La IA ya es buena en matemáticas: el patrón que explica qué problemas resuelve

Los modelos de IA resuelven cada vez más problemas matemáticos, incluidos algunos que la comunidad llevaba años o décadas sin tocar. La pregunta interesante no es solo si lo hacen, sino qué tipos de problemas son capaces de resolver y qué tienen en común sus soluciones. Un ensayo reciente de Latent Space propone un modelo mental para predecirlo, usando como referencia principal el refutamiento del problema de la distancia unitaria y los comentarios del matemático Timothy Gowers.
Insights, trabajo y la fórmula de la dificultad
Resolver un problema es, esencialmente, una secuencia de pistas o «insights» con trabajo intercalado: pista, esfuerzo, pista, esfuerzo, solución. Gowers define la dificultad de una demostración como la secuencia más corta de pistas que permitiría a expertos reconstruirla —una complejidad de Kolmogorov «módulo expertos»— y la resume en una fórmula: 2 elevado a k más t, donde k es la longitud de la secuencia de pistas y t el trabajo necesario para desarrollarlas. La complejidad crece exponencialmente con el número de saltos conceptuales. Además, las pistas tienen orden: la tercera solo es accionable después de que el trabajo sobre las dos primeras haya avanzado, lo que frustra la idea ingenua de probar todas las combinaciones de técnicas matemáticas.
De ahí surge el patrón de búsqueda humano: breadth first. Generar direcciones candidatas, explorarlas superficialmente, abandonar la mayoría y comprometerse con pocas, porque desarrollar una idea puede costar meses y nadie puede permitírselo sin señales tempranas de progreso. Los problemas de insights, como mostraron Metcalfe y Wiebe en psicología, no tienen gradiente: no sabes lo cerca que estás hasta que lo resuelves.
Los LLM buscan en profundidad: tiempo por cómputo
Los modelos invierten el patrón. Son depth first: un prompt produce una solución, y los agentes paralelos desarrollan diez enfoques hasta el final. Solos, eso produce sobre todo «bellas demostraciones falsas»; la pieza que lo cambia todo es el verificador automático, que podar las trayectorias completadas y distinguir las correctas. Con verificador, se vuelve racional gastar enormes cantidades de cómputo en ideas inciertas: una idea se prueba en minutos, no en meses. El listón de calidad de una pista casi desaparece y los intentos fallidos se convierten en «pistas negativas» que el siguiente ciclo evita. El armazón típico lo forman un «drafter» que redacta los prompts con los fracasos anteriores, un «solver» que genera candidatos en paralelo y un «checker» que valida el argumento.
Releído desde ahí, el caso de la distancia unitaria encaja: la primera pista —buscar un contraejemplo— era la más difícil porque las creencias de la comunidad (y del preentrenamiento) decían que la conjetura era cierta; Jacob Tsimerman, hoy en OpenAI, trabajó en esa vía y la abandonó, según sus propias palabras, agotado por semanas de pantano sin evidencias, no por falta de habilidad. Los modelos no se desmoralizan.
Qué cambió este año y qué hay que esperar
El autor identifica tres capacidades apiladas: mejores cadenas de primitivas a horizonte largo, autoverificación de pasos intermedios y orquestación de subagentes que acumula las pistas negativas. Queda un factor ausente en la fórmula de Gowers: el factor de ramificación b del árbol de pistas; con k pistas y b opciones por paso hay b^k caminos. Los humanos lo mantienen pequeño con gusto y juicio; los modelos pueden recorrer casi todos, rápido. La predicción resultante: la IA brilla donde b^k por coste de cómputo es pequeño, lo que explica que la ciberseguridad cayera antes que las matemáticas —las cadenas de exploits ya estaban documentadas— y que sea razonable esperar que los modelos sean excelentes completando ideas cuando los saltos conceptuales ya están hechos: la demostración de Navier-Stokes remata el programa de Córdoba y Martínez-Zoroa tras 166 páginas, decenas de miles de agentes y cientos de miles de millones de tokens. Gowers espera que los humanos conserven la ventaja en problemas de árbol profundo y muy ramificado, donde la intuición sigue siendo la única poda posible. Terence Tao recuerda, además, que resolver no es el fin: las matemáticas consisten en desarrollar comprensión, y anunciar solo el resultado final confunde el destino con el viaje.