La inteligencia artificial acaba de entrar en un terreno donde una respuesta convincente no es suficiente: las matemáticas de investigación.
OpenAI publicó más de 700 manuscritos matemáticos generados por uno de sus modelos internos, con resultados que abarcan áreas como teoría de números, geometría, álgebra, computación teórica y física matemática.
La colección reúne actualmente 722 manuscritos organizados en 372 familias de resultados. Sin embargo, existe una diferencia fundamental entre publicar una demostración y conseguir que la comunidad matemática la acepte como correcta. No todos los resultados han sido formalizados o verificados de la misma manera.
Una máquina generó cientos de posibles avances
OpenAI explicó que los documentos proceden de un modelo interno de frontera utilizado para investigar problemas matemáticos abiertos.
La empresa amplió sus evaluaciones después de que sus modelos comenzaran a alcanzar el límite de algunos de los problemas utilizados tradicionalmente para medir sus capacidades. En lugar de quedarse únicamente con ejercicios diseñados como benchmarks, el sistema comenzó a trabajar con preguntas de investigación que todavía no tenían una solución conocida.
El resultado es una colección considerablemente más amplia que los trabajos matemáticos que OpenAI había mostrado anteriormente.
Los 722 manuscritos no representan 722 problemas completamente independientes. OpenAI los agrupó en 372 familias porque algunos documentos presentan resultados principales, consecuencias, argumentos complementarios o demostraciones alternativas relacionadas con una misma cuestión.
El problema no es generar una prueba, sino demostrar que funciona
Aquí aparece una de las principales dificultades.
En matemáticas, una demostración debe resistir una revisión extremadamente rigurosa. Que una inteligencia artificial produzca páginas de argumentos aparentemente coherentes no significa automáticamente que haya demostrado un teorema.
OpenAI reconoce esta diferencia en su propio repositorio. La colección incluye resultados en distintas etapas de verificación y no todos cuentan con una formalización en Lean, un sistema que permite comprobar formalmente determinados pasos matemáticos mediante software. La compañía también advierte que algunos resultados todavía no formalizados podrían contener errores.
Por eso, la publicación funciona más como un enorme conjunto de propuestas matemáticas que la comunidad puede revisar que como una lista definitiva de problemas resueltos.
¿Qué tiene que ver Lean con todo esto?
Lean es un asistente de demostración que permite expresar una prueba de manera formal para que un sistema informático pueda comprobar que sus pasos cumplen las reglas matemáticas especificadas.
Su utilización es especialmente importante en este contexto porque permite reducir uno de los grandes problemas de las demostraciones generadas por IA: que un argumento parezca correcto a primera vista pero contenga un salto lógico.
OpenAI está incorporando formalizaciones en Lean a parte de sus resultados y señala que continuará ampliando esa verificación. Sin embargo, el propio repositorio deja claro que la cobertura todavía no es total.
El caso de Navier-Stokes elevó todavía más la apuesta
La publicación llega después de que OpenAI afirmara haber encontrado una solución al problema de existencia y suavidad de Navier-Stokes, uno de los siete Problemas del Milenio del Clay Mathematics Institute.
La empresa sostiene que un sistema interno produjo tanto una demostración analítica como una formalización en Lean y que su resultado establece una de las posibilidades contempladas en la formulación oficial del problema.
Navier-Stokes intenta determinar si ciertas ecuaciones utilizadas para describir el movimiento de fluidos pueden desarrollar singularidades a partir de condiciones inicialmente suaves. Resolver la cuestión tendría implicaciones profundas para las matemáticas y para la comprensión de fenómenos relacionados con fluidos.
Pero una afirmación de esta magnitud no queda validada simplemente porque una empresa publique una prueba.
La comunidad matemática necesita examinarla de manera independiente, comprobar cada paso y determinar si efectivamente cumple las condiciones del problema.
Los matemáticos piden algo más que resultados impresionantes
La reacción de especialistas ha mostrado precisamente esa tensión.
El Instituto de Estudios Avanzados de Princeton y otros matemáticos han planteado preocupaciones sobre el uso de modelos propietarios para resolver problemas abiertos que posteriormente son presentados como avances científicos.
El debate no se limita a saber si una IA puede producir una demostración correcta. También gira alrededor de si los investigadores humanos pueden comprenderla, verificarla, explicar sus consecuencias y utilizarla para construir nuevo conocimiento.
Esta cuestión es importante porque una prueba matemática no solo tiene valor por llegar a una conclusión correcta. También puede cambiar la forma en que los especialistas entienden un problema.
Si una IA entrega una solución que nadie consigue comprender o reutilizar, su impacto científico podría ser mucho más limitado de lo que su resultado inicial sugiere.
OpenAI ya había mostrado avances en matemáticas
La publicación de octubre no apareció de la nada.
En mayo, OpenAI presentó un resultado generado por IA que refutaba una conjetura relacionada con el problema de las distancias unitarias de Erdős, una cuestión de geometría combinatoria planteada originalmente en 1946.
Posteriormente, la compañía mostró otros diez resultados que, según explicó, resolvían o hacían avances sustanciales sobre problemas abiertos de larga duración.
La diferencia ahora es la escala.
En lugar de mostrar únicamente un pequeño conjunto de resultados seleccionados, OpenAI publicó una colección mucho mayor y puso los materiales a disposición de la comunidad mediante un repositorio público.
Entonces, ¿la IA ya está resolviendo los grandes problemas de las matemáticas?
La respuesta todavía necesita varios matices.
Sí existen resultados producidos por sistemas de IA que investigadores consideran matemáticamente interesantes y que han generado nuevos caminos de investigación. También hay demostraciones que pueden someterse a comprobaciones formales.
Pero eso no significa que todos los documentos publicados por OpenAI sean soluciones definitivas ni que los grandes problemas matemáticos hayan quedado resueltos automáticamente.
La propia documentación del repositorio advierte que los resultados se encuentran en diferentes etapas de verificación.
El verdadero cambio podría estar en otro lugar: una IA capaz de generar rápidamente hipótesis, demostraciones y nuevas estrategias puede convertirse en una herramienta de investigación que permita a los matemáticos explorar muchas más posibilidades de las que podrían analizar manualmente.
La gran pregunta ya no es solo si la IA puede hacer matemáticas
Durante años, una de las preguntas centrales sobre los modelos de inteligencia artificial era si podían resolver problemas matemáticos.
Ahora el escenario comienza a ser diferente.
La cuestión es hasta dónde pueden llegar en matemáticas de investigación y qué papel tendrán los seres humanos cuando una máquina sea capaz de producir argumentos que incluso especialistas necesitan tiempo para revisar.
OpenAI está intentando avanzar precisamente en esa frontera. La compañía también creó un grupo asesor independiente sobre matemáticas e inteligencia artificial y reconoció que el ritmo de progreso de sus modelos ha generado nuevas preguntas sobre cómo compartir estos descubrimientos de manera responsable.
Por ahora, los 722 manuscritos no son una colección de trofeos matemáticos definitivos. Son, más bien, un gigantesco laboratorio abierto para comprobar cuánto puede descubrir una IA y cuánto de ese descubrimiento puede sobrevivir al escrutinio de las matemáticas.
Y en una disciplina donde una sola línea incorrecta puede derribar cien páginas de razonamiento, esa comprobación es precisamente la parte que más importa.
