La matemática de la IA está provocando el mismo 'momento de bofetada' que experimentó el mundo del Go hace una década.
Quien sostiene una opinión similar es nada menos que Demis Hassabis, cofundador de DeepMind, quien lideró el proyecto AlphaGo hace una década.
Aunque Hassabis ha experimentado recientemente una serie de cambios de identidad —de CEO de DeepMind a Científico Jefe de Google y Presidente de DeepMind—
en lo que respecta a cómo la IA está transformando la cognición humana, sigue siendo una de las voces más autorizadas.
Hace diez años, fue testigo de cómo AlphaGo derrotaba al legendario jugador de Go Lee Sedol con la asombrosa jugada 37.
Diez años después, situado en la vanguardia de la incursión de la IA en las fronteras de las matemáticas y la ciencia, ha ofrecido un nuevo juicio:
Si la IA puede resolver un Problema del Premio del Milenio, eso sería un avance de la magnitud de la 'jugada 37'. Tal como están las cosas, parece solo cuestión de tiempo que la IA alcance ese nivel; no veo ninguna razón por la que no lo haga.
La jugada 37, un momento que representa la primera vez que la humanidad fue abofeteada por la IA, ha quedado así grabada en la memoria.
Pero pocos recuerdan que la jugada 37 no fue la única respuesta que dejó esa batalla hombre-máquina.
Dos partidas después, Lee Sedol, que ya había perdido tres consecutivas, jugó la jugada 78.
Esta jugada también tenía solo una probabilidad de una entre diez mil de ser jugada por un humano, sin embargo, logró desestabilizar a AlphaGo y ayudó a Lee Sedol a asegurar la única victoria de la humanidad en el enfrentamiento de cinco partidas.
Al mirar atrás a esta batalla hombre-máquina una década después, uno no puede evitar maravillarse:
La relación entre humanos e IA es como estos dos números.
Uno hizo que la humanidad reentendiera la IA, el otro hizo que la humanidad se reentendiera a sí misma.
La jugada 37 que humilló a la humanidad
Retrocedamos a marzo de 2016, el enfrentamiento de cinco partidas entre AlphaGo y Lee Sedol se desarrollaba en Seúl, Corea del Sur.
En la primera partida, Lee Sedol perdió ante AlphaGo, un mal comienzo.
En la segunda partida, el mundo entero esperaba que este legendario jugador contraatacara.
A mitad de la partida, Lee Sedol se levantó brevemente de la mesa, fumó un cigarrillo para calmar los nervios, pero cuando volvió al tablero, una piedra negra ya había sido colocada.
Jugada 37.
Lee Sedol no se sentó de inmediato; se quedó de pie mirando fijamente el tablero, casi sin poder creer lo que veía.
La razón era simple: esta jugada era demasiado poco humana.
AlphaGo colocó la piedra en la quinta línea, desviándose de la intuición posicional que los jugadores profesionales habían seguido durante siglos. En el entendimiento humano convencional del Go, las piedras deben ocupar posiciones altas para controlar el tablero, pero AlphaGo la colocó en una zona donde aún no se había producido una batalla directa.
Los comentaristas en el lugar inicialmente incluso sospecharon que AlphaGo había cometido un error.
El jugador profesional de 9º dan Michael Redmond, que comentaba, no pudo juzgar durante mucho tiempo, solo diciendo:
No sé si es una buena jugada o una mala jugada; es muy extraña.
Su co-comentarista fue más directo:
Pensé que fue un error.
El equipo de DeepMind calculó más tarde que la probabilidad de que un jugador humano eligiera esta jugada era solo de una entre diez mil.
Pero a medida que avanzaba la partida, la gente se dio cuenta gradualmente de que no era una mala jugada; era una jugada brillante que cambió el curso de la batalla a mayor escala.
Unas 100 jugadas después, esta piedra negra aparentemente mal colocada resultó ser la clave para que AlphaGo ganara la segunda partida.
Más tarde, este momento de error colectivo humano fue llamado en broma el 'momento de la bofetada'—
Originalmente se pensó que la IA estaba equivocada, pero al final, los humanos fueron los que se equivocaron.
Pero más allá de la bofetada, esta jugada también hizo que el mundo se diera cuenta por primera vez de que la IA no solo imita el juego humano, sino que también puede hacer jugadas que los humanos nunca han pensado.
Y una década después, la 'jugada 37' ha reaparecido de hecho, y esta vez está asociada con una disciplina antigua:
Matemáticas.
Para la IA, el Go y las matemáticas comparten una gran similitud: verificabilidad.
Debido a que la lógica y las reglas en estos campos son suficientemente claras, la IA puede ejecutar repetidamente un proceso simple:
Probar una idea, probarla, aprender de los resultados y seguir intentando hasta tener éxito (eso del aprendizaje por refuerzo).
Este mecanismo también explica por qué las matemáticas se han convertido en la primera disciplina en ser intensamente bombardeada por la 'jugada 37' de la IA.
En campos como el desarrollo de fármacos y la biología, si una idea es válida a menudo requiere largos experimentos para verificarla.
Las matemáticas son diferentes; el proceso de demostración se puede comprobar paso a paso. Lo correcto es correcto, lo incorrecto es incorrecto, por lo que la IA puede buscar incansablemente.
Así, a medida que las capacidades de la IA continúan fortaleciéndose, los cambios han comenzado a acelerarse año tras año.
Comenzando con el nacimiento de ChatGPT, en 2023 los grandes modelos aún podían ser confundidos por problemas aritméticos básicos; el incidente de "cuál es más grande, 9.11 o 9.9" fue una vez risible.
Pero para 2024, AlphaProof y AlphaGeometry 2 de DeepMind ya habían entrado en la Olimpiada Internacional de Matemáticas.
Los dos sistemas resolvieron 4 de 6 problemas, obteniendo 28 puntos, alcanzando el nivel de medalla de plata (a solo 1 punto del umbral de medalla de oro de ese año).
Solo un año después, Gemini Deep Think resolvió 5 problemas dentro del límite oficial de 4.5 horas, obteniendo 35 puntos, alcanzando el nivel de medalla de oro de la IMO.
En dos años, la IA pasó de ser una novata a medallista de oro de la IMO, a una velocidad asombrosa.
Pero esto sigue siendo solo el examen.
Lo que realmente hizo que la comunidad matemática sintiera que la marea se acercaba es que la IA comenzó a pasar de "resolver problemas" a "realizar investigación".
En 2025, GPT-5 participó en la resolución del problema #848 de Erdős, proponiendo la estimación clave necesaria para la demostración.
Los matemáticos la corrigieron y ajustaron, finalmente completando la demostración completa.
En el mismo año, el matemático de UCLA Ernest Ryu, con la ayuda de GPT-5, encontró un avance para un problema abierto que había preocupado a la teoría de optimización durante 40 años.
En esta etapa, la IA ya no solo calcula respuestas; comienza a aportar ideas clave.
Luego, llegó el año 2026, y una serie de problemas matemáticos importantes comenzaron a lograr avances.
El primero en lanzar la bomba fue nuevamente OpenAI.
Un modelo interno de razonamiento general se dirigió al problema de la distancia unitaria en el plano. Este problema fue propuesto por el matemático Paul Erdős en 1946, estudiando cuántos pares de puntos a distancia exactamente 1 se pueden maximizar al colocar n puntos en el plano.
Durante casi 80 años, la comunidad matemática generalmente creía que construcciones como las cuadrículas cuadradas estaban cerca de ser óptimas.
Pero la IA trajo directamente un conjunto de herramientas de la teoría de números algebraicos aparentemente no relacionada, construyendo un conjunto completamente nuevo de puntos, derrocando esta conjetura de larga data.
Toda la prueba fue posteriormente verificada por matemáticos externos.
OpenAI declaró que esta es la primera vez que una IA general resuelve autónomamente un problema abierto de importancia significativa en una rama de las matemáticas.
Inmediatamente después, Anthropic también se movió.
En julio de 2026, el matemático de Anthropic Levent Alpöge, con la ayuda de Claude Fable 5, encontró un contraejemplo explícito a la conjetura de Jacobi.
Una conjetura que había preocupado a la comunidad matemática durante 87 años fue así refutada por la IA de la noche a la mañana.
Incluso hubo esfuerzos conjuntos de las dos empresas (OpenAI y Anthropic).
Hace solo un par de días, GPT-5.6 y Fable 5 se unieron para resolver un problema matemático que había estado abierto durante 25 años.
(Hay demasiadas historias similares...)
Pero lo más exagerado es Google; DeepMind está convirtiendo este avance en una línea de montaje.
Su agente matemático Aletheia ya no solo genera una respuesta una vez, sino que repetidamente propone pruebas, busca lagunas, se contradice a sí mismo y luego busca nuevos caminos.
DeepMind lo usó para escanear 700 problemas abiertos en la base de datos de conjeturas de Erdős.
Entre ellos, la IA resolvió de forma independiente 4 problemas no resueltos y también contribuyó a múltiples resultados matemáticos de calidad de artículo.
Este intento muestra que la IA ha comenzado a buscar en las áreas en blanco del mundo matemático a gran escala.
Así que no es difícil de imaginar:
Es solo cuestión de tiempo antes de que la IA resuelva más problemas matemáticos importantes.
Desde resolver problemas hasta realizar investigaciones, desde recitar conocimientos conocidos hasta proponer respuestas desconocidas, el movimiento 37 en el campo de las matemáticas se está jugando uno tras otro.
Encontrando el movimiento 78 de la humanidad
Y ante este momento que probablemente llegará pronto, la humanidad sin duda enfrentará una pregunta de introspección:
Si la IA continúa haciendo nuevos movimientos que los humanos nunca han pensado, ¿qué deberían hacer los humanos?
El movimiento 78 que apareció en esa partida hace diez años podría ser la respuesta.
En la cuarta partida del duelo al mejor de cinco, Lee Sedol, que ya había perdido tres partidas consecutivas, insertó una piedra blanca en el centro de la formación de AlphaGo.
Este movimiento también se desvió de la norma, y AlphaGo estimó que la probabilidad de que un humano lo jugara era solo de una entre diez mil.
Posteriormente, la máquina perdió la compostura.
Lee Sedol finalmente aseguró la única victoria de la humanidad, y el movimiento 78 desde entonces se ha llamado el "Movimiento de Dios".
Esta victoria no significó que los humanos hubieran vuelto a derrotar a la IA.
Pero al menos demostró que los humanos pueden, después de entender la máquina, encontrar el siguiente movimiento que la máquina no anticipó.
Esto es precisamente la lección que el movimiento 78 deja para hoy.
A medida que la IA se vuelve cada vez más hábil para proporcionar respuestas, el valor humano se desplazará más hacia hacer preguntas, determinar la dirección y decidir qué respuestas realmente valen la pena buscar.
Tomando prestado el concepto de "ajedrez centauro" del ajedrez, significa tener jugadores humanos y motores de computadora trabajando juntos.
p.s. Después de que el "Deep Blue" de IBM derrotara al campeón mundial Garry Kasparov en 1997, Kasparov abogó y organizó el primer "Torneo de Ajedrez Centauro" en 1998, explorando las posibilidades de la colaboración humano-IA.
Hassabis cree que la ciencia está entrando en una "era centauro" similar:
Estamos entrando en una era de colaboración humano-computadora, y no sé cuánto durará este ciclo. Pero para campos muy complejos, podría ser mucho tiempo. Por ejemplo, descubrimiento de fármacos, biología, química, etc. Estos campos son altamente complejos, con condiciones cambiantes, y no todo puede ser verificado. Aquí es donde se necesita la intuición y la perspicacia humana para decidir la dirección a seguir.
La evolución posterior del Go ya ha demostrado este punto.
Después de la aparición de AlphaGo, la IA se convirtió rápidamente en una herramienta de revisión para los jugadores profesionales. Los jugadores podían usar la IA para reexaminar joseki pasados, descubrir qué experiencias eran en realidad poco fiables, y también estudiar nuevos movimientos que antes se consideraban irrazonables.
Un estudio que analizó más de 5.8 millones de movimientos de jugadores profesionales encontró:
Después de la aparición de la super IA, la calidad de los movimientos de los jugadores humanos mejoró significativamente, y también aumentaron los movimientos novedosos.
Sin embargo, hay otro lado de la cuestión, que es:
La gente está empezando a depender de la IA para obtener respuestas, perdiendo gradualmente la capacidad de juzgar las respuestas.
Tal como dijo Lee Sedol al retirarse, enfrentando a un oponente al que no podía vencer, le resultaba difícil seguir disfrutando del Go que una vez amó.
Este podría ser el problema más preocupante en la era de la IA.
A medida que más campos más allá de las matemáticas se ven influenciados por la IA, ¿los sistemas más potentes nos harán más creativos, más eficientes y más humanos?
¿O harán que la gente se dé por vencida?
En el futuro, la IA seguirá jugando el movimiento 37.
La pregunta restante es si los humanos pueden encontrar su propio movimiento 78.
Enlaces de referencia:
[1]https://www.wsj.com/tech/ai/move-37-ai-demis-hassabis-google-deepmind-alphago-ec832a41?st=9XMAjn&reflink=desktopwebshare_permalink
[2]https://x.com/demishassabis/status/2085914742414061886
Este artículo proviene de la cuenta pública de WeChat "Quantum Bit", autor: Enfoque en tecnología de vanguardia
