Las matemáticas en IA están teniendo su 'momento de la bofetada', igual que el mundo del Go hace una década.
Quien sostiene un juicio similar no es otro que Demis Hassabis, cofundador de DeepMind, el hombre que impulsó el proyecto AlphaGo hace diez años.
Aunque Hassabis ha experimentado recientemente una serie de cambios en su rol, pasando de CEO de DeepMind a Científico Jefe de Google y Presidente de DeepMind.
Cuando se trata de cómo la IA está cambiando la cognición humana, sigue siendo una de las personas con más autoridad para hablar.
Hace diez años, fue testigo directo de cómo AlphaGo, con su asombroso Movimiento 37, derrotó al legendario jugador Lee Sedol.
Diez años después, situándose en primera línea del avance de la IA en los frentes de las matemáticas y la ciencia, ofrece un nuevo juicio:
Si la IA pudiera resolver uno de los Problemas del Premio del Milenio, eso sería un gran avance al nivel del 'Movimiento 37'. En este momento, que la IA alcance ese nivel parece ser solo una cuestión de tiempo, no veo por qué no lo haría.
El Movimiento 37, un momento que representa la primera vez que la humanidad recibió una 'bofetada' de la IA, quedó así grabado en la memoria del mundo.
Pero pocos recuerdan que el Movimiento 37 no fue la única respuesta que dejó aquel enfrentamiento hombre-máquina.
Dos partidas después, Lee Sedol, que ya había perdido las tres primeras, realizó el Movimiento 78.
Este movimiento también tenía solo una probabilidad de una en diez mil entre las jugadas humanas, pero logró desconcertar a AlphaGo, ayudando a Lee Sedol a conseguir la única victoria humana en el encuentro a cinco partidas.
Mirando hacia atrás en este enfrentamiento hombre-máquina diez años después, es inevitable sentir una sensación:
La relación entre humanos e IA es como estos dos números.
Uno hizo que la humanidad se replanteara a la IA, el otro hizo que la humanidad se replanteara a sí misma.
El Movimiento 37 que dejó en ridículo a la humanidad
Retrocedamos en el tiempo a marzo de 2016, el enfrentamiento a cinco partidas entre AlphaGo y Lee Sedol se desarrollaba en Seúl, Corea del Sur.
En el primer encuentro, Lee Sedol cayó ante AlphaGo, un comienzo desfavorable.
En la segunda partida, el mundo entero esperaba que este legendario jugador lanzara su contraataque.
En medio del juego, Lee Sedol se retiró brevemente, fumó un cigarrillo para calmar sus nervios, pero cuando volvió al tablero, ya había una piedra negra colocada.
El Movimiento 37.
Lee Sedol no se sentó inmediatamente. Se quedó de pie mirando el tablero, casi sin poder creer lo que veían sus ojos.
La razón era simple: ese movimiento no parecía humano.
AlphaGo colocó la piedra en la quinta línea, desviándose de la intuición de apertura que los jugadores profesionales habían mantenido durante siglos. En la percepción convencional del Go humano, las piedras deben ocupar posiciones altas para controlar el juego, pero AlphaGo las colocó precisamente en un área donde aún no se había producido una batalla directa.
Inicialmente, los comentaristas en directo incluso sospecharon que AlphaGo se había equivocado.
El jugador profesional de noveno dan Michael Redmond, encargado del comentario, no pudo juzgar durante mucho tiempo frente a esta piedra negra, y solo pudo decir:
No sé si es una buena jugada o una mala jugada, es muy extraña.
Su compañero fue más directo:
Pensé que era un error.
El equipo de DeepMind calculó más tarde que la probabilidad de que un jugador humano eligiera este movimiento era de solo una en diez mil.
Pero a medida que el juego avanzaba, la gente comenzó a ver gradualmente que no se trataba de una mala jugada, sino de una jugada brillante que cambiaba la situación a una escala mayor.
Aproximadamente 100 movimientos después, esta piedra negra que parecía estar en el lugar equivocado resultó ser la clave para que AlphaGo ganara la segunda partida.
Posteriormente, este momento de error colectivo de la humanidad fue bromeado gradualmente como el «momento de la bofetada»—
Originalmente pensábamos que la IA estaba equivocada, pero en realidad los equivocados éramos nosotros mismos.
Pero más allá de la 'bofetada', este movimiento hizo que el mundo se diera cuenta por primera vez de que la IA no solo podía imitar a los humanos jugando al Go, sino que también podía realizar movimientos que los humanos nunca habían imaginado.
Y justo diez años después, el 'Movimiento 37' reapareció, y esta vez se asoció con una disciplina antigua:
Las matemáticas.
Para la IA, el Go y las matemáticas tienen un gran punto en común, que es la verificabilidad.
Dado que la lógica y las reglas en estos campos son suficientemente claras, la IA puede repetir continuamente un proceso simple:
Probar una idea, evaluarla, aprender del resultado y luego seguir intentando hasta tener éxito (ese conjunto del aprendizaje por refuerzo).
Este mecanismo también explica por qué las matemáticas se han convertido en la primera disciplina en recibir el 'bombardeo' concentrado del 'Movimiento 37' de la IA.
En campos como el desarrollo de fármacos o la biología, determinar si una idea es efectiva a menudo requiere experimentos largos para verificarlo.
Las matemáticas son diferentes; el proceso de demostración se puede verificar paso a paso, lo correcto es correcto y lo incorrecto es incorrecto, por lo que la IA puede buscar incansablemente.
Así, a medida que las capacidades de la IA aumentan, los cambios comenzaron a acelerarse año tras año.
Comenzando con el nacimiento de ChatGPT, en 2023 los modelos grandes aún tropezaban con algunos problemas aritméticos básicos; la escena bochornosa de «¿cuál es mayor, 9.11 o 9.9?» fue en su momento motivo de risa.
Pero para 2024, AlphaProof y AlphaGeometry 2 de DeepMind ya estaban compitiendo en la Olimpiada Internacional de Matemáticas.
Los dos sistemas resolvieron 4 de los 6 problemas, logrando 28 puntos, un nivel de medalla de plata (solo 1 punto por debajo del umbral de oro de ese año).
Y solo un año después, Gemini Deep Think resolvió 5 problemas en las 4.5 horas reglamentarias de la competición oficial, logrando 35 puntos, alcanzando el nivel de oro de la IMO.
En solo dos años, la IA pasó de ser un novato a un nivel de oro en la IMO, una velocidad asombrosa.
Pero esto es solo en el ámbito de los exámenes.
Lo que realmente hizo sentir a la comunidad matemática que la marea les llegaba fue que la IA comenzó a pasar de «resolver problemas» a «investigar».
En 2025, GPT-5 participó en la resolución del problema 848 de Erdős, proporcionando la estimación clave necesaria para la demostración.
Los matemáticos la corrigieron y refinaron, completando finalmente la demostración completa.
Ese mismo año, el matemático de UCLA Ernest Ryu, con la ayuda de GPT-5, encontró un punto de avance para un problema abierto que había desconcertado a la teoría de optimización durante 40 años.
En esta etapa, la IA ya no solo calcula respuestas; comienza a contribuir con ideas clave.
Luego, llegamos a 2026, donde comenzaron a producirse avances en una serie de importantes problemas matemáticos.
Quien lanzó primero la bomba fue nuevamente OpenAI.
Un modelo interno de razonamiento general se fijó en el problema de la distancia unitaria en el plano. Este problema, planteado por el matemático Paul Erdős en 1946, estudia cuántos pares de puntos con distancia exactamente 1 se pueden producir al colocar n puntos en el plano.
Durante casi 80 años, la comunidad matemática generalmente creía que construcciones como la cuadrícula cuadrada se acercaban a lo óptimo.
Pero la IA tomó directamente un conjunto de herramientas de la teoría de números algebraica, aparentemente no relacionada, construyó un nuevo conjunto de puntos y refutó esta conjetura de larga data.
Toda la demostración fue posteriormente verificada por matemáticos externos.
OpenAI afirmó que esta es la primera vez que una IA general resuelve de forma autónoma un problema abierto con una posición importante en una rama de las matemáticas.
Inmediatamente después, Anthropic también hizo su jugada.
En julio de 2026, el matemático de Anthropic, Levent Alpöge, con la ayuda de Claude Fable 5, encontró un contraejemplo explícito para la Conjetura de Jacobi.
Una conjetura que había desconcertado a la comunidad matemática durante 87 años fue así refutada de la noche a la mañana por la IA.
Incluso hubo colaboraciones entre OA (OpenAI y Anthropic).
Hace solo un par de días, GPT-5.6 y Fable 5 unieron fuerzas para resolver un problema matemático pendiente durante 25 años.
(Historias similares son demasiadas...)
Pero lo más exagerado fue Google; DeepMind está convirtiendo estos avances en una línea de producción.
Su agente matemático Aletheia ya no solo genera una respuesta, sino que propone repetidamente demostraciones, verifica fallos, se refuta a sí mismo y luego busca nuevos caminos.
DeepMind lo utilizó para escanear 700 problemas abiertos en la base de datos de conjeturas de Erdős.
Entre ellos, la IA resolvió autónomamente 4 problemas no resueltos y también participó en la producción de múltiples resultados matemáticos con calidad de artículo científico.
Este intento muestra que la IA ha comenzado a explorar de manera sistemática las áreas en blanco del mundo matemático.
Así que no es difícil imaginar:
Que la IA resuelva más problemas matemáticos importantes es realmente solo una cuestión de tiempo.
Desde resolver problemas hasta investigar, desde repetir conocimiento conocido hasta proponer respuestas desconocidas, el Movimiento 37 en el campo de las matemáticas está cayendo uno tras otro.
Buscando el Movimiento 78 humano
Y frente a este momento que probablemente llegue, la humanidad sin duda enfrentará una pregunta existencial:
Si la IA sigue encontrando nuevos caminos que los humanos nunca han imaginado, ¿qué debemos hacer los humanos?
Quizás la respuesta esté en el Movimiento 78 que apareció en aquel enfrentamiento hace diez años.
En la cuarta partida del encuentro a cinco, Lee Sedol, que ya había perdido las tres primeras, clavó una piedra blanca en el centro de la formación de AlphaGo.
Este movimiento también se desvió de lo convencional; AlphaGo estimó que la probabilidad de que un humano lo jugara también era de solo una en diez mil.
Posteriormente, la máquina perdió el rumbo.
Lee Sedol finalmente consiguió la única victoria humana, y el Movimiento 78 fue llamado «la jugada divina».
Esta victoria no significaba que los humanos hubieran vuelto a vencer a la IA.
Pero al menos demostró que los humanos, después de comprender a la máquina, pueden encontrar el siguiente paso que la máquina no anticipó.
Esta es precisamente la lección que el Movimiento 78 deja para hoy.
Cuando la IA sea cada vez mejor dando respuestas, el valor humano se desplazará más hacia plantear preguntas, juzgar direcciones y decidir qué respuestas realmente vale la pena buscar.
Aprovechando el concepto de «ajedrez centauro» en el ajedrez, es decir, hacer que jugadores humanos y motores de computadora luchen juntos.
p.d. En 1997, después de que «Deep Blue» de IBM derrotara al campeón mundial humano Kasparov, este último abogó y organizó en 1998 el primer «Torneo de Ajedrez Centauro», explorando las posibilidades de colaboración entre humanos e IA.
Hassabis cree que la ciencia está entrando en una «era centauro» similar:
Estamos entrando en una era de colaboración entre humanos y computadoras. No sé cuánto durará este ciclo. Pero para aquellos campos muy complejos, este tiempo podría ser muy largo. Por ejemplo, el desarrollo de fármacos, la biología, la química, etc., campos que son muy complejos, de circunstancias cambiantes y donde no se puede verificar todo. Es entonces cuando se necesita la intuición y la perspicacia humana para decidir la dirección a seguir.
Los cambios posteriores en el Go ya lo han demostrado.
Después de la aparición de AlphaGo, la IA se convirtió rápidamente en una herramienta de análisis para los jugadores profesionales. Los jugadores pueden usar la IA para revisar viejas josekis, descubrir qué experiencias no eran confiables y estudiar nuevos movimientos que antes se consideraban irracionales.
Un análisis de más de 5.8 millones de decisiones de jugadores profesionales encontró que:
Después de la aparición de super IA, la calidad de los movimientos de los jugadores humanos mejoró significativamente y también aumentaron los movimientos novedosos.
Sin embargo, la situación también tiene otra cara, y es que:
La gente comenzó a depender de la IA para obtener respuestas, perdiendo gradualmente la capacidad de juzgarlas.
Como dijo Lee Sedol al retirarse, enfrentarse a un oponente invencible le hacía difícil seguir disfrutando del Go que una vez amó.
Quizás este sea el problema que más merece la pena vigilar en la era de la IA.
Cuando más campos más allá de las matemáticas se vean afectados por la IA, ¿los sistemas más potentes nos harán más creativos, más eficientes y más humanos?
¿O harán que la gente abandone el esfuerzo?
En el futuro, la IA seguirá haciendo Movimientos 37.
La pregunta restante es si los humanos podrán encontrar su propio Movimiento 78.
Enlaces de referencia:
[1]https://www.wsj.com/tech/ai/move-37-ai-demis-hassabis-google-deepmind-alphago-ec832a41?st=9XMAjn&reflink=desktopwebshare_permalink
[2]https://x.com/demishassabis/status/2085914742414061886
Este artículo proviene del WeChat Official Account «量子位» (QbitAI), autor: 关注前沿科技 (Atención a la tecnología de vanguardia).
