En octubre de 2026, desde la tribuna del Instituto de Tecnología de California (Caltech), el matemático Terence Tao lanzó una advertencia contraintuitiva. La IA moderna está conduciendo la investigación matemática hacia una paradoja sin precedentes: una realidad de casi un siglo definida por la «escasez de demostraciones» se está transformando velozmente en una era de «abundancia de demostraciones».
Durante los últimos cien años, los cimientos de las matemáticas reposaron sobre una única premisa: las demostraciones rigurosas son extremadamente difíciles de obtener. La IA está derribando este pilar fundacional. Resolver problemas fue históricamente el baremo para medir el progreso académico; hoy en día, convertir la resolución de acertijos en el objetivo supremo amenaza con vaciar de sentido a la propia disciplina.
22 millones de proposiciones resueltas en un año: resolver problemas ya no es un bien escaso
Las matemáticas tradicionales se construyeron por completo sobre la escasez de demostraciones. A lo largo del último siglo, resolver una conjetura abierta solía exigir años de dedicación incansable por parte de especialistas de primer nivel. Las evaluaciones para plazas docentes, las publicaciones en revistas científicas y los mecanismos de reputación académica giraban en torno a esa escasez.
Ese equilibrio entre oferta y demanda está siendo reescrito por la pura capacidad de cómputo. Durante su conferencia, Tao presentó datos empíricos tangibles. Entre 2024 y 2025, el Equational Theories Project determinó la veracidad de más de 22 millones de proposiciones en álgebra universal mediante la colaboración entre humanos y máquinas.
Figura: El Equational Theories Project determinó más de 22 millones de implicaciones mediante trabajo colaborativo masivo. Fuente: Diapositivas de la conferencia «Math 2.0» de Terence Tao.
Avances a ritmos similares se están produciendo en otras ramas. En el desafío del Problema Inverso de Galois de 2026, un equipo colaborativo calculó en poco tiempo un polinomio para cada uno de los 25.000 grupos de Galois transitivos de grado 24, antes de ampliar la meta al grado 31.
Este volumen de procesamiento pulveriza los plazos tradicionales de la deducción manual sobre papel. Con la inyección masiva de potencia de cálculo, la investigación matemática está pasando de ser una autopsia artesanal de teoremas aislados a convertirse en un censo exhaustivo basado en datos.
Verificación objetiva y sin necesidad de experimentos: las matemáticas como campo de pruebas ideal para la IA
¿Por qué los laboratorios punteros de IA sienten tanta predilección por las matemáticas puras frente a la biología o las ciencias sociales? La razón de fondo radica en dos singulares propiedades ingenieriles de la disciplina.
La primera es la verificabilidad objetiva. Los matemáticos pueden debatir con pasión sobre qué conjetura abierta es más trascendente, pero existe un consenso inquebrantable sobre si una deducción concluida es correcta o no. Con asistentes de demostración interactivos como Lean, los ordenadores pueden verificar derivaciones formalmente a nivel de código de forma mecánica.
La segunda propiedad es su carácter digitalmente autosuficiente. Las demostraciones matemáticas no requieren soportes físicos, ni flujos de datos ruidosos del mundo real, ni experimentos de laboratorio para contrastar resultados. Con papel, lápiz, librerías formalizadas y un inmenso archivo de literatura digitalizada, los modelos de aprendizaje automático pueden iterar indefinidamente en un circuito cerrado.
Pocos campos reúnen todas estas características. Por ello, los laboratorios punteros han priorizado la resolución de problemas matemáticos por delante de muchas aplicaciones prácticas: las marcas en competiciones pueden ser juzgadas automáticamente por máquinas y lucen impecables en los comunicados de prensa.
Sin embargo, el razonamiento de estos modelos presenta un perfil sumamente irregular. Con suficiente cómputo, resuelven problemas de competición sin supervisión humana especializada; no obstante, ante tareas cotidianas que demandan interacciones complejas e intuición del mundo físico, continúan encallando con facilidad.
La impresión en las redes sociales es engañosa: el público solo presencia los problemas que la IA consigue resolver. Tao advirtió que la inmensa mayoría de las cuestiones en la frontera de las matemáticas siguen sin resolverse, por mucho cómputo que se consuma. El espacio de problemas matemáticos es infinito y su dificultad carece de cota superior. Iniciativas como First Proof se crearon precisamente con este fin: exigir la divulgación pública del consumo de recursos junto a los intentos fallidos.
Llegar demasiado pronto a la meta: automatizar el final destruye el ecosistema circundante
En el universo de las matemáticas puras, un problema abierto no es simplemente un cerrojo que aguarda ser forzado. Tao propuso una metáfora elocuente: los problemas abiertos son faros erigidos en aguas inexploradas.
El auténtico valor de un faro reside en iluminar las rutas de navegación circundantes. El viaje hacia él suele ser infinitamente más valioso que las coordenadas del destino final: los éxitos, los fracasos y las rutas incompletas dejan enseñanzas indispensables.
Figura: Evolución de las fronteras de investigación de Math 1.0 a Math 2.0. Fuente: Diapositivas de la conferencia «Math 2.0» de Terence Tao.
Utilizar herramientas automáticas para aterrizar directamente en la cúspide del faro implica que nadie recorre la travesía marítima intermedia. Las teorías, herramientas e intuiciones que habrían madurado orgánicamente durante esa búsqueda pierden su motivo de existir. De este modo, la resolución de problemas y la verdadera comprensión quedan irrevocablemente divorciadas.
Una fórmula contra el cáncer validada en ensayos clínicos: ¿quién se atreve a inyectársela sin conocer su mecanismo?
Históricamente, resolver problemas funcionó como un indicador indirecto de la profundidad del entendimiento. En la época de escasez de demostraciones, resolver una gran incógnita iba acompañado inevitablemente del nacimiento de un marco teórico monumental. En la era de la abundancia, la fuerza bruta desvincula este indicador indirecto del verdadero fin formativo.
Tao planteó un experimento mental durante su intervención: imaginemos que un laboratorio de primer nivel entrena un modelo de IA con una consigna estricta: entregar una fórmula farmacológica capaz de superar la fase III de ensayos clínicos contra el cáncer sin cometer un solo error.
Tras consumir cantidades ingentes de cómputo, el modelo produce un compuesto químico desconocido acompañado de demostraciones rigurosas en código formal. En las pruebas reales, la fórmula supera con éxito todos los ensayos clínicos. Sin embargo, ningún científico comprende el mecanismo molecular que la hace funcionar.
Si recibieras un diagnóstico de cáncer en etapa temprana y la máquina te prescribiera ese tratamiento exacto, ¿no desearías que al menos un ser humano —aunque fuese de forma parcial— entendiera por qué y cómo actúa antes de que ese líquido entre en tus venas?
Los mecanismos de verificación de las matemáticas puras terminarán trasladándose al mundo real. Si la comunidad investigadora se acostumbra a delegar el pensamiento ante respuestas de caja negra, los cimientos de seguridad de las ciencias aplicadas se desmoronarán en silencio.
La receta de Terence Tao: reconducir la potencia de cálculo hacia la comprensión humana
Frente a la crisis de abundancia provocada por las máquinas, la respuesta propuesta por Tao es la transición hacia «Math 2.0». La premisa fundamental consiste en desplazar el foco de las herramientas: pasar de la resolución mecánica de problemas al fortalecimiento de la comprensión humana.
Una línea pionera son los llamados «problemas de exposición abierta» (Open Exposition Problems): encontrar explicaciones intuitivas y fundamentadas para resultados cuyas demostraciones formales ya se conocen pero cuyos procesos resultan opacos e impenetrables. El renovado Mathathon de Caltech constituye un primer experimento en esta dirección.
Al mismo tiempo, la consolidación de redes de investigación y repositorios de código se acelera. La red de Métodos Explícitos en Teoría Analítica de Números conecta artículos dispersos en grafos de conocimiento unificados, mientras que repositorios formalizados como Mathlib brindan un sustrato estandarizado para la verificación algorítmica.
Asimismo, los investigadores están empleando el cómputo para realizar experimentos de ablación de teoremas: retirando deliberadamente premisas clave para comprobar si las conclusiones se sostienen, o flexibilizando hipótesis para cartografiar el espacio matemático derivado.
Estas iniciativas canalizan la potencia de cálculo hacia la destilación de nuevas metodologías, permitiendo a los seres humanos divisar con claridad la topografía del conocimiento.
Desde la perspectiva de Tao, el principal cuello de botella para impulsar Math 2.0 no radica en la potencia de cómputo ni en la inercia institucional, sino sencillamente en la imaginación humana.
Enlaces de referencia:
- Terence Tao: Notas y diapositivas de la conferencia «Math 2.0» en Caltech
- First Proof: Plataforma de evaluación de matemáticas formales (1stproof.org)
- Archivo del proyecto colaborativo Equational Theories Project
- Registro de colaboración del desafío del Problema Inverso de Galois (IGP24)
