¡Dale una conjetura matemática a una IA, y lo primero que hace es pensar: ¡cómo refutarla encontrando un contraejemplo!
Esta afirmación que suena un poco a rebeldía matemática proviene precisamente del matemático británico Timothy Gowers, ganador de la Medalla Fields en 1998.
Recientemente, Gowers puso sobre la mesa los logros matemáticos más impactantes de la IA en los últimos meses y descubrió algo con un estilo muy uniforme:
Conjetura de Jacobi: Buscar contraejemplos.
Conjetura de las distancias unitarias de Erdős: Buscar contraejemplos.
Problema de los grupos no sofic: Construir un ejemplo que nadie había encontrado antes.
Problema de los números de Ramsey multicolores: El núcleo sigue siendo construir nuevos objetos que cumplan los requisitos.
Matemático humano: ¿Por qué exactamente se cumple esta conclusión?
IA: Espera un momento, esta conclusión... ¿realmente se cumple? (Imagen de hueso rebelde.jpg)
Así que, aquí está la pregunta.
¿Por qué a las IAs les encanta tanto buscar contraejemplos cuando se enfrentan a una conjetura matemática?
Los avances matemáticos más destacados de la IA recientemente han sido "buscar contraejemplos"
Primero, aclaremos un punto que fácilmente se puede confundir.
El «buscar contraejemplos» mencionado por Gowers y la «demostración por contradicción» que aprendimos en la escuela, en realidad tienen una pequeña... no, una gran diferencia.
La demostración por contradicción que estudiamos en la escuela es una técnica de prueba: primero asumimos que la conclusión no es cierta, luego deducimos paso a paso hasta encontrarnos con una contradicción, demostrando así que la proposición original es cierta.
El «buscar contraejemplos» del que habla Gowers es mucho más directo:
Por ejemplo, alguien propone: Todos los objetos que satisfacen A tienen la propiedad B.
Entonces, la IA solo necesita, de entre un montón de objetos, sacar uno que claramente satisface A, pero precisamente no tiene B.
Fin.
La conjetura entera queda refutada en el acto.
Tampoco es de extrañar que Gowers haya notado este patrón.
Principalmente porque, varios de los avances matemáticos más resonantes de la IA recientemente, de hecho han salido así.
Tomemos el problema de las distancias unitarias de Erdős resuelto el mes pasado por un modelo interno de OpenAI.
Durante casi 80 años, la comunidad matemática había formado en torno a él un juicio sobre su crecimiento ampliamente creído, y muchas líneas de investigación estaban dirigidas a intentar demostrar ese juicio.
La IA, en cambio, desde el principio dio un giro de 180 grados.
No se apresuró a avanzar por el camino que los humanos habían seguido durante décadas, sino que gastó una gran parte de su presupuesto de razonamiento pensando en otra cosa:
¿Es posible encontrar directamente un contraejemplo a este juicio?
Finalmente lo encontró. El modelo trasladó herramientas propias de la teoría algebraica de números a la geometría discreta, usando campos numéricos más complejos para construir toda una familia de conjuntos de puntos, haciendo que el número de pares a distancia unitaria creciera a una velocidad no anticipada.
Un juicio que llevaba décadas circulando fue así *refutado* directamente por una construcción concreta.
Lo más interesante es que, cuando los matemáticos revisaron posteriormente su trayectoria de razonamiento, descubrieron que de hecho pasó gran parte del tiempo probando varias construcciones, buscando contraejemplos. (doge)
Esto ocurrió hace poco, y Claude le dio otro buen martillazo a la idea de que «la IA es especialmente buena desmontando conjeturas».
El matemático Levent Alpöge, con la ayuda de Claude, encontró un contraejemplo relacionado con la conjetura de Jacobi.
El contraste más llamativo de este tipo de logros está aquí: la IA finalmente no necesita desplegar una demostración positiva grandilocuente, solo necesita presentar ese objeto especial y luego verificar punto por punto:
Premisas, cumplidas.
Conclusión, fallida.
Entonces esa conjetura básicamente puede darse por terminada.
En el caso de Gowers, al revisar los 10 logros matemáticos publicados recientemente por OpenAI, también encontró un sabor similar.
Por ejemplo, el problema largamente pendiente de «si todos los grupos son grupos sofic», la forma en que la IA logró el avance fue directamente construyendo un grupo no sofic.
Otro ejemplo es el avance en los números de Ramsey multicolores: aunque el resultado final se presentó como una prueba estricta de una cota inferior, todo el proceso de avance todavía tenía un fuerte sabor a construcción:
Primero tienes que encontrar esos objetos combinatorios lo suficientemente especiales y complejos para que la demostración posterior tenga donde sostenerse.
Así, emerge un patrón cada vez más evidente.
Muchos de los problemas matemáticos donde la IA actualmente puede causar más impacto, en realidad pueden comprimirse en una frase muy amigable para la máquina:
"¿Existe tal cosa?"
Si la respuesta realmente es sí, entonces el estilo de juego en el que el modelo es más experto comienza a funcionar.
Búsqueda frenética, traslado de herramientas entre campos, recombinación de técnicas existentes, prueba repetida de construcciones, y finalmente sacar a rastras ese objeto del enorme espacio de objetos matemáticos.
Así que, lo que la IA realmente domina no es solo la demostración por contradicción como se entiende literalmente.
Para ser más precisos, actualmente es especialmente buena en un tipo de tarea matemática: en un espacio tan vasto que es imposible para los humanos explorarlo exhaustivamente, encontrar ese objeto especial que realmente existe, pero que nadie había encontrado hasta ahora.
¿Por qué a la IA le gusta buscar contraejemplos en este tipo de problemas?
La pregunta es: entonces, ¿por qué a la IA le apasiona tanto buscar fallas en las conjeturas matemáticas?
La explicación que da Gowers es en realidad bastante simple: los grandes modelos tienen al menos dos ventajas visibles a simple vista.
Primero, saben mucho. (doge)
Si el punto de ruptura de un problema se esconde en alguna herramienta matemática existente, en algún campo adyacente, o en alguna combinación de técnicas que los humanos rara vez unen instintivamente, el modelo grande tiene una buena oportunidad de sacarlas directamente de su almacén de conocimiento.
El problema de las distancias unitarias es un ejemplo muy típico.
Cabe recordar que este problema pertenecía desde hacía tiempo al ámbito de la geometría discreta y la combinatoria, y el avance encontrado por la IA utilizó herramientas más propias de la teoría algebraica de números.
Para los humanos, este salto entre campos a veces requiere que un investigador conozca casualmente ambas áreas.
Para el modelo, ambas áreas ya están en su contexto y conocimiento de entrenamiento, por lo que el costo de combinarlas es naturalmente menor...
Segundo, pueden permitirse probar.
Entre los 10 logros en matemáticas y ciencias de la computación teórica publicados recientemente por OpenAI, el costo total en Tokens consumidos por algunas IAs para encontrar contraejemplos matemáticos, convertido al precio de la API, es de solo "miles" de dólares.
En otras palabras, muchas rutas que para un matemático humano tienen una tasa de éxito demasiado baja como para invertir meses en ellas, ¡¡la IA puede probarlas sin restricciones!!
Gowers también analizó específicamente en su artículo cómo los matemáticos buscan normalmente ejemplos y contraejemplos:
El tipo más simple es primero probar con esos objetos clásicos "heredados".
Por ejemplo, si propones una conjetura sobre funciones booleanas, primero la pruebas con unas cuantas muestras de prueba heredadas:
Función dictatorial, función mayoría, función paridad, función tribus... si todas estas pasan, entonces hablamos de otras.
El segundo tipo es el ensamblaje: partir de objetos básicos, tomar productos, cocientes, límites, cambiar el método de construcción y ver si se obtienen las propiedades deseadas.
También está el método aleatorio: si la construcción explícita es demasiado difícil, se elige un objeto al azar de cierta distribución y se demuestra que con alta probabilidad satisface tus condiciones.
Y luego está el método de aproximación gradual: primero se escribe una respuesta candidata que probablemente no sea correcta, no porque se piense que funcionará, sino para observar exactamente en qué se equivoca. Se corrige un defecto, se obtiene la segunda versión; se corrige otro, la tercera versión...
Los primeros juegos de probar muchos objetos, cambiar construcciones, búsqueda aleatoria, son muy adecuados para los grandes modelos: tienen una base de conocimiento suficientemente grande, son lo suficientemente rápidos y el costo del fracaso es bajo, realmente podrían sacar la respuesta a base de intentos masivos.
Pero cuanto más se avanza, más se pone a prueba una capacidad difícil de escribir en una fórmula: a medio camino, ¿puedes oler si este camino realmente tiene posibilidades?
Gowers la llama el «olfato» del matemático.
Un investigador realmente bueno no es aquel que nunca se equivoca de camino, sino aquel que, cuando el árbol de búsqueda apenas empieza a ramificarse, puede cortar rápidamente el 99% de las ramas, manteniendo solo aquellas que más merecen la pena.
Precisamente esto, actualmente la IA a menudo lo hace de manera un poco cómica. Por ejemplo, Gowers, al discutir problemas abiertos con la IA, a menudo tiene una experiencia incómoda:
La IA propone planes que suenan prometedores, pero tras pensarlo detenidamente no son tan fiables. A la IA también le encanta decir: aunque no resolví el problema original, ¡lo reduje a un subproblema más preciso!
La primera vez, es emocionante, sí.
Pero la quinta vez que se queda en diferentes versiones de subproblemas más precisos, el matemático humano probablemente comenzará a preguntarse: ¿esto es acercarse a la respuesta o describir el extravío de manera cada vez más elegante?
Esta es también la razón por la que Gowers no diviniza a la IA.
Él no cree que los humanos mantendrán para siempre esta ventaja; por el contrario, anticipa explícitamente que los modelos seguirán mejorando rápidamente, e incluso en uno o dos años podrían desarrollar un olfato más fuerte.
Solo que, por ahora, el punto fuerte de la IA se parece más a una búsqueda en amplitud: llamada amplia al conocimiento existente, exploración extensa de posibles caminos, encuentro de soluciones mediante intentos masivos.
Finalmente, y más interesante aún, Gowers establece un criterio de aceptación bastante romántico para que la IA entre realmente en la fase de creación matemática de alto nivel:
El día que la IA ofrezca una solución que no solo resuelva el problema, sino que también surja con un método nuevo que nadie había imaginado antes.
Y lo que es aún mejor, que este método, visto en retrospectiva, sea muy natural, e incluso pueda ser tomado por otros matemáticos para producir una serie de nuevos resultados.
En ese momento, lo que la IA habrá logrado irá mucho más allá de simplemente sacar la respuesta de un enorme espacio de búsqueda.
La identidad de la IA en el mundo matemático podría realmente haber cambiado.
Enlaces de referencia:
[1]https://gowers.wordpress.com/2026/08/12/what-sort-of-maths-are-llms-good-at/
Este artículo proviene del WeChat público "量子位" (Quantum Bit), autor: 关注前沿科技 (Atención a la tecnología de vanguardia)
