OpenAI: por qué la IA ya resuelve problemas de matemáticas

De resolver aritmética a tumbar conjeturas abiertas

En mayo, un modelo interno de OpenAI encontró un contraejemplo a la conjetura de las distancias unitarias de Erdős, un problema abierto desde 1946 que había resistido a varias generaciones de matemáticos. Un mes después, la compañía publicó una prueba del problema del Cycle Double Cover (CDC) y, hacia julio, soluciones a diez problemas abiertos más. En septiembre llegó una prueba de Navier-Stokes. En paralelo, Anthropic publicó una formalización del último teorema de Fermat y nuevos límites sobre la hipótesis de Riemann.

Para un founder, el dato relevante no es que la IA "sepa matemáticas". Es que el cuello de botella de la investigación —la parte que consume meses de trabajo humano— acaba de cambiar de forma. Y ese mismo cuello de botella aparece en cualquier equipo que hace I+D, debugging profundo o análisis de datos.

¿Por qué un LLM resuelve lo que un matemático no?

El ensayo de Latent Space propone un modelo mental simple: para resolver un problema necesitas una secuencia de pistas o insights, con trabajo entre una y otra. El matemático WT Gowers lo formalizó como la longitud de la secuencia de pistas más corta que permitiría a un experto reconstruir la prueba, y propuso una fórmula de complejidad 2^k + t, donde k es el número de insights y t el trabajo necesario para desarrollarlos.

La clave está en la exponencial: la dificultad crece de forma brutal con cada insight adicional. Y la mayoría del esfuerzo humano no está en el momento eureka, sino en el trabajo intermedio. La matemática Misha Rudnev, de la Universidad de Bristol, describió el resultado de OpenAI sobre distancias unitarias como "absolutamente una bomba", y Tim Gowers, medalla Fields, lo calificó como "un hito en la matemática con IA" en el blog que acompañó el trabajo, según recogió New Scientist.

Búsqueda en profundidad contra búsqueda en anchura

Aquí está la diferencia estructural. Los humanos resolvemos en anchura: generamos direcciones candidatas, las exploramos superficialmente, abandonamos la mayoría y apostamos por unas pocas. El motivo es puramente económico: desarrollar una idea puede llevar meses, así que antes de comprometerse un investigador necesita señales tempranas de que vale la pena.

Los LLM, en cambio, buscan en profundidad. Se les da un prompt y producen una solución; se les pide una prueba y producen algo que se aproxima a una prueba. El proceso escala: diez agentes en paralelo con diez enfoques distintos generan diez intentos desarrollados hasta el final. Sin control, eso produce demostraciones falsas y elegantes.

El giro llega cuando se añade un verificador automático. Con un checker que descarta las trayectorias completadas e identifica las correctas, se vuelve racional gastar enormes cantidades de cómputo en ideas inciertas: en minutos sabes si una idea funciona o no. El contraste es directo: si descubrir si una pista sirve cuesta cinco minutos en lugar de tres meses, el listón de calidad de esa pista casi desaparece.

El intento fallido como instrucción

El sistema que describe el ensayo tiene tres piezas: un drafter que escribe los prompts, un solver que produce soluciones candidatas y un verificador que valida el argumento. Cada solución incorrecta vuelve al modelo como pista negativa para la siguiente iteración. El sistema acumula instrucciones sobre qué ya falló y por qué.

En el caso del CDC, el prompt incluye líneas como "asume que existe una prueba afirmativa completa" —para que el modelo no use el estatus abierto del problema como excusa para detenerse— y una lista de sustitutos insuficientes que descarta pruebas parciales o reducciones a otra conjetura no probada. Cada una de esas líneas es un camino fallido convertido en instrucción.

¿Qué cambió en los modelos este año?

El ensayo identifica tres capacidades que se apilan:

• Encadenamiento de primitivas. Los objetivos de entrenamiento recientes se centran en crear artefactos en el paso 1 que puedan usarse en el paso n de una tarea larga. Eso reduce el trabajo intermedio (t).
• Autoverificación. Los modelos ya detectan pasos incorrectos dentro de una trayectoria antes de que los vea un humano. Según TechTimes, OpenAI entrenó modelos específicamente en verificación matemática con ejemplos reales a escala.
• Orquestación. Los modelos comandan subagentes, usan memoria para orientar la búsqueda y coordinan agentes entre sí. Así se acumulan las pistas negativas.

El caso de Navier-Stokes da la escala: según The Journal, el grupo que produjo el resultado involucró a unos 10.000 agentes concurrentes, que intercambiaron 4,9 millones de mensajes y generaron cerca de 300.000 millones de tokens de salida en unas 88 horas, más 17 horas de formalización. El ensayo original cifra la prueba en 166 páginas.

El factor de ramificación: dónde gana la IA y dónde no

Gowers añade una variable a su fórmula: el factor de ramificación (b), el número de pistas plausibles en cada paso. Con b opciones por paso y k pistas, hay b^k caminos posibles. Los modelos predicen bien dónde la IA rinde: donde b^k multiplicado por el costo de cómputo es pequeño.

Por eso la ciberseguridad cayó primero: el factor de ramificación en los pasos intermedios es de aproximadamente 1 o 2. Se necesita mucha habilidad, pero la forma de la solución se conoce de antemano. Buscar un contraejemplo fue tan potente precisamente porque colapsa el espacio de soluciones y reduce b.

Gowers espera que los humanos mantengan ventaja en problemas "donde el árbol de búsqueda es profundo y tiene una gran cantidad de ramificación", es decir, b y/o k altos. Ahí la intuición humana sigue importando.

Qué significa esto para tu startup

La lección no es "usa IA para investigar". Es entender qué tipo de problema tienes delante.

• Mide tu factor de ramificación antes de invertir en agentes. Si tu problema tiene pasos conocidos y pocas bifurcaciones reales en cada etapa —migraciones de código, auditorías de configuración, análisis de logs, generación de tests—, es candidato ideal. Si cada decisión abre decenas de caminos válidos y no hay forma de descartarlos rápido, el cómputo se dispara sin retorno.
• Construye el verificador antes que el generador. Un checker barato y automático es lo que convierte el gasto en cómputo en una apuesta racional. Si no puedes validar el resultado de forma automática, no tienes un sistema de agentes: tienes una máquina de generar trabajo plausible que alguien tendrá que revisar a mano.
• Convierte tus fracasos en contexto. Los intentos fallidos, escritos como instrucciones explícitas, son el activo que evita repetir caminos muertos. Documenta por qué una vía no funcionó, no solo que no funcionó.

Conclusión

El salto no es que los modelos sean mejores matemáticos que los humanos. Es que pueden intercambiar tiempo por cómputo y recorrer en minutos ramas que a un investigador le costarían meses de moral y carrera. Jacob Tsimerman, hoy en OpenAI, trabajó en el contraejemplo de distancias unitarias, conocía la teoría de números y aun así se detuvo: lo que lo frenó no fue falta de habilidad, sino semanas en un pantano sin evidencia de que hubiera otro lado.

Ese es el hueco que la IA está ocupando. Y también su límite: donde el árbol es profundo y muy ramificado, la intuición humana sigue siendo el filtro que hace viable la búsqueda. El founder que entienda esa distinción sabrá dónde apuntar sus agentes y dónde seguir confiando en su equipo.

Fuentes

• AI Is Getting Good at Math. Here's Why. (fuente original)
• An OpenAI model solved a famous math problem that stumped humans for 80 years (Ars Technica)
• Mathematicians stunned by AI's biggest breakthrough in mathematics yet (New Scientist)
• OpenAI's Astra Solves Ten Decade-Old Math Problems With Machine-Checkable Lean Proofs (TechTimes)
• AI Models Generate Advances in Mathematical Research (The Journal)
• OpenAI Math Release: What's Real in the 722 AI Manuscripts (Online Tech Tips)