Principales destacados
- Nueve problemas resueltos: AlphaProof Nexus, de Google DeepMind, encontró demostraciones para nueve problemas abiertos propuestos por el matemático Paul Erdős.
- Demostraciones verificadas por máquinas: el sistema combinó Gemini 3.1 Pro con el asistente de demostraciones Lean, que verifica matemáticamente cada paso de las soluciones.
- Un avance con matices: el artículo publicado en Science respalda los resultados, pero algunos expertos cuestionan la autonomía de la IA, la selección de los problemas y la validez de ciertos resultados anteriores.
Una inteligencia artificial ha resuelto problemas matemáticos que desafiaron a los investigadores durante décadas. Entre los resultados atribuidos a AlphaProof Nexus, el sistema de Google DeepMind, figuran dos cuestiones propuestas en 1970 por Paul Erdős y András Sárközy que permanecieron abiertas durante 56 años.
El estudio, publicado el jueves 8 de octubre en la revista Science, también informa de la demostración de 44 conjeturas de la Enciclopedia en Línea de Sucesiones de Números Enteros (OEIS).
El resultado representa un nuevo capítulo en la competencia entre los laboratorios de inteligencia artificial por demostrar que sus sistemas son capaces de producir descubrimientos matemáticos originales y no solo resolver ejercicios conocidos.
Pero existe una diferencia importante entre encontrar una solución y demostrar que es correcta. Precisamente en este punto es donde el enfoque de DeepMind intenta destacar.
🧠 ¿Cómo encuentra la IA una demostración matemática?
AlphaProof Nexus combina dos componentes con funciones distintas: un modelo de lenguaje que explora posibles soluciones y un sistema formal que verifica las demostraciones.
Gemini 3.1 Pro se encarga de buscar caminos para resolver los problemas. Por su parte, Lean, un asistente de demostraciones matemáticas, verifica formalmente los pasos presentados y rechaza las demostraciones que contienen lagunas.
En la práctica, el sistema puede probar diferentes estrategias, ejecutar varios intentos en paralelo y someter los resultados a una verificación formal.
🔎 El detalle decisivo: Lean no necesita confiar en la explicación generada por el modelo. Comprueba si la demostración satisface las reglas matemáticas formalizadas en el sistema.
Esto reduce el riesgo de que una IA presente una respuesta convincente, pero incorrecta. Sin embargo, no elimina la posibilidad de errores en la formulación del problema, la interpretación del resultado o la propia formalización matemática.
📊 Cientos de problemas, pero solo una parte resuelta
Los investigadores sometieron al sistema a un amplio conjunto de desafíos. Los resultados muestran tanto su capacidad para descubrir soluciones como las limitaciones de la tecnología.
| Desafío | Resultado comunicado |
|---|---|
| Problemas abiertos de Erdős evaluados | 353 |
| Problemas de Erdős resueltos | 9 |
| Conjeturas de la OEIS evaluadas | 492 |
| Conjeturas de la OEIS demostradas | 44 |
| Problemas abiertos de geometría algebraica evaluados | 4 |
| Problemas de geometría algebraica resueltos | 2 |
Los investigadores también verificaron manualmente las 44 demostraciones de la OEIS, confirmando la correcta formalización de los problemas e investigando si las conjeturas todavía no habían sido demostradas.
💰 ¿Cuánto costó resolver un problema?
Según el preprint publicado en arXiv, cada problema de Erdős resuelto requirió unos cientos de dólares en recursos computacionales.
La cifra llama la atención porque sugiere que la exploración automatizada de problemas matemáticos puede resultar relativamente accesible en comparación con el esfuerzo de investigación tradicional. Aun así, ese coste no representa necesariamente la inversión total: la preparación de los problemas, su formalización, la revisión y la orientación humana también forman parte del proceso.
⚙️ Una versión más sencilla también logró resolver los nueve problemas
Uno de los hallazgos más interesantes del estudio fue que una versión mucho más sencilla del agente también resolvió los nueve problemas de Erdős.
En lugar de depender de un proceso complejo de exploración, esta variante simplemente generaba una demostración y la sometía a verificación.
El resultado plantea una pregunta relevante: ¿hasta qué punto es necesaria una arquitectura más elaborada para obtener descubrimientos matemáticos de este tipo?
La respuesta podría ayudar a orientar el desarrollo de sistemas más baratos y eficientes. Si un enfoque sencillo consigue resultados similares en determinados problemas, parte de la complejidad computacional podría resultar innecesaria.
El trabajo también incluyó resultados en geometría algebraica, entre ellos una conjetura asociada a Zanello. Según los autores, no conocen artículos anteriores que hayan utilizado exactamente la misma estrategia de demostración.
🚧 El sistema todavía comete errores básicos
A pesar de los resultados, AlphaProof Nexus fracasó en la mayoría de los problemas que intentó resolver.
Algunos intentos fallidos revelaron comportamientos que requieren atención. En ciertos casos, el sistema introdujo el marcador sorry, utilizado en Lean para indicar que una demostración todavía está incompleta, o citó teoremas inexistentes.
Estos ejemplos muestran por qué la verificación formal es importante, pero también por qué no sustituye la supervisión humana. Una demostración incompleta no se vuelve válida simplemente por estar presentada dentro de una estructura matemática formal.
🗣 La orientación humana sigue presente: los investigadores tuvieron que guiar al sistema para que buscara contraejemplos en al menos una de las situaciones descritas.
Josep Curto Díaz, de la Universitat Oberta de Catalunya, señaló al periódico español ABC que el proceso todavía presenta una dependencia estructural de la intervención humana.
❗ Las críticas van más allá de la precisión matemática
La publicación del preprint en arXiv, en mayo, también provocó cuestionamientos sobre la clasificación de los problemas como no resueltos.
El físico Anatol Wegner argumentó que varios de los problemas de Erdős presentados como abiertos ya tenían soluciones en trabajos publicados. Según él, en dos casos, los enunciados se modificaron después de que el agente encontrara sus demostraciones.
Estas alegaciones plantean una distinción fundamental: una IA puede producir una demostración matemáticamente correcta sin descubrir necesariamente algo nuevo. Para establecer la novedad, es necesario revisar la bibliografía existente, la formulación exacta de la cuestión y la relación entre el resultado obtenido y el conocimiento previo.
💡 Una demostración correcta no es automáticamente un descubrimiento original. La novedad matemática depende tanto de la validez de la prueba como de lo que la comunidad científica ya ha establecido.
Un comentario del Science Media Centre de España también calificó el sistema completo de sobredimensionado, lo que refuerza el debate sobre la eficiencia de la arquitectura empleada.
La publicación revisada por pares en Science representa un respaldo científico importante, pero no significa que se hayan cerrado todas las críticas sobre la novedad, la autonomía y la metodología.
🧮 ¿Se ha convertido la matemática en una carrera entre laboratorios de IA?
El trabajo de DeepMind forma parte de una competencia más amplia para demostrar que los modelos de inteligencia artificial pueden desempeñar un papel en actividades científicas de alto nivel.
La matemática es especialmente relevante en esta carrera porque permite verificar los resultados con rigor formal. En principio, una demostración puede examinarse paso a paso, sin depender únicamente de evaluaciones subjetivas sobre la calidad de una respuesta.
Sin embargo, la selección de los problemas, la formulación de las conjeturas y la interpretación del significado de un descubrimiento siguen requiriendo conocimientos especializados.
En septiembre, una carta abierta firmada por 25 ganadores de la Medalla Fields, entre ellos Terence Tao, advirtió contra la transformación de las matemáticas en una carrera por acumular respuestas.
Swarat Chaudhuri, uno de los autores del estudio de DeepMind, también reconoció en una entrevista con El Mundo que estos sistemas todavía necesitan orientación humana para decidir qué problemas abordar y requieren una revisión cuidadosa de sus resultados.
La observación apunta al núcleo del debate: producir demostraciones es solo una parte del trabajo matemático. Identificar preguntas relevantes, evaluar la importancia de una respuesta y comprender sus consecuencias también son tareas esenciales.
🔭 El próximo desafío no consiste solo en resolver más problemas
Los resultados de AlphaProof Nexus muestran que los sistemas de IA pueden contribuir a la investigación matemática, incluso en cuestiones que permanecieron sin solución durante décadas.
Pero la capacidad de producir demostraciones no debe confundirse con una autonomía científica plena. El sistema todavía falla con frecuencia, depende de que los problemas estén correctamente formulados y necesita investigadores que evalúen la relevancia y la originalidad de sus respuestas.
La pregunta que queda para los próximos años es si estas herramientas podrán pasar de resolver desafíos seleccionados por humanos a identificar, justificar y desarrollar nuevas líneas de investigación por iniciativa propia.
Si eso sucede, el impacto podría ir mucho más allá de resolver problemas antiguos: la IA podría ayudar a decidir qué problemas debería intentar resolver la matemática en el futuro.
Meta descripción
PT-BR: AlphaProof Nexus, de Google DeepMind, resuelve nueve problemas de Erdős y demuestra 44 conjeturas de la OEIS en un estudio publicado en Science.
ES: AlphaProof Nexus, de Google DeepMind, resuelve nueve problemas de Erdős y demuestra 44 conjeturas de la OEIS en un estudio publicado en Science.
