Por Canuto  

AlphaProof Nexus, el sistema matemático de Google DeepMind basado en Gemini 3.1 Pro, resolvió nueve problemas abiertos de Erdős y produjo otros resultados que llegaron a una revista científica revisada por pares. El estudio también informa la demostración de conjeturas en una base de secuencias y avances en áreas como geometría algebraica y optimización.
***

  • El sistema resolvió nueve de 353 problemas abiertos de Erdős, incluidos dos que llevaban 56 años sin respuesta.
  • También demostró 44 conjeturas vinculadas a secuencias de enteros y abordó problemas de geometría algebraica y optimización.
  • El trabajo de DeepMind pasó por revisión por pares, en medio de un debate sobre cómo publicar y evaluar pruebas generadas con IA.

 

Resultados en problemas matemáticos abiertos

AlphaProof Nexus resolvió nueve de los 353 problemas abiertos de Erdős que examinó, de acuerdo con un estudio publicado en Science. Dos de esos interrogantes llevaban 56 años sin solución, un dato que da una dimensión temporal al resultado sin implicar que el sistema haya resuelto todos los problemas de esta colección.

Los problemas de Erdős son preguntas matemáticas asociadas al trabajo del matemático Paul Erdős, muchas de ellas planteadas como desafíos que permanecen abiertos hasta que alguien demuestra una respuesta. En este caso, las nueve soluciones son una parte de un conjunto mayor: el sistema abordó 353 problemas y logró resolver nueve, según la información del estudio.

El equipo de Google DeepMind difundió esas soluciones en línea antes de que apareciera el artículo. Esa publicación anticipada permitió compartir los resultados antes de la salida del estudio, aunque la noticia también destaca que el trabajo pasó por revisión académica, un proceso diferente a simplemente subir pruebas a un repositorio abierto.

DeepMind indicó además que AlphaProof Nexus resolvió los nueve problemas de Erdős incluso sin utilizar AlphaProof, una herramienta especializada en demostraciones. La precisión importa porque el sistema puede recurrir a ese instrumento para subproblemas más difíciles, pero los resultados señalados en esta categoría no dependieron de ese apoyo, de acuerdo con el reporte.

Cómo trabaja AlphaProof Nexus

El sistema se construye alrededor de Gemini 3.1 Pro, que redacta y revisa demostraciones expresadas en Lean, un lenguaje formal para escribir pruebas matemáticas. En lugar de presentar una respuesta final sin comprobación intermedia, el modelo plantea una prueba y la modifica durante el proceso, con ayuda de una verificación paso a paso.

Lean revisa cada borrador después de cada edición y señala errores cuando encuentra inconsistencias. Esos mensajes orientan el siguiente intento del sistema, que puede ajustar la demostración y volver a someterla a revisión, de modo que el ciclo descrito combina generación de texto matemático con una herramienta que comprueba su validez formal.

En los subproblemas más complejos, AlphaProof Nexus puede recurrir a AlphaProof, un sistema especializado en demostraciones. Esa combinación funciona como un apoyo adicional dentro del proceso, aunque DeepMind reporta que las nueve soluciones de Erdős también aparecieron sin usarlo, distinción que ayuda a entender qué capacidad atribuye el equipo al modelo central.

La verificación formal resulta relevante porque una demostración matemática no se evalúa solo por sonar convincente o por llegar a una respuesta plausible. El enfoque descrito obliga a expresar los pasos en un formato que Lean pueda comprobar, aunque el estudio y la noticia no detallan aquí el rendimiento de cada componente en todos los tipos de problema.

Más allá de los problemas de Erdős

Los resultados informados no se limitan a las nueve preguntas de Erdős. AlphaProof Nexus demostró 44 conjeturas relacionadas con la base de datos OEIS, que reúne secuencias de enteros, una colección que permite registrar patrones numéricos y preguntas asociadas a ellos.

La noticia también atribuye al sistema la resolución de una pregunta abierta en geometría algebraica. No ofrece en el resumen disponible el enunciado de esa pregunta ni los detalles de la demostración, por lo que el alcance específico del resultado debe entenderse dentro de lo que comunica el estudio, sin añadir interpretaciones sobre su importancia para toda la disciplina.

En optimización min-max, el sistema mejoró un límite conocido, según la información divulgada. Se trata de una técnica que aparece en el entrenamiento de algunos modelos de inteligencia artificial, de modo que el avance conecta el trabajo matemático con una herramienta usada en el desarrollo de ciertos sistemas, aunque la fuente no especifica cuáles.

En conjunto, los resultados abarcan problemas abiertos, conjeturas sobre secuencias, geometría algebraica y optimización. Esa variedad sugiere que el equipo probó el sistema en más de una clase de desafío matemático; sin embargo, las cifras y los ejemplos disponibles no permiten concluir por sí solos que AlphaProof Nexus pueda resolver de manera general cualquier problema de esas áreas.

La revisión por pares y el debate sobre IA

La presentación académica adquiere relevancia en medio de un debate sobre cómo compartir y evaluar pruebas generadas por inteligencia artificial. La noticia contrasta el procedimiento de DeepMind con una iniciativa reciente de OpenAI, que publicó cientos de pruebas de IA en GitHub.

En una declaración del 7 de octubre, la Asociación para las Matemáticas Humanas pidió a los matemáticos que suspendieran su trabajo con OpenAI, en respuesta a la publicación de documentos matemáticos de la empresa. La convocatoria refleja desacuerdos sobre las prácticas de publicación y validación de resultados generados con IA.

La revisión por pares no sustituye la comprobación matemática, pero incorpora una evaluación externa del trabajo antes de su publicación en una revista. En el caso de AlphaProof Nexus, el hecho señalado es que el estudio pasó por ese proceso, frente a la difusión de pruebas en un repositorio, dos vías distintas para presentar resultados de sistemas de IA.

El avance no cierra la discusión sobre cuánto crédito corresponde al modelo, qué papel desempeñan las herramientas formales ni cómo deben evaluarse estas contribuciones. Sí aporta un conjunto de resultados concretos y una ruta de revisión científica: nueve problemas de Erdős resueltos, 44 conjeturas demostradas en OEIS y otros avances que el estudio atribuye al sistema.

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