La historia de la IA en la resolución de problemas matemáticos se remonta a sus propios orígenes en los años 50. En 1955, Allen Newell y otros investigadores de IA desarrollaron el Logic Theorist, un programa de IA que logró demostrar por sí mismo 38 de 52 teoremas de la obra Principia Mathematica de B. Russell, e incluso encontró una demostración más elegante que la original para uno de ellos, probando por primera vez que un computador podía manipular símbolos formales y lógica abstracta.
Este hito impulsó la creación en 1957 del General Problem Solver (GPS), un sistema que podía generalizar el razonamiento humano más allá de la lógica matemática estricta hacia rompecabezas y tareas más complejas. Esta tecnología estableció las bases metodológicas para la búsqueda aproximada (heurísticas) y la planificación automática.
Aunque este paradigma de IA simbólica enfrentó limitaciones computacionales que frenaron su expansión inicial, el legado de sistemas anteriores sigue vivo en la actualidad. Los principios de deducción automatizada evolucionaron hasta llegar a sistemas actuales como el asistente de pruebas Lean, los cuales colaboran con matemáticos humanos para verificar con absoluta certeza conjeturas complejas y abrir paso a nuevas fronteras en el razonamiento automático moderno. Usando Lean, la empresa DeepMind de Google desarrolló AlphaProof, un sistema que combina modelos de lenguaje (LLM) con técnicas de aprendizaje por refuerzo para resolver y demostrar teoremas matemáticos complejos.
Sin embargo, la realidad actual se ha alejado de estos principios científicos robustos.
Cada vez que los titulares anuncian que sistemas de IA han descifrado un problema milenario o resuelto ecuaciones complejas en segundos tal como lo anunció empresas como OpenAI, la reacción natural es de asombro. Y la antropomorfización no queda atrás en la narrativa de que casi un super-cerebro digital sentado frente a una pizarra, reflexiona con elegancia sobre los problemas más complejos de las matemáticas.
Detrás de esta aparente genialidad existe una realidad radicalmente distinta y mucho más rústica. Lejos de ser un “cerebro” brillante, una herramienta de IA funciona más bien como una fábrica de fuerza bruta, un sistema que acierta no por comprender la lógica profunda, sino por insistir millones de veces hasta dar con la respuesta correcta.
Para dimensionar el tamaño de la desinformación, es importante analizar lo que pasa cuando los laboratorios tecnológicos presumen de sus supuestos hitos matemáticos.
Recientes análisis sobre liberaciones masivas de artículos científicos y resolución automática de problemas muestran un dato revelador: para lograr resolver cientos de problemas complejos, el sistema de IA debe intentar miles. En muchos de estos despliegues, el margen de fallo es alrededor del 91%.
En cualquier laboratorio científico del mundo, una metodología que falla 9 de cada 10 veces sería descartada por ineficiente. Sin embargo, en el mundo de la tecnología, donde la potencia de cálculo es barata y el sensacionalismo de prensa es clave, el fracaso masivo se camufla bajo el brillo del éxito final. No estamos ante un cerebro superior que razona con claridad casi humana, sino ante un sistema que intenta a ciegas hasta que una de las balas da en el blanco.
¿Cómo logra entonces una herramienta de IA resolver aquello que complica a los humanos? La respuesta está en el uso de enjambres de agentes, usualmente en la forma de miles de bots trabajando simultáneamente durante días completos.
Mientras que un investigador humano dedica años a pensar en la estructura conceptual de un problema, deshecha caminos sin salida por intuición lógica y comprende el porqué de cada paso, un computador hace algo muy distinto: fuerza las combinaciones posibles. Los bots generan muchas combinaciones de código y fórmulas de manera caótica, probándolas automáticamente en programas de verificación hasta que alguna logra ejecutarse sin errores.
El resultado final es lógicamente válido, pero nació del azar, no de la comprensión. Esta es la clásica metáfora del mono escribiendo en una máquina de escribir: si le damos tiempo y millones de intentos, eventualmente él redactará una página coherente, pero jamás sabrá lo que significan las palabras que tecleó y muchos menos podrá explicar lo que hizo.
El verdadero peligro de este espejismo no es solo publicitario, sino cultural. Las matemáticas nunca han consistido únicamente en acumular respuestas correctas; el valor histórico de la disciplina se basa en el proceso humano de comprensión y explicación, en construir una base conceptual que permita entender la naturaleza de la realidad.
Cuando un sistema de IA genera un resultado final sin entender las razones profundas, desconecta la verdad de la comprensión. Es decir, una disciplina creativa se convierte en un trámite burocrático de auditar código generado por computadores.
El debate sobre cómo las grandes empresas tecnológicas consiguen que sus sistemas de IA “resuelvan” problemas matemáticos complejos ha sacado a la luz una tensión invisible entre la academia y la industria: el uso de investigaciones humanas privadas, borradores confidenciales y registros de trabajo no publicados.
1. La paradoja del “mapa y el viajero”: Dado que una herramienta de IA no posee creatividad autónoma, necesita ver cómo razona un ser humano para saber hacia dónde orientar su fuerza bruta computacional. Cuando los matemáticos están a punto de resolver un problema histórico, recorren un camino lleno de callejones sin salida, borradores de código y anotaciones privadas. Ese “mapa conceptual” es oro puro para los modelos: le muestra al computador qué caminos funcionan y cuáles debe evitar.
2. El caso de las plataformas compartidas: Un caso emblemático ocurrió cuando matemáticos de renombre trabajaban en problemas complejos de dinámica de fluidos (como las ecuaciones de Navier-Stokes). Para organizar sus avances, utilizaban herramientas corporativas de IA y asistentes de código provistos por las empresas tecnológicas. Luego de alojar sus registros confidenciales en estas plataformas, los laboratorios lanzaron enjambres masivos de agentes que “sorpresivamente” resolvieron problemas paralelos en un fin de semana.
3. ¿Cómo operan técnicamente estos vacíos de privacidad?
• Uso de datos del usuario: Los términos de servicio de muchas plataformas comerciales permiten que los datos generados por los usuarios sean utilizados para entrenar modelos de IA futuros, salvo en planes corporativos de alto costo.
• El “robo” del contexto intelectual: Al sacar los nombres de los borradores matemáticos para sumarlos al entrenamiento, las empresas argumentan que no violan la privacidad individual. Sin embargo, para los científicos esto equivale a extraer el contenido intelectual sin atribuir crédito.
• La ventaja del “último 5%”: Dado que un sistema de IA no puede inventar conceptos desde cero, recorre el último tramo de un camino trazado por investigadores. Si una investigación privada humana llega al 95%, el “enjambre de agentes” puede adivinar el 5% restante antes de la publicación oficial.
Comprender todo lo anterior, nos puede ayudar a perder el temor infundado frente a la tecnología. Las tecnologías de IA son muy buenas herramientas pero en el paradigma actual (IA Generativa), estás no piensan, no intuyen y ni razonan. Detrás de cada gran avance matemático que se le atribuye a una pantalla, sigue latiendo, de forma silenciosa, la chispa del ingenio y el trabajo previo de científicos humanos.
Cualquier tecnología suficientemente avanzada es indistinguible de la magia (Arthur C. Clarke)
