Este verano, el mundo de las matemáticas ha estado convulso.
El modelo Astra de OpenAI resolvió de un golpe 10 problemas matemáticos de larga data (incluyendo la existencia de grupos no sofic, nuevos resultados sobre el empaquetamiento de esferas en alta dimensión, etc.). Claude Fable 5 encontró un contraejemplo a la centenaria Conjetura de Jacobian, y además impulsó enormemente la Hipótesis de Riemann.
Esto dejó aún más desorientado a Sidharth Hariharan, estudiante de posgrado en matemáticas de la Universidad Carnegie Mellon.
Antes, después de recibir un correo electrónico de Maryna Viazovska, ganadora de la Medalla Fields 2022, se enteró de que su investigación había sido publicada antes por el agente de IA "Gauss", y se echó a llorar.
Hace un año, aún se podía considerar este tipo de avances como "curiosidades, exageraciones o inútiles". Pero la situación ha cambiado. Hasta el ganador de la Medalla Fields, Terence Tao, admite que ahora ese argumento no se sostiene.
Mientras las ondas de choque aún resonaban en el círculo matemático, el físico Gavin E. Crooks le planteó un problema abierto a Claude, y en unos días el problema fue resuelto por completo. Incluso un estudiante de posgrado en física con sólidos conocimientos matemáticos podría necesitar meses para este problema.
¡En física, los humanos también han recibido un golpe de la IA!
En este contexto, él, uno de los fundadores de la mecánica estadística de no equilibrio, afirmó:
La física seguirá los pasos de las matemáticas.
Admitió que el mundo académico está a punto de experimentar un cambio trascendental.
La academia tiene dos roles: avanzar el conocimiento y enseñar/formar/orientar a la próxima generación.
La ciencia podría empezar a avanzar a una velocidad que los humanos no podrán seguir. Y el otro rol también enfrenta un impacto:
Entonces, ¿cómo enseñamos y formamos a los estudiantes cuando cualquier pregunta que yo plantee podría ser respondida más rápido por Claude?
¿Cuál es el problema en sí?
Para entender la magnitud de esto, hay que volver al propio Crooks. Gavin E. Crooks es muy conocido en termodinámica y mecánica estadística de no equilibrio.
En 1998-1999, cuando aún era estudiante de posgrado en Berkeley, propuso el famoso Teorema de fluctuación de Crooks, que relaciona precisamente el trabajo en no equilibrio con la diferencia de energía libre en equilibrio, convirtiéndose en uno de los pilares de la termodinámica estocástica.
Solo su artículo de 1999 ha sido citado miles de veces.
Su investigación ha estado durante mucho tiempo en la intersección entre termodinámica, teoría de la información y ciencias de la computación, influyendo profundamente en la termodinámica a nanoescala, los métodos de estimación de energía libre e incluso la formación del paradigma de la computación termodinámica.
Recibió el Premio Presidencial de Carreras Tempranas para Científicos e Ingenieros (PECASE, uno de los más altos honores del gobierno de EE. UU. para investigadores jóvenes) y fue elegido Miembro de la Sociedad Americana de Física (APS Fellow) en 2019, gozando de gran prestigio en la academia relevante.
Lo que Claude resolvió esta vez fue un problema de termodinámica estocástica planteado por Crooks.
En el mundo microscópico, un sistema ocasionalmente puede "ir a contracorriente de la segunda ley de la termodinámica" brevemente, pero la proporción de probabilidad entre los eventos inversos y los normales no es arbitraria, sino que está controlada con precisión por la producción de entropía, y disminuye exponencialmente.
Esto se describe como el hermoso y simétrico Teorema de fluctuación detallado (Detailed Fluctuation Theorem, DFT).
La pregunta es: bajo esta restricción funcional, ¿qué condiciones limitan los estadísticos de la producción de entropía?
Esto ya ha generado una serie de resultados.
La relación de incertidumbre termodinámica intercambiada (TUR intercambiada) de Timpanaro y otros en 2019, partiendo del teorema de fluctuación intercambiado, dio una cota en forma matricial saturable. El trabajo de Salazar siguió explorando cotas ajustadas para la asimetría, probabilidad de cola y cantidad de información a partir del DFT.
El TUT de 2023 ya elevó el TUR de una desigualdad a un "teorema", aclarando la corriente precisa que alcanza la varianza escalada mínima y enfatizando el impacto de los momentos de orden superior de la producción de entropía.
Se han ido descubriendo uno tras otro, pero siempre ha faltado una imagen geométrica unificada.
Claude identificó todos estos resultados locales como diferentes proyecciones del mismo cuerpo convexo y proporcionó una caracterización completa de la jerarquía de momentos.
El artículo, desde el resumen, fue escrito en su totalidad por Claude.
La respuesta unificada de Claude: una región convexa, solo con límite inferior
La perspicacia central de Claude es extremadamente limpia:
Cada distribución que satisface el DFT corresponde de manera única a una "distribución de brecha" ν (la distribución de |σ|).
Para cada brecha fija 'a', la distribución P_a solo tiene dos resultados ±a, con pesos estrictamente fijados por e^σ.
Por lo tanto, cualquier distribución DFT es una mezcla única de estas distribuciones básicas de dos resultados.
La región conjunta alcanzable por los estadísticos es, por tanto, un cuerpo convexo (cuerpo de momentos). Lo más crucial es que este cuerpo convexo tiene una caracterización precisa en cada orden:
Dados los primeros n−1 momentos, el n-ésimo momento solo puede tomar valores en [un cierto límite inferior agudo, +∞), no hay límite superior. El límite inferior es alcanzado por una única distribución con un número finito de niveles de resultados simétricos.
Cada cota de DFT publicada anteriormente puede recuperarse como una proyección de baja dimensión de esta región convexa unificada.
Esto también explica por qué casi la misma distribución puede saturar simultáneamente todas estas cotas.
Esta teoría también puede generalizarse al teorema general de fluctuación de Crooks de dos distribuciones.
El mecanismo proviene de un hecho estructural pasado por alto: la función media a·tanh(a/2) del DFT puede escribirse como una suma de términos de relajación simples con pesos positivos, con polos ubicados en cuadrados impares.
Esto mapea directamente todo el problema al problema clásico de momentos. Usando identidades exactas de Wronskiano y determinantes de Hankel, toda la optimización recae en unas pocas distribuciones atómicas.
El resultado: casi todas las cotas de DFT publicadas se convierten en proyecciones de baja dimensión (sombras) de este cuerpo convexo unificado. A menudo, la misma distribución de dos resultados satura simultáneamente varias cotas diferentes, porque en la media fija, es el punto de esquina del cuerpo convexo.
Para el teorema general de fluctuación de Crooks de dos distribuciones, el canal simétrico (suma de momentos en dirección directa e inversa) hereda completamente la misma jerarquía, mientras que el canal asimétrico está casi sin restricciones. Esto explica precisamente por qué los estimadores de energía libre unidireccionales pueden ser arbitrariamente malos, mientras que los estimadores bidireccionales son esencialmente necesarios.
Nueva física
El Teorema de Incertidumbre Termodinámica en sí no es un descubrimiento completamente nuevo de Claude. La versión base del teorema fue publicada en 2023 por Kyle J. Ray, Alexander B. Boyd, Giacomo Guarnieri y James P. Crutchfield.
Claude devolvió todas estas "proyecciones" al mismo objeto geométrico y demostró que este objeto puede ser completamente descrito.
Lo novedoso y fascinante radica en el proceso de investigación impulsado por IA.
Claude no fue simplemente solicitado para explicar un concepto físico ya conocido.
Se utilizó para explorar un problema teórico difícil, conectar ideas existentes y buscar nuevas estructuras matemáticas.
Esto podría convertirse en una historia más significativa que un solo resultado termodinámico:
La IA está pasando de resolver problemas que los humanos ya sabemos cómo resolver, a ayudar a los científicos a explorar problemas que aún no sabemos cómo abordar.
La física está entrando en su propia era de aceleración impulsada por IA.
Referencias:
https://www.nytimes.com/2026/06/08/science/ai-scoop-young-mathematicians.html
https://x.com/SciTechera/status/2088872862254084449
https://x.com/gavincrooks/status/2088643200038883830
https://x.com/gavincrooks/status/2088590113463013582?s=20
Este artículo proviene del WeChat Official Account "新智元", autor: ASI启示录, editor: 大卫.
