Cuando la IA afirma un avance de nivel Fields Medal

El artículo que sacudió a una disciplina

En la mañana tranquila de principios de octubre, OpenAI publicó 722 manuscritos matemáticos. No se trataba de un preimpreso de arXiv ni de una presentación a una conferencia. Fue un lanzamiento masivo desde un sistema interno que nunca había sido sometido a revisión por pares, jamás defendido ante un tribunal de tesis, y que hasta ese momento no había sido responsable ante el lento y deliberado mecanismo de escrutinio matemático humano.

La colección abarca teoría de números, geometría algebraica y lógica matemática. Agrupados en 372 conjuntos de resultados, representan lo que la empresa denomina la producción de un modelo de inteligencia artificial llevado más allá de los límites de los benchmarks existentes hacia territorios de investigación genuinamente sin resolver. La implicación, aunque sea solo parcialmente cierta, es estrepitosa: las máquinas ya no se limitan a resolver problemas de libro de texto. Están produciendo conjeturas y demostraciones parciales en dominios donde los matemáticos humanos llevan décadas estancados.

La afirmación cuasi-riemanniana

El artículo que ha atraído la mayor atención versa sobre lo que OpenAI denomina una “hipótesis cuasi-Riemann” —un avance en uno de los siete Problemas del Milenio, cuyo más famoso carry una bounty de $1 millón y ha resistido toda prueba desde que Bernhard Riemann la planteó en 1859.

La afirmación no resuelve la hipótesis de Riemann de manera definitiva. Lo que sí sostiene es que los ceros no triviales de la función zeta de Riemann y de las funciones L de Dirichlet se encuentran en una región del plano complejo que se extiende más hacia la derecha de lo previamente establecido —concretamente, hasta la parte real 7/8, una mejora sustancial respecto a cotas anteriores.

Si fuera correcta, sería uno de los avances más significativos sobre la hipótesis en décadas. Si resulta errónea, sería un cuento de advertencia sobre los riesgos de las matemáticas automatizadas no verificadas.

Alex Kontorovich, el matemático de la Universidad de Rutgers que calificó el resultado como “digno de Medalla Fields si lo hubiera hecho un humano”, quizás estaba describiendo la ambición más que el logro verificado. La distinción importa —y la comunidad matemática ahora vive dentro de ella.

La brecha de verificación

Aquí está la tensión central: OpenAI incluyó materiales de verificación formal para muchos de los 722 manuscritos, escritos en Lean —un lenguaje de programación diseñado específicamente para comprobar demostraciones matemáticas con precisión de máquina. Pero no todos los resultados han superado la verificación formal. La propia empresa lo reconoció explícitamente, señalando que los manuscritos no verificados podrían contener errores.

Este no es un problema nuevo en las matemáticas computacionales. Las demostraciones asistidas por computadora han enfrentado durante mucho tiempo la misma brecha de credibilidad: la máquina verifica la lógica, pero ¿quién verifica los supuestos, el codificado y la ejecución de la máquina? La diferencia ahora radica en la escala. Trescientos setenta y dos conjuntos de resultados, algunos que requieren horas de razonamiento secuencial, producidos por un sistema que ningún investigador individual puede auditar por completo.

El tradicional sistema de verificación matemática —conjetura, boceto de demostración, revisión por pares, refinamiento, publicación— opera en una escala de tiempo medida en meses y años. OpenAI lo ha comprimido en una ráfaga algorítmica. El resultado aún no constituye un cuerpo de matemáticas establecidas. Es un corpus sin procesar que espera el trabajo muy humano de validación.

¿Quién verifica a los verificadores?

Las reacciones de la comunidad matemática han sido estratificadas, en ocasiones contradictorias. Veinte ganadores de la Medalla Fields, organizados alrededor del Instituto de Estudios Avanzados de Princeton, formaron un grupo asesor y pidieron que los resultados matemáticos generados por inteligencia artificial pasaran por los mismos procesos de revisión abierta, revisión y citación que la investigación tradicional. OpenAI dijo que reflexionaría sobre estas recomendaciones y publicó los manuscritos en GitHub con sus historiales de edición.

Pero la exigencia más tajante del grupo —que las empresas detuvieran el uso de modelos propietarios no liberados para testear problemas de matemáticas de alto nivel sin resolver— fue rechazada. OpenAI argumentó que acelerar el desarrollo de herramientas que apoyen el progreso matemático y científico requiere la evaluación continuada de modelos punteros internos.

El rechazo no resulta sorprendente desde un punto de vista empresarial. Es alarmante desde uno disciplinar. Las matemáticas siempre han operado bajo un principio de transparencia: toda afirmación debe ser rastreable hasta un razonamiento públicamente verificable. Un sistema de inteligencia artificial que genera resultados desde un modelo de caja negra crea una nueva categoría de afirmación de conocimiento —una que puede ser correcta, otra que puede ser indetectablemente errónea, y para la cual la comunidad carece de un protocolo establecido para manejarla.

La ansiedad detrás de las cifras

Quizás el detalle más revelador de todo el episodio provenía de un reporte del Wall Street Journal: cuando se corrió la voz de que OpenAI podría publicar un gran volumen de demostraciones, algunos matemáticos se apresuraron a publicar su propia investigación asistida por inteligencia artificial primero. El temor no era que la inteligencia artificial estuviera equivocada. El temor era que estuviera en lo correcto —y que sus resultados llegaran antes de que los humanos que construyeron la infraestructura para alcanzarlos pudieran reclamar prioridad.

Esta ansiedad por ser adelantados no es exclusiva de las matemáticas. Ecdea a través de cada dominio donde el razonamiento de máquina avanza más rápido de lo que los procesos institucionales pueden acomodar. Pero en las matemáticas, las stakes se sienten distintas porque la legitimidad entera de la disciplina descansa sobre una única premisa frágil: que toda afirmación puede ser verificada de forma independiente, reproducida y cuestionada por cualquier mente humana competente.

Si esa premisa se erosiona —aunque sea levemente—, la base del campo se desplaza. El resultado no es solo una nueva herramienta. Es una nueva epistemología.

Qué significa esto para el razonamiento de máquina

La verdadera significancia del lanzamiento de OpenAI puede tener menos que ver con algún teorema específico y más que ver con lo que revela sobre el estado actual del razonamiento de máquina. Un modelo que produce 722 manuscritos, algunos rozando problemas que han resistido el esfuerzo humano durante más de un siglo, demuestra que el razonamiento secuencial profundo a nivel matemático ya no es ciencia ficción. Es un desafío de ingeniería —uno que la empresa trata como un benchmark interno más que como un entregable público.

El avance cuasi-Riemann en sí mismo, ya sea finalmente verificado o refinado, marca un paso real. Extender la región libre de ceros de la función zeta de Riemann es un trabajo arduo. Hacerlo algorítmicamente es más difícil aún. Hacerlo sin métodos plenamente transparentes resulta inquietante.

Lo que siga determinará si este momento se convierte en un hito en las matemáticas computacionales o en un ejemplo de advertencia sobre publicaciones prematuras. Los manuscritos son públicos. La verificación no lo es. La comunidad matemática ahora tiene la inusual carga de ponerse al día con una máquina que ya se ha apartado.