Cuando el medallista Fields admitió que la IA superó las matemáticas
La frustración abierta de Terence Tao va más allá del celo académico: revela cómo la IA está reestructurando la forma más antigua del pensamiento humano. La prueba ya no está en el teorema; está en lo que queda atrás.
El terremoto silencioso en una sala que no ha gritado desde Babilonia
Terence Tao no dijo que la inteligencia artificial fuera mejor en matemáticas que él. Dijo algo más afilado, y más difícil de digerir para quienes nunca han visto cómo la obra de toda una vida se vuelve obsoleta de la noche a la mañana.
El 8 de octubre de 2026, Tao escribió a través de un blog comunitario llamado Proofs and Prompts, que reúne comentarios individuales de matemáticos de todo el mundo. Su párrafo fue breve. Su peso se registró con lentitud.
Hablabla de una “profunda sensación de frustración” porque nadie estaba allí para explicar las demostraciones, para responder las preguntas, para enseñar a los estudiantes qué significaba realmente el razonamiento. No porque las demostraciones fueran erróneas: Tao reconoció que contenían ideas nuevas genuinamente útiles. Sino porque las matemáticas nunca han sido solo sobre respuestas. Se trata de la transmisión de comprensión, de la cadena de intuición que pasa de una mente humana a otra, de las conversaciones frente a las pizarras y en los pasillos de las conferencias que convierten una derivación correcta en algo que un estudiante puede replicar, ampliar, combatir.
Lo que OpenAI acababa de lanzar —722 documentos de extensión manuscrita que cubrían más de 300 problemas sin resolver en teoría de números, geometría algebraica y ecuaciones diferenciales— era, técnicamente, un avance. Culturalmente, fue una ruptura.
Quién entrevistó realmente OpenAI
Antes de dejarnos llevar por las cifras, consideremos qué eligió publicar OpenAI. Estos no son ejercicios elementales. Son frentes activos: problemas en los que los candidatos a doctorado dan vueltas durante años, que los profesores con tenure incluyen en propuestas de financiación, que los galardonados con la Medalla Fields mencionan en sus discursos clave como ejemplos de los desafíos vigentes del campo.
Hugo Duminil-Copin, galardonado con la Medalla Fields en 2022, lo expresó con claridad: sus propias notas de conferencia, los artículos publicados y las solicitudes de financiación listaban problemas que la IA ahora había resuelto antes de que nadie en la comunidad matemática terminara de reflexionar sobre ellos. No lo dijo con alegría. Lo describió como una “enorme conmoción” y señaló de inmediato el daño consecuente para colegas y estudiantes cuyas trayectorias profesionales dependen de publicar pasos incrementales hacia esos mismos objetivos.
Peter Scholze, el Fields más joven de la historia, ahora en la cumbre de su influencia, saltó directamente la queja filosófica y fue directo al peligro práctico. Algunos sistemas de cifrado protegen los datos apoyándose en problemas de teoría de números que las computadoras encuentran exquisitamente difíciles de resolver. Si la IA puede generar caminos eficientes a través de esos problemas, el supuesto matemático que mantiene segura tu contraseña bancaria podría haber sido invalidado por un modelo que nadie comprende del todo.
Scholze no especificó qué sistemas estaban en riesgo. Esa omisión es en sí misma una señal: las personas mejor situadas para evaluar el daño son también las más reacias a anunciarlo públicamente, porque revelar vulnerabilidades es cómo los adversarios aprenden dónde apuntar.
El algoritmo no se sienta a charlar contigo
La ansiedad más profunda que Tao y sus colegas están articulando no tiene que ver con la competencia. Tiene que ver con el vaciamiento de un proceso.
La investigación matemática, en su mejor expresión, es conversacional. Un estudiante de posgrado demuestra un lema, lo defiende en un seminario, lo destroza un posdoctorando de otra universidad, lo revisa, lo somete a revisión, recibe un informe de refereos que es en parte hostil y en parte benévolo, y en esa fricción el trabajo se vuelve inteligible para otras mentes humanas. El valor no está simplemente en que el teorema sea verdadero: todo teorema correctamente enunciado es verdadero sin importar quién lo haya encontrado —sino en que el camino hacia la verdad deja un rastro que otros humanos pueden seguir.
Un modelo que genera una demostración correcta sin la capacidad de narrar su razonamiento deja un tipo de artifacto diferente: una caja negra con un producto impresionante. La demostración funciona, pero la intuición no se transfiere. Los estudiantes no pueden aprender de ella. Los investigadores junior no pueden construir sobre sus métodos. La genealogía intelectual queda cortada.
Por eso la queja de Tao sobre la ausencia de un explicador importa más que cualquier evaluación técnica de las demostraciones mismas. El modelo demostró teoremas. Nadie demostró por qué los teoremas valían la pena demostrar, ni cómo la estrategia subyacente podría generalizarse para la siguiente generación de problemas. Esa narrativa —el andamiaje que convierte un resultado en un programa de investigación— es trabajo casi enteramente humano. OpenAI no lo construyó.
Qué publicó realmente DeepMind en Science
Dos días antes de la entrada de Tao en su blog, la propia contribución de Google DeepMind apareció en formato revisado por pares en Science, tras un lanzamiento inicial en mayo. Su sistema resolvió 9 problemas de Erdős y 44 conjeturas sobre sucesiones de enteros generando demostraciones candidatas, ejecutando verificación computacional e iterando. La nota editorial de la revista fue notablemente equilibrada: observó que incluso los intentos fallidos de demostración por parte de la IA pueden catalizar la comprensión humana y la investigación posterior.
Esa afirmación merece escrutinio. Los intentos fallidos son útiles precisamente porque dejan rastros visibles: desvíos erróneos que los investigadores humanos pueden examinar, criticar y de los que aprender. Una demostración exitosa generada por IA que llega sin rastro no es obviamente más o menos útil que un fracaso. Simplemente es opaca. Si esa opacidad frena o acelera el progreso humano depende enteramente de si otros investigadores pueden reconstruir las estrategias del modelo lo suficientemente rápido para construir sobre ellas. Hasta ahora, no hay evidencia de que puedan, y muchas razones para sospechar que no pueden.
Quiénes ganan, quiénes pierden, qué ocurre después
Ganadores: las empresas de IA que publican resultados más rápido de lo que cualquier equipo humano podría, creando una impresión de velocidad que atrae mayor inversión. Los investigadores que ya trabajan en la frontera de lo que la IA puede asistir, porque están mejor posicionados para extraer perspectivas útiles de salidas de alta dimensión. Los estudiantes que ingresan a un campo donde el piso ha cambiado: quienes aprendan a colaborar con herramientas de IA adelantarán; quienes las traten como mecanismos de reemplazo pueden descubrir que su formación está desalineada con lo que el campo realmente requiere.
Perdedores: el investigador junior cuya primera publicación debía ser el paso incremental en el Problema X, ahora preemptado por un sistema que generó 300 pasos incrementales en una sola tarde. La comunidad de criptografía, que opera bajo el supuesto de que ciertas barreras computacionales existen, y que no puede permitirse tomar desprevenida. Los programas de posgrado construidos sobre el modelo tradicional de aprendizaje por apprentisaje, donde el conocimiento se adquiere mediante la reconstrucción gradual del razonamiento humano: un modelo que asume que alguien ya conoce el razonamiento lo suficientemente bien para transmitirlo.
El futuro inmediato se ve así: más descargas de demostraciones. Más celebración inicial seguida de auditorías técnicas cuidadosas. Algunas retractaciones, como la propia OpenAI ya ha reconocido, cuando las explicaciones resultan delgadas o las derivaciones contienen vacíos ocultos. Un período de incertidumbre durante el cual los matemáticos evalúen qué contienen realmente los resultados publicados versus qué solo parecen contener a simple vista.
Luego, la pregunta más difícil —a la que aludía el párrafo de Tao sin expresarla directamente. Si la IA puede generar demostraciones correctas a escala pero no puede transmitir el razonamiento humano que hace inteligibles esas demostraciones, la profesión debe decidir si trata las matemáticas como una producción de enunciados válidos o como una disciplina de comprensión compartida. Esas no son lo mismo. Siempre han sido distintas. La IA simplemente ha hecho imposible ignorar la distinción.