Sin embargo, distingue ese tipo de trabajo del esfuerzo mucho más abierto y abstracto que enfrentaban sus compañeros de matemáticas puras.

Esos investigadores pasaban jornadas enteras aparentemente estancados, a veces durante años, sin publicar un artículo. Lo que entonces parecía improductividad hoy se entiende como parte de una búsqueda intelectual cuyo valor no reside solo en el resultado final.

Jeremy Avigad, matemático de Carnegie Mellon University, resumió esa dimensión subjetiva con una frase central en el debate. “A veces, entender simplemente te parece muy hermoso”.

Avigad agregó que esa sensación se parece en parte al logro de completar un maratón, pero no es exactamente lo mismo. Para él, hay algo singular en pensar largo tiempo sobre un problema difícil y ver de pronto cómo todo encaja.

Krystal Maughan, matemática y científica computacional que estaba por obtener su Ph.D. en la Universidad de Vermont, describió una vivencia parecida. Recordó campamentos de matemáticas puras donde un grupo podía pasar media hora en silencio, simplemente pensando.

Luego, al trabajar juntos, los participantes lograban desentrañar el problema. Ese proceso lento y deliberativo es precisamente el que muchos temen que la IA reduzca, desplace o vuelva prescindible en ciertas áreas.

La IA ya no solo calcula, también razona y formaliza

Durante décadas, la computación ya había acelerado el progreso matemático. Un caso clásico ocurrió hace 50 años con la demostración asistida por computadora del teorema de los cuatro colores, basada en la verificación de 1.936 casos imposibles de revisar de forma realista por una persona.

Aun así, en esa etapa el matemático humano seguía ocupando el lugar central. Los humanos proponían conjeturas, diseñaban estrategias para probarlas y evaluaban si los argumentos eran correctos.

Ese equilibrio empezó a cambiar con rapidez en los últimos años. Los modelos de lenguaje grandes pasaron de ser sistemas criticados como “loros estocásticos” a herramientas capaces de mostrar razonamiento matemático mucho más sofisticado.

El verano pasado, sistemas de Google DeepMind y OpenAI alcanzaron rendimiento equivalente al de estudiantes de secundaria excepcionalmente talentosos. Ambos lograron nivel de medalla de oro en la Olimpíada Internacional de Matemáticas, una de las competencias más exigentes del mundo.

En esa prueba anual, los concursantes deben resolver seis problemas famosos por su dificultad. Las preguntas abarcan varias áreas de las matemáticas y exigen creatividad, no simple aplicación de fórmulas.

A comienzos de este año, el sistema experimental Aletheia, de Google DeepMind, alcanzó otro hito relevante. Produjo de forma autónoma resultados de investigación publicables de nivel doctoral sobre constantes de estructura en geometría aritmética.

Más recientemente, un sistema generalista de OpenAI refutó una conjetura importante en geometría combinatoria. Matemáticos de alto nivel consideraron que el resultado habría sido digno de publicación en una revista importante si lo hubieran firmado autores humanos.

El otro gran frente de cambio surge de la combinación entre modelos de lenguaje y asistentes de prueba como Isabelle, Lean y Rocq. Estas herramientas son lenguajes especializados que verifican pruebas paso a paso y validan su corrección lógica.

Hasta hace poco, traducir una prueba humana a ese formato legible por máquina era un cuello de botella costoso. Ese proceso, llamado formalización, exigía introducir manualmente cada definición, supuesto e inferencia.

Ahora los modelos de lenguaje comienzan a automatizar parte de esa traducción. Con ello, acercan las pruebas informales escritas por humanos al mundo de la verificación formal y reducen una barrera técnica que durante años limitó la adopción.

Pruebas formales, agentes de razonamiento y logros recientes

La diferencia entre una prueba humana y una prueba formal puede parecer menor desde fuera, pero en la práctica es profunda. Un matemático suele omitir pasos que considera obvios para otros expertos, mientras que un asistente de prueba exige explicitar cada detalle.

El artículo ilustra este contraste con la conocida demostración de Euclides sobre la infinitud de los números primos. En Lean, la prueba requiere definir formalmente el número en cuestión, invocar teoremas previos y justificar de forma precisa cada transición lógica.

Ese nivel de granularidad cambia la naturaleza del trabajo matemático. También vuelve posible que una máquina no solo ayude a revisar un argumento, sino que participe activamente en construirlo y certificarlo.

La sofisticación de estos sistemas siguió creciendo en 2026. En febrero, la empresa *Math, Inc.* utilizó su agente de razonamiento Gauss para formalizar una prueba asociada a la Medalla Fields obtenida por Maryna Viazovska, del EPFL, en 2022.

Primero, Gauss ayudó a matemáticos humanos a completar en cuestión de días la formalización de la solución de Viazovska al problema de empaquetamiento de esferas en ocho dimensiones. Después, formalizó de forma autónoma el caso más complejo de 24 dimensiones en apenas dos semanas.

Ese tipo de resultados sugiere que la IA ya puede ejecutar tareas que durante mucho tiempo se consideraban exclusivamente humanas. No se trata solo de rapidez, sino de operar dentro del corazón metodológico de la disciplina.

Para muchos investigadores, la cuestión ya no es si la IA tocará las matemáticas, sino cuánto trabajo cotidiano absorberá. Y esa respuesta parece ampliarse cada pocos meses.

El temor al “oráculo” y el debate sobre el reemplazo

El clima emocional del debate quedó claro en septiembre de 2025, durante el 12º Foro de Lauriados de Heidelberg. La conferencia reúne cada año a cientos de jóvenes matemáticos y científicos computacionales con figuras de referencia del campo.

Allí, la IA dominó las conversaciones desde el inicio. Sobre el escenario se planteó un futuro en el que matemáticos artificiales superhumanos formularían conjeturas, buscarían soluciones, probarían teoremas y verificarían resultados sin intervención humana.

Yang-Hui He, del London Institute for Mathematical Sciences, condensó esa posibilidad con una frase memorable. Dijo que los matemáticos humanos podrían convertirse en “sacerdotes de oráculos”.

La reacción del público fue visible, según el relato. Había incomodidad en las miradas, gestos de desagrado y una tensión palpable entre jóvenes asistentes que escuchaban la posibilidad de volverse secundarios en la disciplina que habían elegido.

Trill White, estudiante de la Universidad Deakin en Australia, recordó haber pensado que aquello era devastador. Se preguntó qué podrían aportar las personas a las matemáticas si estas pasaban a convertirse en algo que nadie entiende del todo.

Jessica Randall, matemática sudafricana vinculada a Google Developer Groups, describió un temor existencial colectivo. Según sus palabras, muchos presentes no habían pensado tan lejos y comprendieron de golpe que la IA sí tiene potencial de reemplazarlos.

No todos reaccionan igual ante esa posibilidad. Algunos matemáticos consolidados, incluido He, parecen dispuestos a aceptar que la IA asuma funciones reservadas hoy al humano si con ello se resuelven las preguntas más grandes del campo.

Entre esas preguntas figuran los seis problemas restantes del Premio del Milenio. Avigad resumió esa postura con ironía al decir que muchos matemáticos son pragmáticos y “venderían su alma por la solución a un problema”.

Tres visiones enfrentadas sobre el futuro de la disciplina

Del debate emergen tres marcos conceptuales. El primero concibe la IA como una herramienta, similar a una calculadora avanzada, subordinada a la comprensión humana.

El segundo la imagina como compañera de trabajo. En esa visión colaborativa, humanos e IA se reparten tareas y abordan juntos problemas que ninguno resolvería por separado.

El tercer escenario es el más disruptivo. Allí la IA opera como un oráculo autónomo, donde lo que importa no es tanto la comprensión compartida como obtener respuestas correctas y generalizables.

Akshay Venkatesh, Medallista Fields de Princeton University, viene reflexionando sobre este dilema desde hace años. En 2022 pidió a la comunidad matemática pensar seriamente qué implicaría la IA para la práctica del campo.

Entonces, la idea de una sustitución parecía descabellada. Hoy reconoce que las computadoras ya se acercan a la competitividad humana en algunas tareas de razonamiento matemático abstracto.

Para Venkatesh, la pregunta esencial no es solo qué pueden hacer las máquinas. También importa para qué sirven las matemáticas en la vida intelectual y social.

Él sugiere que los números son, en parte, “una forma de llevarnos a un acuerdo”. Es decir, un lenguaje de precisión compartida que permite comunicar entendimientos con claridad entre personas.

La matemática y experta en aprendizaje automático Maia Fraser, de la Universidad de Ottawa, comparte una intuición similar. Afirma que la alegría matemática integra procesos subconscientes y conscientes de una forma profundamente humana.

Fraser describe un recorrido que va desde una sospecha intuitiva de verdad hasta una prueba rigurosa que puede expresarse y comunicarse. Para ella, ese intercambio constituye una forma de inteligencia colectiva hermosa del espíritu humano.

Desde esa perspectiva, una prueba generada por IA sería útil si los humanos pudieran comprenderla. Incluso si una máquina prueba una conjetura resistente, seguiría existiendo valor en buscar una demostración humana, elegante y bella.

La apuesta colaborativa de Terence Tao

Terence Tao representa una postura menos alarmista y más pragmática. El profesor de la Universidad de California, Los Ángeles, ve a la IA como catalizador de una transición hacia lo que llama “gran matemática”.

Tao conoce desde muy joven los extremos del talento matemático competitivo. Participó en la olimpiada a los 10 años y en 1986, 1987 y 1988 ganó medallas de bronce, plata y oro, respectivamente.

Con ello se convirtió en el ganador más joven de cada una de esas tres medallas en la historia de la competición. Hoy su voz pesa no solo por prestigio, sino por su experiencia en investigación colaborativa de frontera.

Su idea de gran matemática apunta a colaboraciones amplias y descentralizadas entre humanos y máquinas. En ese esquema, los problemas complejos se dividen en partes y la IA se encarga de gran parte del trabajo técnico.

Los humanos, en cambio, conservarían sobre todo las tareas creativas. Tao ya experimenta con ese modelo a través de trabajos en línea con decenas de colaboradores, algunos de los cuales usan herramientas de IA.

Su observación histórica es reveladora. Hace 100 años, casi todos los artículos matemáticos eran de un solo autor, mientras que hoy él colabora con personas que nunca ha conocido y que en el futuro podrían ni siquiera ser humanas.

La pieza clave en esta visión vuelve a ser la formalización. Si una prueba se traduce a código y un asistente la verifica paso a paso, la confianza deja de depender de reputación, cercanía o autoridad académica.

Eso permite abrir proyectos a contribuciones de investigadores desconocidos, aficionados o incluso agentes artificiales. Si la prueba formal existe, el argumento puede evaluarse por su validez y no por quién lo propuso.

Tao sostiene que, sin esa capa de verificación formal, abrir por completo estos proyectos sería un desastre. Pero en matemáticas, añade, la posibilidad de revisar y verificar las salidas filtra buena parte del ruido.

Riesgos de acceso, motivación y formación intelectual

A pesar del entusiasmo de algunos sectores, existen preocupaciones concretas sobre el impacto de la IA en la disciplina. Una de ellas tiene que ver con la accesibilidad de las herramientas más poderosas.

Tradicionalmente, un matemático necesitaba poco más que formación, intuición, papel y lápiz para contribuir al campo. Si la investigación de punta pasa a depender de modelos propietarios costosos, la actividad podría volverse más elitista.

Ese cambio tendría consecuencias para universidades, grupos pequeños y países con menos recursos. También alteraría la relación entre talento individual y capacidad institucional en la producción del conocimiento matemático.

Otra inquietud central es la motivación. Venkatesh reconoce que pasó años luchando lentamente por comprender ciertos temas y se pregunta si valdrá la pena hacer ese esfuerzo cuando una computadora resuelva grandes fragmentos del trabajo.

El problema no afecta solo a investigadores establecidos. También se proyecta sobre estudiantes que podrían acostumbrarse a saltar directamente a las respuestas con apoyo algorítmico.

Cada vez que un estudiante evita la lucha intelectual, pierde una oportunidad de construir intuición propia. Esa es la base de un temor más profundo: la posible atrofia intelectual de futuras generaciones formadas dentro de una “caja de IA”.

Si eso ocurre, algunos investigadores creen que podría reducirse la capacidad de pensar fuera de los marcos sugeridos por los sistemas. En otras palabras, el riesgo no sería únicamente depender de la IA, sino terminar razonando como ella permite razonar.

La comunidad matemática ya comenzó a reaccionar. Hay ensayos, talleres, debates en revistas especializadas y esfuerzos institucionales para definir pautas sobre el uso adecuado de estas herramientas en investigación y publicación.

Ese movimiento busca preservar cierto control sobre la dirección que tomará la disciplina. De fondo, la controversia no es solo tecnológica, sino también cultural, educativa y filosófica.

En ese sentido, la IA no parece estar vaciando automáticamente el alma de las matemáticas. Más bien está forzando a los matemáticos a preguntarse qué consideran valioso de su trabajo y qué esperan preservar en una era de automatización cognitiva.

Randall ofrece una respuesta personal que sintetiza parte del dilema. Dice que las matemáticas la convirtieron en una mejor solucionadora de problemas comunes porque entrenaron su mente para pensar de modo lógico y racional.

Su inquietud final es sencilla pero poderosa. A medida que la IA transforme la disciplina, muchos se preguntan si los matemáticos del futuro podrán decir lo mismo.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados