¿Por qué los matemáticos más destacados están indignados cuando la IA resuelve problemas matemáticos que han durado cien años?
Hola a todos, soy vuestro periodista financiero y economista. Hoy vamos a hablar de algo que suena muy futurista, pero que está sucediendo en la realidad: **la IA ha resuelto problemas matemáticos que han preocupado a la humanidad durante casi un siglo, pero los matemáticos no solo no están contentos, sino que también han emitido una carta conjunta protestando, diciendo que la IA está “destruyendo” el campo de la matemática.
¿Suena contradictorio? Siempre hemos pensado que la IA es una “asistente” que mejora la eficiencia y resuelve problemas difíciles. ¿No debería ser algo bueno que haga eso?
No os preocupéis, vamos a analizar este asunto en detalle para que lo entendáis mejor. Esto no solo afecta a la matemática, sino también a nuestros trabajos, a la forma en que aprendemos y hasta al futuro de la civilización humana.
---
Resumen del contenido principal: Una guerra sobre “respuestas” y “comprensión”
En resumen, el 8 de septiembre, OpenAI anunció que había utilizado herramientas de IA para resolver en 88 horas la demostración formal de las “ecuaciones de Navier-Stokes”. Este es uno de los siete problemas matemáticos más difíciles, por los que el Instituto Clay de Matemáticas ofreció una recompensa de un millón de dólares y que han atormentado a la comunidad matemática durante casi un siglo.
En teoría, este sería un triunfo histórico para la IA. Pero tres días después, 25 ganadores del Premio Fields (el Nobel de la matemática), incluido Terry Tao, publicaron una carta abierta con un tono severo titulada “El grave desajuste de la inteligencia artificial en las matemáticas”.
Su punto central es: aunque la IA proporcionó la “respuesta correcta”, omitió el “proceso de comprensión”. Para la matemática (y para todo trabajo intelectual), cómo se llega a la respuesta es más importante que la respuesta en sí. La IA nos lanza las respuestas como si fuera un “helicóptero que nos deja caer en el lugar”, pero al mismo tiempo elimina la sabiduría, las herramientas y la intuición que los humanos hemos acumulado en el proceso de exploración. Este enfoque, que solo se centra en los resultados y no en el proceso, está destruyendo las bases de la investigación matemática y podría incluso privar a los jóvenes investigadores de las oportunidades de crecer.
---
Desglose detallado: ¿Por qué los matemáticos están tan preocupados?
Para que comprendáis completamente esta situación, lo explicaré desde los siguientes cinco aspectos:
1. La “traición” de Terry Tao: incluso el más partidario de la IA no puede quedarse quieto
En esta carta conjunta, el nombre más destacado es Terry Tao. Muchos no saben que Tao es un gran admirador de la IA. Ya ha estado utilizando GPT-4 para escribir código, crear gráficos e incluso para ayudar en la demostración de teoremas. Ha dicho abiertamente: “GPT-4 realmente me ha ahorrado mucho trabajo tedioso”. Incluso predijo que para 2026, la IA se convertiría en un “coautor” confiable en la investigación matemática.
Entonces, ¿por qué está liderando la protesta?
Porque el problema radica en el método y en el grado de utilización de la IA. Tao se dio cuenta de que cuando la IA puede generar respuestas completas y aparentemente impecables, deja de ser una “asistente” y se convierte en una “caja negra” que no permite ver el proceso detrás de las respuestas.
Puso un ejemplo: antes, los matemáticos investigaban problemas difíciles como alpinistas que buscan cascadas en montañas peligrosas. Podían perderse, encontrar otros arroyos interesantes o rocas en el camino y anotarlos en un mapa, lo que servía de guía para futuros exploradores.
Ahora, la IA es como un helicóptero que te deja caer directamente frente a la cascada y luego te lleva de vuelta. Ves la cascada (la respuesta), pero no has recorrido el camino y no conoces el terreno; además, no has dejado ningún mapa.
Para los matemáticos, ese “mapa” (los nuevos enfoques y herramientas utilizados en el proceso de resolución) es más valioso que la cascada en sí. Porque el mapa puede ser utilizado por otros, mientras que la cascada solo se puede ver una vez.
2. Los problemas matemáticos como un recurso valioso e irrecuperable
Los matemáticos también tienen una preocupación más profunda: la IA está “desperdiciando” recursos valiosos en el campo de la matemática. Tao compara los problemas matemáticos difíciles que han sido seleccionados a lo largo de décadas como “acero de bajo contenido radiactivo”. Este es el acero producido antes del primer ensayo nuclear en 1945; no está contaminado por polvo radiactivo, por lo que tiene un nivel de radiación muy bajo y es el material ideal para fabricar instrumentos precisos (como detectores nucleares). Este tipo de acero es irrecuperable: cuanto más se usa, menos queda.
Los problemas matemáticos son similares. Puedes generar miles de problemas matemáticos con la IA en un instante, pero encontrar problemas realmente buenos y dignos de estudio requiere la intuición y la experiencia acumulada por generaciones de matemáticos. Ahora, las empresas de IA utilizan su gran potencia de cálculo (GPU) para resolver estos problemas, y una vez que las respuestas se hacen públicas, el valor de esos problemas como “conjuntos de prueba no contaminados” disminuye permanentemente.
Lo peor es que esto desanima a los jóvenes investigadores. Antes, un doctorado podía llevar tres años resolver un problema difícil, un proceso que les permitía aprender y crecer. ¿Seguirán los jóvenes dedicando tres años a deducir las respuestas manualmente si la IA puede hacerlo en 11 minutos? Si nadie está dispuesto a realizar exploraciones básicas, ¿quién heredará el legado de la matemática?
3. La “indigestión de las demostraciones”: las respuestas de la IA no pueden ser asimiladas por los humanos
Puede que os preguntéis: si la respuesta es correcta y la lógica es sólida (verificada por programas de revisión), ¿por qué los matemáticos no la aceptan?
Tao introdujo el concepto de “indigestión de las demostraciones”. Los artículos matemáticos generados por la IA, sean correctos o no, suenan muy convincentes: tienen una estructura rigurosa y un lenguaje fluido, pero a menudo carecen de la fluidez natural del pensamiento humano.
- Las demostraciones humanas son como un ensayo, con un comienzo, un desarrollo y un final, con explicaciones de por qué se toman ciertas decisiones y con detallaciones sobre los obstáculos superados. Los lectores pueden seguir el razonamiento del autor y aprender nuevos métodos de pensamiento.
- Las demostraciones de la IA son como un informe de código, con pasos claros, pero carecen de explicaciones de por qué se han seguido esos pasos.
Los matemáticos han descubierto que leer las demostraciones generadas por la IA es como comer un biscocho comprimido: te sientes satisfecho (has obtenido la respuesta), pero tu cerebro no puede asimilar el “nutriente” (los métodos de pensamiento asociados). Si el conocimiento matemático no puede ser “asimilado” y “transmitido” por los humanos, no es más que datos, no sabiduría.
4. De Euclides al GPS: el proceso es la fuente de la innovación
Si el concepto de “importancia del proceso” os parece abstracto, os contaré una historia de la antigua Grecia y el GPS. En el siglo III a.C., Euclides escribió los “Elementos”, que establecieron el sistema de geometría plana. La quinta proposición (la proposición de las paralelas) era especialmente compleja y Euclides mismo la utilizaba rara vez.
Durante dos mil años, innumerables matemáticos intentaron demostrarla sin éxito. Hasta el siglo XIX, el matemático ruso Lobachevsky decidió probar algo diferente: asumir que la quinta proposición no era cierta y ver qué sucedería. Esto llevó al desarrollo de una nueva geometría: la geometría no euclidiana, que va en contra de la intuición (por ejemplo, que la suma de los ángulos internos de un triángulo puede ser menor que 180 grados). En ese momento, nadie vio utilidad en ello, pero medio siglo después, Einstein descubrió que la teoría de la relatividad general necesitaba un modelo matemático que describiera el espacio-tiempo curvo, y la geometría no euclidiana proporcionó la herramienta perfecta. Sin los fracasos y exploraciones de los matemáticos en el proceso de demostración de la quinta proposición, no habría habido teoría de la relatividad general, ni el GPS en nuestros teléfonos (que necesita corregir las desviaciones causadas por la gravedad).
El proceso es importante porque en el pasado, obtener la respuesta correcta y comprenderla eran lo mismo, ya que las personas tenían que entender mucho para llegar a ella. Ahora, por primera vez, la IA puede separar estos dos aspectos: la velocidad a la que se obtienen las respuestas supera con creces la velocidad a la que los humanos pueden comprenderlas.
Si la IA hubiera dado directamente la fórmula para el espacio-tiempo curvo sin ese proceso de exploración matemática, es posible que Einstein nunca hubiera pensado en usar la geometría para describir la gravedad. La innovación a menudo surge en los procesos de error y confusión, no en el destino final.
5. De la matemática al mundo laboral: la IA está eliminando los caminos de aprendizaje básicos
Este problema no se limita solo a la matemática. Bill Gates advirtió en un artículo de agosto de 2026 que la IA está eliminando los puestos de trabajo de nivel inicial. En el pasado, un joven podía comenzar en un bufete de abogados, un hospital o una empresa de software haciendo tareas sencillas; aunque el trabajo era simple, acumulaba experiencia, establecía relaciones profesionales y eventualmente se convertía en un experto. Ahora, la IA puede realizar esas tareas en un instante. Un abogado experimentado junto con la IA puede reemplazar el trabajo de todo un equipo de abogados.
El problema es: si los jóvenes no tienen la oportunidad de realizar esas tareas básicas, ¿cómo van a acumular experiencia y desarrollar intuición profesional? Gates preguntó: “El ciclo de formación para los nuevos puestos de trabajo está disminuyendo mucho más rápido que los antiguos. ¿Quién los ayudará en ese tiempo?”
Lo que preocupa a los matemáticos, a los jugadores de go (como Ke Jie) y a Gates es lo mismo: cuando las herramientas de IA pueden proporcionar respuestas directamente, se omite el proceso de aprendizaje humano, y así se separan el “tener la respuesta correcta” del “comprender el proceso”.
Esta brecha se está extendiendo desde la matemática a todos los campos del conocimiento.
---
Conclusión: ¿Qué deberíamos hacer?
Por supuesto, también hay voces optimistas. El profesor Wang Zhenghan de la Universidad de California en Santa Bárbara cree que la matemática no desaparecerá, al igual que las carreras de coches no desaparecieron con la invención de los aviones, sino que se convirtieron en un tipo diferente de competencia. En el futuro, los matemáticos podrían utilizar la IA como una “motor superpotente” para explorar áreas más profundas.
Liu Cixin ya predijo esta situación en su novela de ciencia ficción “Cuidar a Dios”: una civilización extraterrestre entrega toda su tecnología a la humanidad, pero los humanos no pueden entenderla porque carece del “proceso” y del “contexto” necesario para utilizar ese conocimiento. Al final, esa civilización se degenera porque las máquinas se hacen cargo de todo.
El impacto de la IA actual puede no ser tan exagerado como en la ciencia ficción, pero nos sirve como una alerta:
1. Para los individuos: no debemos depender únicamente de la IA para obtener respuestas. Debemos valorar el proceso y utilizar la IA como una herramienta, no como un sustituto. Debemos entender por qué la IA hace lo que hace, no solo el resultado.
2. Para la educación: necesitamos reevaluar el propósito de la educación. Si los exámenes solo miden las respuestas, la IA sería la estudiante con la puntuación más alta. La educación del futuro debe enfocarse más en el pensamiento crítico, la creatividad y el control del proceso.
3. Para la sociedad: necesitamos establecer estrategias para proteger los caminos de aprendizaje de los jóvenes y asegurarnos de que la IA fortalezca nuestras capacidades, no reemplace el proceso de aprendizaje humano.
**Recuerda: las respuestas se pueden copiar, pero la sabiduría solo se puede transmitir a través del proceso. Y la transmisión de conocimiento requiere un proceso».