Terence Tao advirtió que la inteligencia artificial está agotando la reserva de problemas matemáticos abiertos y fructíferos más rápido de lo que los matemáticos pueden identificar nuevos.

El profesor de UCLA, considerado ampliamente el mejor matemático puro vivo y ganador de la Medalla Fields de 2006, emitió la advertencia en una publicación en la instancia de Mastodon enfocada en las matemáticas Mathstodon. Sus comentarios llegan mientras las empresas de IA aplican cantidades cada vez mayores de poder de cómputo a preguntas matemáticas y científicas que han desafiado a los investigadores durante años o incluso décadas.

La preocupación de Tao no es la falta de preguntas matemáticas. Cualquiera puede crear una cantidad ilimitada de problemas; calcular el dígito googol-ésimo de pi, por ejemplo, es técnicamente una pregunta sin resolver. Sin embargo, la mayoría de esas preguntas no hacen avanzar al campo en general. La tarea importante es identificar qué problemas justifican el tiempo y el esfuerzo necesarios para resolverlos.

“En resumen, el uso indiscriminado de potentes herramientas de extracción de soluciones puede alcanzar el objetivo inmediato de corto plazo de resolver los problemas en cuestión, pero a costa de mantener el ecosistema para la próxima ola de avances o de comprender los avances ya obtenidos”, escribió Tao.

Con la aparición de los modelos de razonamiento y de nuevas generaciones de sistemas de IA de frontera, empresas como Anthropic y OpenAI han comenzado a probar sus modelos con problemas matemáticos y científicos difíciles. Los resultados reportados abarcan áreas como la física cuántica, las matemáticas aplicadas y la medicina.

Las matemáticas presentan un desafío particular porque los problemas genuinamente difíciles son relativamente escasos. Los investigadores suelen decidir cuidadosamente qué preguntas justifican meses o años de trabajo. Tradicionalmente, ese proceso dependía de lo que Tao describió como el “paisaje de dificultad” de un campo: qué preguntas son fáciles, cuáles requieren un esfuerzo considerable y cuáles están fuera del alcance de los métodos actuales.

Históricamente, las nuevas técnicas han aplanado partes de ese paisaje y, al mismo tiempo, han abierto nuevas fronteras más allá de sus límites. Tao sostiene que la IA altera este patrón porque los investigadores todavía no pueden determinar con precisión dónde terminan las capacidades de un modelo.

Del rumor a la carrera

La advertencia de Tao se basa en ejemplos concretos, no en un escenario hipotético. En mayo, un modelo de OpenAI refutó la conjetura de Erdős sobre las distancias unitarias, una pregunta de 80 años de antigüedad sobre cuántos pares de puntos pueden estar exactamente a una unidad de distancia en un plano. Matemáticos ajenos a OpenAI, incluido el medallista Fields Tim Gowers, verificaron el resultado.

Durante esa misma semana, el investigador de Anthropic Levent Alpöge probó el mismo problema con Claude Mythos, el modelo de gama alta de la empresa que aún no ha sido lanzado. Alpöge trabajó sin conexión para que el sistema no pudiera copiar la solución publicada por OpenAI. El ingeniero de Anthropic Sholto Douglas describió el resultado de Mythos como una “prueba bonita y sencilla”, más corta que la de OpenAI. El matemático Daniel Litt la calificó como “un poco peor” que la versión de OpenAI, aunque Mythos también encontró la solución de OpenAI.

Huge credit to the OAI team for solving the unit distance problem with 5.5 - it is now my go to example that models can in fact pull together disparate ideas into new discoveries. As with all 4 minute miles, we had to try and cross it too! Turns out mythos solves it with a cute,…

— Sholto Douglas (@_sholtodouglas) May 26, 2026

Según la fuente, Anthropic luego formalizó una demostración de siglos de antigüedad del último teorema de Fermat y, unos días después, OpenAI resolvió un problema de 90 años de antigüedad horas después de que un investigador publicara una demostración independiente. Posteriormente, OpenAI fue coautora de un artículo junto con un investigador de Anthropic.

Esa competencia es precisamente lo que preocupa a Tao. “Ahora hemos visto que incluso el rumor de que alguien está trabajando en un problema puede desencadenar una enorme cantidad de esfuerzo impulsado por IA para aplanarlo antes de que el proyecto de investigación original tenga tiempo de alcanzar todo su potencial”, escribió.

Tao sostiene que esto podría revertir algunos aspectos del proceso científico abierto, en el que los investigadores desarrollan ideas con el tiempo y publican trabajos que ayudan a otros a comprender no solo una respuesta, sino también los métodos que la sustentan.

Evaluar el proceso, no solo la respuesta

Tao propuso etiquetar ciertos problemas matemáticos como “analysis-required”. Según este enfoque, una respuesta correcta producida sin explicación tendría poco valor, a menos que incluyera un razonamiento que aportara ideas sobre problemas relacionados o cercanos.

Esta distinción importa porque un resultado verificado y un método reutilizable cumplen propósitos diferentes en las matemáticas. La propuesta de Tao daría más valor a que una demostración generada por IA ayudara a los investigadores a comprender preguntas adyacentes, en lugar de medir el progreso únicamente por el hecho de haber resuelto un problema difícil.

Comparó la idea con los bancos de alimentos que dejaron de aceptar donaciones simplemente porque fueran comestibles: la utilidad dependería de algo más que del resultado inmediato.

La alternativa, dijo Tao, sería prohibir la IA en las matemáticas, una solución que describió como “técnicamente inviable”. Ninguna institución ha adoptado todavía la propuesta de “analysis-required” como política. Dado el ritmo al que los principales laboratorios de IA están aplicando sus sistemas a las matemáticas, Tao sugirió que incluso implementar este enfoque podría resultar técnicamente inviable en la actualidad.

Fuente: Decrypt