En el Foro de Laureados de Heidelberg, celebrado en septiembre, las conversaciones entre matemáticos ya no giraban en torno a los problemas clásicos ni a los colegas ilustres presentes. Este año, cada charla captada al azar, cada debate escuchado de pasada, tenía un único protagonista: la velocidad con la que los sistemas de inteligencia artificial de OpenAI, Anthropic y Google avanzan a través de las matemáticas.
El ambiente entre los asistentes combinaba asombro e inquietud. Lo que debía ser una semana de intercambio académico se convirtió en un debate urgente sobre el futuro de la disciplina. Algo fundamental ha cambiado este verano en la relación entre humanos y máquinas dentro de la investigación matemática, y la comunidad apenas empieza a calibrar sus consecuencias.
De los problemas de Erdős a los del Milenio: un salto vertiginoso
La progresión reciente de la IA en matemáticas ha sido vertiginosa. Hace poco, estos sistemas apenas lograban resolver problemas cotidianos de investigación. Ahora han pasado a verificar la demostración del último teorema de Fermat y, finalmente, a anunciar la resolución del problema de existencia y suavidad de Navier-Stokes. Ailsa Robertson, investigadora de la Universidad de Ámsterdam, lo resumió con claridad: «La IA y los LLM incendiaron a la comunidad matemática este verano».
Los Problemas del Premio del Milenio, planteados en el año 2000 por el Instituto Clay, son siete desafíos extremadamente difíciles. Solo uno, la conjetura de Poincaré, había sido resuelto por humanos hasta ahora. El anuncio de OpenAI sobre Navier-Stokes, si se verifica, representa un momento decisivo para el razonamiento automatizado.
El medallista Fields Jacob Tsimerman, de la Universidad de Toronto, reconoció la magnitud del avance: «Hemos visto aumentos rápidos en las capacidades, incluso más rápido de lo que muchos, incluido yo mismo, esperábamos». Los rumores sobre cuál de los problemas restantes caerá a continuación no cesan. La hipótesis de Riemann y la conjetura de Hodge aparecen como candidatas probables.
¿Por qué las grandes tecnológicas apuntan a las matemáticas?
Las matemáticas ofrecen un banco de pruebas ideal para la inteligencia artificial. Exigen razonamiento lógico paso a paso y producen respuestas que se pueden verificar de forma objetiva y automática. No hay ambigüedad sobre si una solución es correcta o no. Por eso los gigantes tecnológicos han convertido estos problemas en puntos de referencia para demostrar la potencia de sus modelos más avanzados.
El medallista Fields Peter Scholze, de la Universidad de Bonn, no ocultó su escepticismo. Durante un panel en Heidelberg, calificó estas resoluciones como «maniobras de relaciones públicas y benchmarking». Para Scholze, las empresas no buscan principalmente el avance matemático, sino mostrar a inversores y usuarios potenciales lo poderosa que es su tecnología.
El atractivo comercial y reputacional se combina, sin embargo, con una utilidad científica real. Validar capacidades de razonamiento automatizado en problemas históricos tiene valor técnico. Pero la forma en que se persigue ese objetivo ha generado más fricción que consenso.
La controversia de Navier-Stokes: acusaciones de intimidación y ruptura de normas
El anuncio de OpenAI sobre Navier-Stokes no solo sorprendió por su contenido, sino por la forma en que se produjo. Geordie Williamson, de la Universidad de Sídney, fue contundente: «Creo que OpenAI se comportó extremadamente mal, y deberíamos reconocerlo en la comunidad».
Michael Harris, de la Universidad de Columbia, tuvo una posición privilegiada para observar el episodio. Según el relato de Tristan Buckmaster, de la Universidad de Nueva York, la correspondencia que mantuvo con OpenAI resultó «coercitiva, censuradora e incluso amenazante». Harris confió en ese testimonio y lo difundió. La mayoría de los reportes posteriores, señaló, describen a OpenAI como una empresa que «intimida y rompe las normas disciplinarias».
La controversia no es solo una cuestión de deportividad académica. Refleja un choque profundo entre dos culturas: la transparencia y colaboración propias de las matemáticas, y la opacidad corporativa de las grandes tecnológicas. OpenAI no respondió a las solicitudes de comentarios antes de la publicación.
Comprensión frente a respuestas: el dilema de fondo
Williamson planteó la preocupación central con precisión. La comunidad matemática busca comprensión, pero mide el éxito mediante problemas no resueltos. «Estas dos medidas se están descorrelacionando muy, muy rápidamente», explicó. Una IA puede dar una respuesta correcta sin desarrollar metodología nueva que sea comprensible o útil para los humanos.
Esa descorrelación obliga a replantear cuestiones fundamentales. ¿Cómo se evalúa a los investigadores? ¿Quién consigue los puestos? ¿Cómo se educa a las nuevas generaciones? Una solución de IA puede ser correcta sin aportar el conocimiento transferible que históricamente ha impulsado la disciplina.
La pregunta implícita es incómoda: ¿qué significa hacer matemáticas cuando la máquina da la respuesta sin mostrar el camino? La respuesta no es técnica, sino filosófica.
Investigadores jóvenes bajo presión: el coste humano de la carrera
Mita Ramabulana, de la Universidad de Ciudad del Cabo, vivió una experiencia reveladora. Dos de los diez avances anunciados por OpenAI en agosto se solapaban con su propio trabajo. «Pasas tiempo pensando en estas cosas, y hoy no sabes si alguien va a meter el problema que te importa en un LLM y resolverlo», lamentó. Su temor es que investigadores sin escrúpulos usen estos sistemas para adelantarse a colegas o ganar ventaja profesional.
Ailsa Robertson observa el fenómeno desde dentro. Sus compañeros de doctorado gastan miles de euros en tokens y suscripciones Pro. «Y son estudiantes de doctorado que no tienen miles de euros», añadió. La oferta de OpenAI de 100.000 licencias gratuitas para académicos, anunciada en julio, no alivió la tensión. Algunos colegas la perciben como una forma de coerción.
Un futuro incierto para la profesión matemática
Robertson ha tomado una decisión reveladora. Su doctorado en Ámsterdam ahora se centra menos en matemáticas y más en las implicaciones sociales de la transición a un ecosistema cuántico seguro. «No quiero estar en una carrera en la que verificas la salida de los LLM», explicó.
Su elección refleja un sentimiento más amplio. Trabajar al ritmo que imponen los LLM se ha convertido en una condición para competir por los mismos puestos. Quien no lo haga quedará rezagado frente a sus pares.
La redefinición del papel del matemático humano está en marcha. Afectará a la educación, a la evaluación y a la carrera investigadora. La comunidad matemática no se enfrenta solo a un cambio técnico, sino a una transformación cultural y profesional profunda. Lo que viene a continuación dependerá de cómo responda a esa presión.