En resumen
- Terence Tao argumentó que la IA está agotando el suministro de problemas matemáticos abiertos fructíferos más rápido de lo que los matemáticos pueden identificar nuevos.
- Su advertencia sigue un precedente real de laboratorios de IA resolviendo problemas históricamente difíciles.
- Tao quiere que los matemáticos etiqueten ciertos problemas como "requieren análisis", de modo que una respuesta generada por IA sin razonamiento explicado valga poco.
Terence Tao, el profesor de UCLA ampliamente considerado el mejor matemático puro vivo, ha dado la voz de alarma sobre la acelerada carrera de la IA en matemáticas que está ocurriendo ahora mismo.
Tao, quien fue galardonado con la Medalla Fields en 2006, publicó una advertencia en la instancia de Mastodon centrada en matemáticas Mathstodon ayer, en la que argumentó que la IA está drenando el suministro de buenos problemas abiertos del campo, las preguntas sin resolver que realmente impulsan las matemáticas. No pruebas. No artículos. Buenas preguntas.
Cualquiera puede inventar infinitas preguntas matemáticas nuevas; el dígito googol-ésimo de pi es técnicamente un problema abierto que nadie ha calculado. Casi ninguna de ellas importa, porque la mayoría no enseña nada sobre el campo más amplio. Lo que realmente importa, escribió Tao, es saber qué vale realmente la pena el esfuerzo.
"En resumen, el uso indiscriminado de poderosas herramientas de extracción de soluciones puede lograr la meta inmediata a corto plazo de resolver los problemas en cuestión, pero a costa de sostener el ecosistema para la próxima ola de progreso, o de entender el progreso ya obtenido", escribió Tao.
Con el lanzamiento de los modelos de razonamiento y la última generación de sistemas de IA de frontera, los laboratorios han comenzado a lanzar enormes cantidades de cómputo a problemas matemáticos y científicos. Anthropic y OpenAI han puesto a prueba sus modelos en problemas que han resistido a los matemáticos humanos durante años, a veces décadas.
Los resultados han abarcado desde la física cuántica hasta las matemáticas aplicadas y la medicina. Pero las matemáticas son diferentes: los problemas genuinamente difíciles son relativamente escasos, y los investigadores a menudo eligen cuidadosamente cuáles perseguir durante meses o incluso años.
Resolver eso solía depender del "paisaje de dificultad" de un campo: qué preguntas son triviales, cuáles requieren un esfuerzo real, cuáles son imposibles con las herramientas actuales. Los nuevos métodos siempre han aplanado partes de ese paisaje, pero también abrieron nuevas fronteras más allá de sus propios límites. La IA rompe el patrón, argumenta Tao, porque nadie puede decir exactamente dónde se detiene la capacidad de un modelo.
Del rumor a la carrera
Tao no está describiendo una hipótesis. En mayo, un modelo de OpenAI refutó la conjetura de la distancia unitaria de Erdős, una pregunta de 80 años sobre cuántos pares de puntos en un plano pueden estar exactamente a una unidad de distancia. Matemáticos externos, incluido el medallista Fields Tim Gowers, lo verificaron.
En la misma semana, el investigador de Anthropic Levent Alpöge ejecutó el mismo problema a través de Claude Mythos, el modelo de gama alta no publicado de la compañía, trabajando sin conexión para que no pudiera copiar la solución publicada por OpenAI. El ingeniero de Anthropic Sholto Douglas calificó el resultado como una "prueba linda y simple", más corta que la de OpenAI. El matemático Daniel Litt la llamó "un poco peor" que la versión de OpenAI, aunque Mythos también encontró la solución de OpenAI.
Un gran crédito al equipo de OAI por resolver el problema de la distancia unitaria con 5.5 - ahora es mi ejemplo de referencia de que los modelos pueden de hecho unir ideas dispares en nuevos descubrimientos.
Como con todos los minutos de 4 millas, ¡tuvimos que intentar cruzarlo también! Resulta que mythos lo resuelve con una linda,… https://t.co/NFymE8P8lu
— Sholto Douglas (@_sholtodouglas) 26 de mayo de 2026
Justo esta semana, Anthropic formalizó una prueba centenaria del último teorema de Fermat y unos días después OpenAI resolvió un problema de 90 años, horas después de que un investigador publicara su propia prueba, coescribiendo un artículo con un investigador de Anthropic.
Esa carrera es exactamente lo que preocupa a Tao. "Ahora hemos visto que incluso el rumor de que alguien está trabajando en un problema puede desencadenar una cantidad masiva de esfuerzo impulsado por IA para aplanarlo antes de que el proyecto de investigación original tenga tiempo de alcanzar su máximo potencial", escribió.
Tao argumenta que esto termina revirtiendo siglos de ciencia abierta.
Juzgar el proceso, no solo la respuesta
La solución propuesta por Tao es marcar ciertos problemas como "requieren análisis", lo que significa que una respuesta correcta en bruto cuenta poco a menos que venga acompañada de un razonamiento que revele algo sobre problemas cercanos. Lo comparó con los bancos de alimentos que dejaron de aceptar cualquier donación que fuera meramente comestible.
Es esto o prohibir la IA en matemáticas, una solución que, según Tao, es "técnicamente inviable".
La propuesta aún no se ha convertido en política en ningún lugar, y según cómo se comportan los grandes laboratorios de IA, incluso esto puede ser técnicamente inviable en este momento.
