Terence Tao, el profesor de la UCLA ampliamente considerado el mejor matemático puro vivo, ha dado la voz de alarma sobre la acelerada carrera de IA en matemáticas que está ocurriendo ahora mismo.
Tao, a quien se le otorgó la Medalla Fields en 2006, publicó una advertencia ayer en la instancia de Mastodon centrada en matemáticas, Mathstodon, en la que argumentó que la IA está agotando la oferta 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 nuevas preguntas matemáticas; 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 en general. Lo que realmente importa, escribió Tao, es saber qué vale realmente el esfuerzo.
“En resumen, el uso indiscriminado de potentes herramientas de extracción de soluciones puede lograr el objetivo inmediato a corto plazo de resolver los problemas actuales, pero a costa de mantener el ecosistema para la próxima ola de progreso, o de comprender el progreso ya obtenido”, escribió Tao.
Con el lanzamiento de modelos de razonamiento y la última generación de sistemas de IA de frontera, los laboratorios han comenzado a dedicar enormes cantidades de computación 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 inalcanzables 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.
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.
Esa misma semana, el investigador de Anthropic Levent Alpöge ejecutó el mismo problema a través de Claude Mythos, el modelo de gama alta no lanzado 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 consideró "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,… https://t.co/NFymE8P8lu
— Sholto Douglas (@_sholtodouglas) May 26, 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 la IA para 'aplanarlo' antes de que el proyecto de investigación original tenga tiempo de alcanzar todo su potencial”, escribió.
Tao argumenta que esto termina revirtiendo siglos de ciencia abierta.
La solución propuesta por Tao es etiquetar ciertos problemas como "que requieren análisis", lo que significa que una respuesta cruda correcta 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.
O 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 basándose en cómo se están comportando los grandes laboratorios de IA, incluso esto podría ser técnicamente inviable en este momento.
