Por Canuto  

Un modelo interno de OpenAI logró refutar una conjetura planteada por Paul Erdős hace 80 años, un avance que disparó entusiasmo, miedo y escepticismo dentro del mundo académico. El episodio reabre una pregunta mayor: si la IA solo acelera métodos humanos o si está empezando a descubrir caminos matemáticos propios.
***

  • Un modelo interno de OpenAI encontró un contraejemplo para una conjetura de Paul Erdős sobre puntos en un plano.
  • La noticia provocó reacciones extremas entre matemáticos, desde alarma existencial hasta llamados a no sobredimensionar el logro.
  • Sabine Hossenfelder sostiene que la IA podría transformar la práctica matemática sin significar necesariamente el fin de la disciplina.

La inteligencia artificial acaba de conseguir uno de esos avances que obligan a revisar el tono del debate sobre sus límites. Esta vez no se trata de redactar texto, generar imágenes o escribir código, sino de atacar un problema matemático conocido y derribar una conjetura histórica.

En Maths is Cooked: AI’s Latest Breakthrough — And What’s Next, Sabine Hossenfelder repasó el caso y lo usó como punto de partida para una discusión más amplia. Su tesis es provocadora, pero matizada: las matemáticas no están terminadas, aunque sí podrían estar entrando en una etapa de transformación profunda.

El detonante fue un resultado atribuido a un modelo interno de OpenAI, no disponible públicamente. Según el reporte reseñado por Hossenfelder, el sistema halló un contraejemplo para una conjetura propuesta por Paul Erdős hace 80 años.

La importancia del episodio no reside solo en la celebridad del matemático o en la edad del problema. También pesa el hecho de que se trata de una cuestión relativamente comprensible para un público amplio, algo poco frecuente en los titulares sobre matemática avanzada.

La pregunta, explicada de forma simple, es cómo colocar puntos en un plano para maximizar la cantidad de trayectorias con la misma distancia entre ellas. Erdős conjeturó que la configuración óptima sería una red cuadrada, pero no llegó a demostrarlo.

El modelo de OpenAI no confirmó esa intuición. En cambio, la refutó mediante un contraejemplo, lo que implica que la conjetura era falsa tal como estaba formulada.

De acuerdo con lo citado por Hossenfelder, el sistema habría encontrado la solución correcta en un solo intento. OpenAI también evaluó qué tan seguido llegaba al resultado correcto en múltiples corridas con suficiente tiempo de cómputo, y reportó una tasa de acierto de aproximadamente un 20%.

Ese dato deja ver dos cosas al mismo tiempo. Por un lado, el modelo aún falla con frecuencia y no parece especialmente bueno revisando su propia lógica; por el otro, el resultado sugiere que no se limita a producir cadenas de texto con apariencia matemática.

Un avance que golpea nervios sensibles en la academia

La reacción dentro del mundo matemático fue inmediata y, en muchos casos, emocional. Hossenfelder recopiló respuestas de investigadores que hablaron de tristeza, alarma e incluso de una sensación de reducción personal ante el avance de estas herramientas.

Entre las frases citadas aparecen expresiones como “esto me resulta existencialmente perturbador”, “me veo encogiéndome hasta no ser nada” y “estamos acabados”. Otra valoración sostuvo que, dentro de esta década, los modelos de razonamiento podrían superar a los mejores matemáticos vivos.

El físico y científico computacional Alexander Wissner-Gross fue aún más tajante. En el material comentado por Hossenfelder afirmó que, si el ritmo actual continúa, prácticamente todos los problemas matemáticos de frontera y de nivel profesional podrían resolverse en los próximos cuatro o cinco años.

Esa frase llevó a la consigna más repetida del momento: “math is cooked”. La idea resume un miedo muy concreto, que no es solo laboral, sino también intelectual y cultural.

Scott Aaronson, citado por Hossenfelder, relató que conoció la noticia cuando estudiantes de posgrado de la Universidad de Texas fueron a contársela a su oficina. Según su versión, los jóvenes estaban abatidos y se preguntaban si todo podría terminar pronto para científicos y matemáticos al inicio de sus carreras.

Aaronson remató con una observación irónica sobre la academia. En la industria, dijo, la gente teme que la IA le quite el empleo; en la universidad, la preocupación es que lo haga antes incluso de conseguir uno.

Ese matiz ayuda a entender por qué la noticia tocó una fibra especial. Las matemáticas suelen verse como uno de los territorios más resistentes a la automatización, precisamente porque exigen rigor, intuición y creatividad de alto nivel.

Cuando un modelo logra intervenir en ese espacio, el debate deja de ser técnico y se vuelve casi filosófico. Lo que está en juego no es solo productividad, sino la definición misma de descubrimiento humano.

Qué resolvió realmente el modelo y por qué eso no cierra la discusión

Más allá del impacto mediático, el caso tiene matices importantes. Aaronson destacó que muchos matemáticos parecían creer que la conjetura de Erdős era correcta, y que el contraejemplo producido por la IA era de ese tipo de construcción poco intuitiva y algo fea que un humano quizá no imaginaría con facilidad.

Su conclusión fue especialmente sugerente. No necesariamente se trata de que la máquina sea más inteligente, sino de que tiene peor gusto.

Esa idea conecta con una vieja intuición sobre la práctica matemática. Muchas veces, los investigadores no solo buscan demostrar algo verdadero, sino hacerlo con elegancia, economía conceptual y una cierta belleza estructural.

En ese terreno, el hallazgo de un contraejemplo raro no equivale de forma automática a una superioridad intelectual general. Puede significar, simplemente, que un sistema explora rutas que un humano descartaría por antinaturales o poco prometedoras.

De hecho, Hossenfelder subrayó que las versiones más dramáticas sobre la muerte de las matemáticas se enfriaron con rapidez. Apenas unas horas después del anuncio, una persona mejoró el resultado generado por OpenAI.

Ese detalle importa porque muestra una dinámica de colaboración o competencia híbrida. La IA produce una apertura inesperada, y luego un investigador humano la depura, refina o reorganiza en una forma más útil.

Visto así, el episodio no prueba que la disciplina haya quedado obsoleta. Lo que sugiere es que el flujo del trabajo matemático podría cambiar de manera fuerte y bastante rápida.

También deja una advertencia metodológica. Un sistema que acierta cerca de un 20% en múltiples corridas puede ser poderoso como generador de hipótesis o contraejemplos, pero todavía dista de ser un verificador plenamente confiable.

El escepticismo también crece y apunta al incentivo comercial

No toda la comunidad aceptó la narrativa triunfalista. Hossenfelder señaló que un grupo de 150 matemáticos firmó una declaración en la que advierten que estos desarrollos ponen bajo amenaza la autonomía de las matemáticas.

La declaración también denuncia un fuerte incentivo comercial de parte de la industria tecnológica para exagerar las capacidades de sus productos. Ese punto es central, porque conecta el debate académico con la competencia geopolítica y empresarial en torno a la IA.

Según la lectura de Hossenfelder, parte de la cobertura mediática en Estados Unidos responde a esa lógica. Su comentario fue que normalmente los grandes medios no prestan demasiada atención a las matemáticas, por lo que el súbito entusiasmo parecería vincularse a una suerte de exhibición estratégica frente a China.

El argumento no invalida el logro técnico, pero sí invita a mirar con cuidado el encuadre. En sectores donde hay capital, rivalidad internacional y expectativas desbordadas, la línea entre avance real y marketing puede volverse difusa.

Este contexto no es menor para lectores familiarizados con ciclos tecnológicos recientes. En IA, cripto y mercados financieros, la narrativa suele moverse más rápido que la capacidad colectiva para medir impactos concretos.

Por eso, el caso OpenAI-Erdős merece atención sin convertirlo de inmediato en prueba definitiva de un cambio total de era. La historia es importante precisamente porque está llena de señales fuertes, pero todavía incompletas.

La falta de acceso público al modelo añade otra capa de cautela. Al ser una herramienta interna, la comunidad más amplia no puede probarla, replicar sus métodos ni examinar de primera mano cómo razona o falla.

Esa opacidad alimenta preguntas sobre la dirección que podría tomar OpenAI. También deja abierta la cuestión de cuánto del relato depende de validaciones externas robustas y cuánto de anuncios controlados por la propia empresa.

Lo que podría venir ahora para la investigación matemática

La posición de Hossenfelder no es que la matemática vaya a desaparecer. Su proyección es más precisa: muchos matemáticos probablemente migrarán hacia técnicas asistidas por IA.

La razón sería sencilla. La literatura matemática existente contiene ya suficiente información como para permitir conclusiones, demostraciones e inferencias al alcance de un sistema capaz de digerir grandes volúmenes de material y probar muchos caminos con velocidad.

En esa visión, hay una enorme cantidad de frutos bajos aún sin recoger. El reciente contraejemplo sería solo una muestra de resultados disponibles para herramientas que combinan memoria extensa, búsqueda rápida y tolerancia al ensayo y error.

Eso implicaría una aceleración importante de cierto tipo de trabajo. Problemas dispersos en artículos, intuiciones incompletas o vacíos menores en demostraciones podrían empezar a resolverse con ayuda algorítmica mucho más a menudo.

La gran incógnita, sin embargo, no está en esa fase extractiva. La pregunta decisiva es si la IA puede ir más allá de detectar patrones en métodos humanos y rellenar huecos en la literatura para desarrollar métodos realmente propios.

Hossenfelder fue clara en ese punto. Ella sostiene que los modelos de lenguaje de gran escala, por sí solos, no nos llevarán hasta allí.

Esa reserva importa porque pone un límite conceptual al entusiasmo. Resolver más problemas no equivale necesariamente a inaugurar una nueva forma de pensamiento matemático comparable a las grandes revoluciones humanas de la disciplina.

Su metáfora final resume bien el tono de su análisis. Sí, las matemáticas podrían estar “cocinadas”, pero solo en parte, más bien “al dente”.

En otras palabras, la automatización ya parece suficientemente fuerte como para alterar la práctica cotidiana. Aun así, el salto hacia una creatividad matemática enteramente autónoma sigue siendo una cuestión abierta.

Para quienes siguen de cerca la evolución de la IA, el episodio ofrece una señal relevante. El campo ya no discute si estos sistemas pueden participar en tareas intelectuales duras, sino hasta qué punto pueden cambiar quién formula las preguntas, quién encuentra las rutas y quién recibe el crédito por las respuestas.

En esa transición, el mundo académico enfrentará dilemas muy parecidos a los que ya viven otros sectores tecnológicos. La diferencia es que aquí no solo está en juego la eficiencia, sino una de las expresiones más simbólicas de la inteligencia humana.


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