Añadir Mangas Verdes como fuente preferida de Google de forma gratuita.
Mantente informado con las últimas noticias de actualidad.
La promesa más inquietante no consiste en que una máquina resuelva un teorema, sino en que lo haga de forma correcta y aun así nadie pueda contarlo con palabras humanas.
Terence Tao, matemático, lo formuló sin rodeos en una conferencia en Filadelfia. “Estamos muy, muy cerca de que un resultado importante quede demostrado y verificado sin que ningún humano pueda comprenderlo y explicarlo”, advirtió.
"Estamos muy, muy cerca de que un resultado [matemático] importante quede demostrado y verificado sin que ningún humano pueda comprenderlo y explicarlo" - Terence Tao, matemático
Esa posibilidad cambia el centro del debate. Ya no basta con preguntar si la inteligencia artificial puede ayudar a hacer matemáticas, porque la cuestión empieza a ser qué ocurre cuando el conocimiento existe, funciona y, sin embargo, deja de ser compartido.
OpenAI ya mostró que acertar no siempre basta
OpenAI publicó que sus modelos más avanzados resolvieron o impulsaron la solución de diez problemas matemáticos complejos. La cifra dibuja un salto visible, pero la revisión oficial y la de la comunidad de expertos detectaron que al menos una de esas diez demostraciones era errónea.
Ahí aparece una paradoja incómoda. Cuanto más poderosa parece la herramienta, más necesario resulta un control externo capaz de distinguir entre una prueba sólida y una cadena de pasos que solo parece convincente, como ya ocurrió en un avance reciente sobre Erdős.
Jacob Tsimerman, reciente ganador de la Medalla Fields y fichado por OpenAI, cree además que la IA será pronto “robustamente sobrehumana” en matemáticas. Si esa previsión se cumple, el problema no será solo medir cuánto resuelve, sino cuánto de ese trabajo sigue siendo inteligible para quienes deberían revisarlo.
Lean convierte una demostración en algo que un ordenador puede revisar
Lean transforma argumentos matemáticos en objetos formales que un ordenador puede validar para comprobar si, dadas unas premisas, la conclusión se sigue de ellas. Es una idea seca y poderosa a la vez.
En la práctica, ese tipo de lenguaje actúa como un notario lógico. No juzga si una intuición es hermosa ni si una estrategia abre caminos nuevos, pero sí puede verificar paso a paso que una inferencia encaja con las reglas fijadas, un terreno que conecta con el uso de Lean como coautor.
Yu Deng, ganadora de la Medalla Fields, dibuja una división del trabajo bastante nítida. Los humanos crearán teorías e ideas y las máquinas asumirán los detalles técnicos.
La imagen recuerda a un arquitecto que concibe un edificio mientras otro sistema comprueba cada viga, cada carga y cada unión. Funciona, claro, hasta que el verificador termina levantando estructuras tan complejas que el arquitecto ya no sabe recorrerlas enteras.
Tao y Klowden piden que la máquina amplíe el pensamiento humano
Terence Tao y Tanya Klowden defienden en un trabajo conjunto que la IA debe asistir y ampliar el pensamiento humano, no sustituirlo. La diferencia parece pequeña en una frase, pero en investigación lo cambia casi todo.
Si la máquina solo acelera, el matemático gana tiempo. Si la máquina ocupa el lugar de la comprensión, la disciplina puede acumular resultados válidos y perder al mismo tiempo una parte de su cultura intelectual.
Timothy Gowers, matemático, llevó esa inquietud al extremo al señalar que esta trayectoria puede desembocar en una literatura matemática enorme, pero con muy pocos expertos humanos capaces de compartir o comprender su significado.
Daniel Litt, profesor de la Universidad de Toronto, plantea una respuesta concreta. Propone construir una biblioteca con demostraciones de todos los teoremas y añadir guías que expliquen paso a paso las respuestas para que la verificación no quede separada de la comprensión.
La discusión no va solo de eficacia, va de qué valores sobreviven
La Declaración Leiden enumera varios rasgos de la investigación matemática que conviene preservar, entre ellos la autonomía intelectual, la atribución, la diversidad de métodos y la transparencia. No son adornos académicos.
Cuando una prueba puede validarse por ordenador pero apenas circula entre personas que la entienden, cada uno de esos valores entra en tensión. La autonomía se estrecha, la atribución se vuelve más difícil de repartir y la transparencia deja de depender solo de que algo sea correcto.
El dato decisivo sigue siendo este. OpenAI habló de diez problemas complejos y la revisión posterior mostró que al menos una de aquellas demostraciones fallaba, justo cuando el campo discute cómo evitar que las matemáticas terminen llenas de resultados ciertos que casi nadie pueda explicar.