science 9 min de lectura

Fermat resuelto: por qué la prueba de Claude con 1000 agentes lo

Anthropic acaba de conseguir que mil agentes Claude demuestren formalmente el Último Teorema de Fermat en treinta horas sin romper nada. La arquitectura detrás de esa hazaña lo dice todo sobre hacia dónde va la IA.

  • Anthropic
  • Cyphral Distich
  • inteligencia artificial

El titular es más sencillo de lo que crees

Claude Fable 5.2, de Anthropic, ejecutó mil agentes autónomos contra el último teorema de Fermat durante treinta horas y produjo una prueba formal completa. Eso por sí solo sería notable. Lo que hace a este momento estructuralmente distinto de cada anuncio previo de IA en matemáticas no es el resultado: es la máquina que lo sustenta.

Durante décadas, la demostración automática de teoremas vivió dentro de pasillos estrechos. Sistemas como Lean, Coq e Isabelle podían manejar pruebas elegantes sobre problemas curados, pero requerían guía humana casi en cada paso. El sueño de entregarle a una IA una famosa conjetura sin resolver y verla trabajar de forma independiente siempre se topaba con un muro: o bien el sistema alucina lemas que no podía respaldar, o bien se quedaba sin dirección creativa a mitad del cómputo.

Fable 5.2 no tropezó con ninguno de esos dos muros. Avanzó en estirones de diez horas sin producir ni un solo lema incorrecto, coordinó decisiones entre mil trabajadores concurrentes y cerró la brecha final reestructurando su propio enfoque cuando se enfrentó a terreno que ningún agente individual podría navegar solo.

Esto no es otro exhibicionismo theorem-demo

A principios de 2024, modelos de peso abierto afirmaron haber probado problemas abiertos como la conjetura de Tait, pero los matemáticos humanos encontraron rápidamente huecos. Los resultados parecían impressionantes hasta que llegó el análisis de las brechas. Claude Fable logra algo que esos sistemas anteriores no pudieron hacer de manera paralela: construyó y verificó una prueba completa en coq a través de un enjambre distribuido sin generar los tipos de lemas alucinados que hunden a los modelos solitarios a escala.

La ejecución también superó su checkpoint más difícil: el teorema de Langlands-Tunnissen, descrito ampliamente dentro del artículo como la barrera más dura en el camino desde la conjetura de Fermat hasta una prueba formal. Cuando los agentes ayudantes juzgaron inicialmente porciones de ese terreno como intratables, los agentes líderes se reagruparon y subdividieron el problema en diez capas que contenían dos mil cuatrocientos dieciocho subtareas menores antes de cerrar la brecha. Esa reestructuración autodirigida dentro de una búsqueda activa de prueba es cualitativamente distinta de la demostración estática de teoremas.

Lo que distingue esto de demostraciones previas es la consistencia en la calidad de la salida a lo largo de toda la duración. Las ejecuciones multiagente anteriores mostraban un rendimiento entrecortado: fuertes en subobjetivos individuales, frágiles bajo complejidad sostenida. Fable mantuvo rigor estructural durante treinta horas continuas, lo cual significa que la capa de coordinación no fue solo diseño ingenioso sino ingeniería duradera.

Cómo Anthropic evitó que mil agentes desmoronen todo

Ejecutar tantos agentes con privilegios de edición de archivos y escritura en bases de datos es una pesadilla de seguridad esperando ocurrir. La respuesta de Anthropic fue estratificada, no añadida como parche.

Cada agente opera dentro de su propia máquina virtual liviana. La salida de red pasa por una puerta de enlace que restringe las llamadas salientes a tres rutas únicamente: la API de Claude, un repositorio compartido y una base de datos. Las invocaciones a herramientas son inspeccionadas en tiempo real antes de la ejecución. Los rastros conductuales se recopilan para revisión offline posterior.

Más de un millón de invocaciones a herramientas dispararonse durante el experimento. Cero fueron bloqueadas. Para un equipo de seguridad empresarial que lee la letra pequeña, esa proporción importa. Demuestra que el aislamiento basado en restricciones y la verificación continua de políticas pueden sostenerse cuando una flota de agentes de propósito general trata un teorema como un área de pruebas.

La cifra cero merece escrutinio más allá de su significado superficial. Esos un millón de llamadas incluyeron lecturas de bases de datos, escrituras de archivos, operaciones git e invocaciones a API a lo largo de una ventana de treinta horas. Un solo agente con comportamiento errático y permisos amplios podría haber corrompido el árbol de trabajo, exfiltrado estado interno o creado versiones conflictivas de la prueba. En cambio, cada VM operó en aislamiento funcional, y la puerta de enlace hizo cumplir límites estrictos de salida. La canalización de trazabilidad conductual significa que cada punto de decisión es reconstruible si una futura ejecución presenta una anomalía.

Esta arquitectura aborda directamente la objeción principal planteada tras cada intento multiagente previo: escalabilidad sin colapso de seguridad. Los sistemas anteriores o bien restringían los permisos de los agentes tan drásticamente que los flujos de trabajo complejos se estancaban, o bien otorgaban suficiente libertad para avanzar y aceptaban el riesgo de corrupción. Fable eligió ninguno de esos dos caminos. Otorgó a los agentes acceso funcional a lo que necesitaban mientras contenía su radio de explosión mediante diseño de infraestructura.

Qué reemplaza esto en la práctica

La prensa se fijará en las matemáticas. Los ingenieros deben vigilar la plomería.

Los agentes se coordinaron a través de Git estándar y una base de datos compartida. No se requirió ninguna plataforma de investigación personalizada. No se montó ningún IDE a medida. No se desplegó ninguna infraestructura de computación privada. La prueba residía sobre infraestructura que cualquier empresa que ejecute Claude hoy ya opera o arrienda.

Esa simplicidad operativa es la verdadera historia. Si una flota puede coordinar de forma segura trabajos complejos de varias semanas en herramientas convencionales, el mismo patrón se aplica a cargas laborales empresariales que siempre requirieron enormes costes de coordinación humana.

Migraciones de código heredado a moderno. Refactorizaciones a gran escala que abarcan decenas de miles de líneas. Resolución de dependencias transversales a servicios en divisiones de monolitos. Estos son esencialmente los mismos problemas de planificación que el teorema de Fermat planteó aquí —descomponibles, de alta combinatoria, que requieren pases persistentes de verificación entre subobjetivos.

La diferencia es el precedente histórico. Las ejecuciones multiagente previas mostraron ráfagas impresionantes en benchmarks estrechos y colapsaron bajo presión sostenida. Esta ejecución mantuvo disciplina estructural durante treinta horas frente a un objetivo duro y de alcance abierto.

Considera lo que esto implica para los equipos de ingeniería de software hoy. Una migración empresarial típica involucra múltiples componentes interdependientes, revisiones manuales y el temor constante a regresiones. El coste de coordinación crece de forma no lineal con el tamaño del equipo porque los humanos necesitan sincronización, transferencia de contexto y resolución de conflictos. Fable demostró que una flota de agentes pudo mantener coherencia a través de miles de subtareas sin romper la consistencia: usando los mismos primitivas de control de versiones y comunicación en las que estos ingenieros ya confían.

Efectos secundarios que nadie está discutiendo aún

Más allá de las aplicaciones inmediatas, tres consecuencias secundarias merecen atención.

Primero, la economía de la verificación formal cambia de forma fundamental. Antes de Fable, convertir un argumento matemático a forma de prueba legible por máquina permanecía costoso, lento y dependiente de especialistas que entendieran tanto el dominio como el lenguaje del provador. Un solo estudiante de posgrado podría pasar meses en una prueba de tamaño moderado. Ahora las flotas pueden producir formalizaciones completas en horas con calidad consistente. El cuello de botella se desplaza hacia arriba —hacia la selección de problemas interesantes y la interpretación de resultados— en lugar de quedarse en el paso de implementación.

Segundo, la integridad de los benchmarks enfrenta nueva presión. Cuando mil agentes pueden resolver conjuntamente problemas que previamente resistieron esfuerzos solitarios, la comunidad necesita líneas base actualizadas que contemplen capacidad de coordinación, no solo inteligencia cruda del modelo. Suites existentes como CoqEAL miden productividad individual de pruebas. No capturan descomposición distribuida de problemas, recuperación de errores entre agentes, ni el tipo de pivote estratégico que Fable demostró al enfrentar la barrera de Langlands-Tunnissen.

Tercero, la relación entre la IA y la educación matemática puede recalibrarse. Los estudiantes que aprenden métodos formales entrenarán cada vez más junto a agentes capaces de manejar grandes porciones del andamiaje de una prueba. El conjunto de habilidades se desplaza desde la formalización mecánica hacia estrategia de nivel superior: identificar qué lemas importan, reconocer cuándo un enfoque de demostración ha chocado contra un muro, y diseñar estrategias de descomposición que los agentes puedan ejecutar eficazmente.

Quién gana, quién pierde y qué sucede después

Los ganadores son cualquiera cuyo trabajo implique traducir intención de alto nivel a detalle de implementación verificada. Los laboratorios de investigación que actualmente pasan meses convirtiendo pruebas esquemáticas en scripts coq legibles por máquina ahora pueden delegar grandes extensiones de ese andamiaje a una flota. El rol humano se desplaza hacia la selección de problemas, el diseño de lemas y la validación de los resultados finales, más que hacia la formalización paso a paso.

Las pérdidas se inclinan hacia firmas construidas sobre facturación por horas de labor de formalización rutinaria. Si una prueba que alguna vez consumió una cohorte de estudiantes de posgrado se comprime a un día de trabajo agente orquestado, la curva de costes para servicios básicos de verificación se aplanará dramáticamente. Los proveedores de servicios que no hayan adaptado sus precios a la automatización enfrentarán compresión de márgenes a menos que asciendan por la cadena de valor con mayor rapidez.

Qué sucede después vale la pena rastrearlo a lo largo de tres ejes:

Primero, la tesis de seguridad de herramientas. La cifra de un millón de llamadas y cero bloqueos provenía de una ejecución de investigación con supervisión humana e insumos conocidos. Extender eso a acceso web ilimitado, ingestión de código de terceros o mutación de bases de datos productivas requerirá modos de fallo más duros que los presentes aquí. Entornos productivos reales introducen ruido, ambigüedad y casos límite adversarios que los problemas matemáticos limpios evitan deliberadamente.

Segundo, comportamiento de escalado. Diez capas, más de dos mil subtareas y un único teorema de alta apuesta demuestran coordinación en una magnitud. El trabajo empresarial de producción abarca docenas de repositorios concurrentes y miles de servicios dependientes. Demostrar robustez a esa escala probablemente exponga nuevas clases de fallo no visibles en un entorno matemático cerrado.

Tercero, estándares de evaluación. La comunidad necesita líneas base duraderas que distingan el progreso genuino del ajuste excesivo a benchmarks. El teorema de Fermat funciona porque es un objetivo único y bien definido con una larga historia publicada de pruebas. Cualquier cosa que reemplace a CoqEAL o suites establecidas similares debe sobrevivir al escrutinio de los mismos matemáticos que rechazaron demandantes de IA anteriores.

Dónde aterriza esto realmente

Anthropic no solo entregó una demo más grande. Mostró que la coordinación multiagente segura sobre infraestructura existente puede resolver problemas que previamente requirieron plataformas dedicadas y profunda orquestación humana. El teorema es el titular. El modelo operativo es la apuesta.

La implicación se extiende más allá de las matemáticas hacia cualquier dominio donde objetivos complejos requieran descomposición, verificación y esfuerzo sostenido entre trabajadores distribuidos. Ingeniería de software, simulación científica, documentación de cumplimiento regulatorio y planificación arquitectónica comparten el mismo ADN estructural que esta ejecución de prueba: grandes espacios de posibilidades, puntos de verificación frágiles y la necesidad de acción coordinada a lo largo de plazos extendidos.

El último teorema de Fermat resistió durante tres siglos antes de que Andrew Wiles completara la prueba. Claude Fable resolvió una versión formal en treinta horas usando infraestructura que la mayoría de las organizaciones ya opera. La velocidad no es el avance: la confiabilidad lo es. Por primera vez, hemos visto un sistema capaz de perseguir un objetivo difícil a través de cientos de hilos paralelos sin perder disciplina, introducir errores, o requerir intervención constante.

Eso cambia lo que es económicamente factible. No solo en matemáticas, sino en cada campo donde la verificación importa y los costes de coordinación han limitado históricamente lo posible.