¿Está la inteligencia artificial asfixiando a las matemáticas con su exceso de producción?
La Medalla Fields de 2026 se ha concedido en un momento de agitación inusual en el mundo matemático.
¿La IA matará a las matemáticas por producir demasiado?
Introducción
La Medalla Fields de 2026 se ha concedido en un momento de agitación inusual en el mundo matemático.
La Unión Matemática Internacional otorgó el premio a Deng Yu, John Patton, Jakob Zimmermann y Hong Wang. Casi de inmediato, la atención pasó de los logros ya alcanzados por los galardonados a lo que uno de ellos creía que estaba por venir.
Zimmermann anunció su plan de unirse a OpenAI y centrarse en la seguridad de la IA. En una entrevista publicada antes y después del anuncio del premio, predijo que la IA podría ser mejor que los matemáticos humanos en el trabajo matemático en un plazo de dos años.
Se trata de una predicción, no de un cronograma firme. Sin embargo, proveniente de uno de los mejores matemáticos del mundo, la declaración tiene un peso excepcional.
En el Congreso Internacional de Matemáticos celebrado en Filadelfia, Terence Tao transmitió un mensaje igualmente serio pero más prudente. Considera que las matemáticas podrían estar entrando en un periodo turbulento en el que deben examinarse y reconstruirse los fundamentos de sus valores y prácticas.
Otro ganador de la Medalla Fields, Timothy Gowers, también reflexiona sobre la misma transformación desde una perspectiva diferente.
Su preocupación no es solo que la IA resuelva problemas más rápido que los matemáticos, arrebate puestos académicos o haga que los métodos tradicionales de descubrimiento de pruebas pierdan prestigio. Su temor más profundo es que las matemáticas puedan seguir produciendo una cantidad ingente de resultados correctos, pero pierdan la comunidad humana capaz de entenderlos, organizarlos, enseñarlos y evaluarlos.
En este escenario, las matemáticas no perecerían por falta de conocimiento.
Serían ahogadas por la abundancia.
La IA quizá no "deje hambrientas" a las matemáticas, sino que las "sobrealimente"
Lo más llamativo del argumento de Gowers es que no cree que la IA provoque un estancamiento en el progreso matemático.
Imagina lo contrario.
Supongamos que sistemas cada vez más autónomos son capaces de:
- Leer la bibliografía existente
- Seleccionar problemas no resueltos
- Generar nuevas conjeturas
- Producir demostraciones formalizadas
- Verificar automáticamente esas demostraciones
- Explicar los resultados con el nivel de detalle que se requiera
- Realizar todo esto de forma continua a velocidad de máquina
Desde la perspectiva de la producción de teoremas, esto parecería un éxito extraordinario.
La bibliografía crecería a un ritmo nunca visto en la historia de las matemáticas. Conjeturas que han perdurado mucho tiempo podrían resolverse rápidamente. Subcampos enteros podrían explorarse en paralelo. Resultados que a un equipo de investigación humano le llevaría años obtener podrían aparecer en cuestión de horas.
Sin embargo, Gowers se pregunta si esta expansión no vaciaría la disciplina en lugar de enriquecerla.
Las matemáticas no son solo un conjunto de proposiciones verdaderas almacenadas en artículos y bases de datos. Al mismo tiempo, existen como una red viva de intuiciones, ejemplos, explicaciones, hábitos, problemas abiertos, juicios y estándares compartidos dentro de la comunidad de matemáticos.
Un teorema puede ser correcto sin ser necesariamente—
Entendido.
Una demostración puede ser verificada sin convertirse en parte del conocimiento operativo de nadie.
Un campo puede contener millones de resultados y, sin embargo, perder gradualmente a quienes entienden por qué esos resultados son importantes.
Esta es la paradoja central: la IA podría hacer que la producción matemática florezca al tiempo que socava la cultura matemática.
La Declaración de Leiden traza la línea de los valores humanos en matemáticas
El 2 de junio de 2026, un equipo internacional de investigación publicó la Declaración de Leiden sobre IA y Matemáticas.
Esta declaración surgió de un taller celebrado en 2025 en el Centro Lorentz de Leiden, donde matemáticos, informáticos, filósofos, historiadores e investigadores de IA se reunieron para debatir la cambiante relación entre la IA y la investigación matemática.
La Unión Matemática Internacional ha respaldado oficialmente la declaración. A fecha de 29 de julio, el sitio web público ya mostraba más de 3200 firmantes.
La declaración identifica varios valores que sus autores consideran que deben protegerse:
- Las demostraciones deben proporcionar tanto certeza como comprensión.
- Los resultados deben ser atribuibles a autores responsables.
- Los argumentos matemáticos deben ser transparentes y verificables de forma independiente.
- La investigación debe evaluarse según criterios comunes como profundidad, dificultad e importancia.
- Las matemáticas deben seguir generando comprensión, juicio y experiencia humanos, y no solo una lista creciente de resultados.
- La comunidad investigadora debe conservar un control sustancial sobre su propia dirección y métodos.
Sus recomendaciones incluyen la divulgación de la asistencia de la IA, la protección de los sistemas de revisión frente a resultados automáticos de baja calidad, el apoyo a la infraestructura pública de investigación, la preservación de la educación y la tutoría humanas, y la prevención de que el conocimiento matemático se concentre en manos de unas pocas empresas privadas.
La declaración cuenta con el apoyo público de matemáticos de renombre como Terence Tao, Peter Scholze, Jeremy Avigad, Kevin Buzzard y Steven Strogatz.
El respaldo de Scholze es particularmente directo. Sostiene que el objetivo de la investigación matemática es la comprensión humana y que las matemáticas solo pueden prosperar a través de la comunidad de matemáticos humanos. También afirma que suele evitar leer textos matemáticos generados por IA y que no utiliza IA para formarse sus propias ideas.
Tao describió la declaración como el resultado de meses de debate en la comunidad y afirmó que apoya plenamente sus recomendaciones.
Gowers no la ha firmado.
Esta elección no implica que rechace los propósitos de la declaración. Participó en el taller inicial de Leiden y calificó la declaración como una contribución importante. Su vacilación se debe a algunas afirmaciones y recomendaciones que considera que necesitan más matices.
El experimento mental de Gowers: una biblioteca sin lectores
Gowers parte de
Un escenario deliberadamente extremo.
Imaginemos que la IA nunca hubiera existido. Imaginemos también una pandemia que, de algún modo, matara a todos los matemáticos, pero no afectara al resto de la población.
Todos los artículos, libros, bases de datos y archivos de matemáticas permanecerían intactos.
Ninguna información sería destruida físicamente.
Sin embargo, la tradición matemática sufriría un golpe devastador.
Solo con la bibliografía, sería imposible decirle a la nueva generación qué ideas son centrales, qué técnicas pertenecen al mismo sistema, qué definiciones son naturales, dónde están las dificultades, o qué resultado olvidado merece atención renovada.
Reconstruir esa cultura podría llevar décadas.
La razón es que el conocimiento matemático no se almacena solo en textos formales. Una gran parte reside en las mentes de los investigadores:
- Conocimiento tácito sobre qué métodos son prometedores
- Intuición sobre qué ejemplos son representativos
- Familiaridad con la historia de los problemas
- Conocimiento de enfoques fallidos que nunca aparecen en los artículos
- Juicio sobre qué es profundo, rutinario, sorprendente o importante
- El lenguaje compartido desarrollado a través de seminarios y colaboraciones
- La capacidad de situar los nuevos resultados en un panorama conceptual más amplio
Por lo tanto, un artículo escrito se parece más a un archivo comprimido que a un mundo intelectual completo. La comunidad matemática proporciona el descodificador.
Ahora cambiemos este experimento mental.
Esta vez, la inteligencia artificial existe y es capaz de explicar cualquier demostración con mayor o menor detalle según las necesidades del usuario.
Dado que la máquina puede resolver problemas y explicarlos con tanta facilidad, cada vez menos personas están dispuestas a pasar años formándose para ser matemáticos investigadores. Los estudiantes aún pueden aprender algo de matemáticas, pero la motivación para desarrollar una experiencia profunda se debilita.
Diez o veinte años después, la cantidad de literatura se dispara. Los sistemas de IA generan innumerables resultados correctos. Al mismo tiempo, el número de expertos con una comprensión práctica en estos campos disminuye drásticamente.
Los archivos están llenos.
Los seminarios están vacíos.
Los resultados existen, pero a pocos les importa leerlos.
Esta es la versión de la muerte de las matemáticas que teme Gowers.
En el primer escenario pandémico, las matemáticas mueren por escasez: la comunidad desaparece y no se genera nuevo conocimiento.
En el escenario de la IA, las matemáticas mueren por sobreproducción: el volumen de material se vuelve enorme, mientras que la cultura humana que le da significado se desvanece.
Analogía de la eutrofización
El artículo fuente compara esta posibilidad con la eutrofización de un lago.
Un lago no siempre muere por falta de nutrientes. También puede morir por un exceso de ellos.
El exceso de nitrógeno y fósforo provoca un crecimiento acelerado de algas. Al principio, el ecosistema parece extraordinariamente productivo. El agua rebosa de actividad biológica.
Finalmente, este crecimiento consume el oxígeno disponible. Los peces y otras criaturas mueren, y un ecosistema que alguna vez fue vibrante se convierte en un charco estancado.
La analogía no es del todo precisa, pero captura el núcleo de la preocupación de Gowers.
Si la comunidad matemática no puede absorber, organizar, enseñar y discutir los resultados matemáticos, entonces una producción ilimitada de matemáticas puede no hacer que esta sea más fuerte.
El recurso escaso podría dejar de ser la generación de demostraciones.
Podría convertirse en la atención humana y la cognición compartida.
¿Qué se considera progreso matemático?
Este cambio plantea una pregunta difícil: ¿qué es exactamente lo que las matemáticas buscan maximizar?
Si la respuesta es simplemente "el número de problemas resueltos", entonces una IA altamente autónoma podría representar un éxito casi incondicional.
Pero la práctica matemática nunca ha sido solo una cuota de producción de teoremas.
Un resultado solo contribuye al campo cuando otros matemáticos pueden:
- Verificarlo
- Comprender sus ideas centrales
- Relacionarlo con teorías existentes
- Reutilizar sus métodos
- Enseñarlo
- Reconocer su importancia
- Plantear preguntas adicionales a partir de él
Timothy Gowers hizo una distinción similar en su informe para el Congreso Internacional de Matemáticos.
La corrección es necesaria, pero no suficiente. Una demostración también debe ser comunicada, digerida, aceptada e integrada en la comprensión colectiva de la comunidad matemática.
Su resumen de recomendaciones enfatiza la educación humana, la transparencia en el uso de la IA, mecanismos de verificación más sólidos, nueva infraestructura matemática y discusiones abiertas sobre competencias y valores.
Por lo tanto, el cuello de botella futuro podría pasar por varias etapas:
| Etapa | Pregunta principal |
|---|---|
| Generación de demostraciones | ¿Se puede generar una solución? |
| Verificación | ¿Es correcta esta solución? |
| Explicación | ¿Se puede explicar claramente? |
| Digestión | ¿Pueden los expertos entenderla y reutilizarla? |
| Aceptación de la comunidad | ¿Pasa a formar parte de las matemáticas compartidas? |
| Canonización | ¿Entra en los libros de texto, la enseñanza y la estructura a largo plazo del campo? |
La IA podría eventualmente sobresalir en todas las etapas.
Sin embargo, por ahora, las últimas tres etapas siguen siendo procesos profundamente sociales. Un campo no se mantiene solo con respuestas. Se mantiene con un grupo de personas que se preocupan por las mismas ideas y pueden pensar juntas.
Gowers apostó por la demostración automática tradicional
Gowers es especialmente relevante porque ha estado investigando la demostración automática durante muchos años.
En 2022, anunció un proyecto que adoptaba un enfoque más tradicional de IA. El proyecto no dependía principalmente de grandes modelos de lenguaje, sino que buscaba comprender cómo los matemáticos humanos descubren demostraciones y codificar esos métodos en un sistema más explícito.
El proyecto se guía por la idea de la demostración motivada.
Una demostración motivada no solo confirma la conclusión. Hace que el camino hacia la conclusión parezca natural.
Explica:
- Por qué se introduce una definición particular
- Qué obstáculo elimina un lema
- Por qué se elige una construcción en lugar de otra
- Qué intentos fallidos moldearon el argumento final
- Cómo podría descubrirse una demostración, no solo verificarse
Gowers creía que un sistema automatizado construido en torno a esta estructura podría generar demostraciones adecuadas para el aprendizaje humano, incluso para la enseñanza de pregrado.
Más tarde abogó por la creación de una base de datos de demostraciones motivadas, porque los artículos publicados suelen mostrar solo el producto final pulido de un largo proceso. Omiten los puntos de partida erróneos, las intuiciones intermedias, los cambios de notación y las razones por las que un investigador eligió un camino en lugar de otro.
El rápido avance de los grandes modelos de lenguaje trastocó este plan.
Gowers aún cree que los sistemas de demostración transparentes y motivados tienen valor. Lo que cambió es su creencia anterior de que este método definiría los límites de la capacidad matemática de las máquinas.
Los modelos de lenguaje han progresado demasiado rápido.
ChatGPT 5.5 Pro cambió sus estimaciones
En mayo de 2026, Gowers publicó un informe detallado sobre un experimento con ChatGPT 5.5 Pro.
Le planteó al modelo un problema de combinatoria que requería un trabajo de nivel de investigación real. Según su informe, proporcionó muy poca orientación matemática sustancial.
El sistema funcionó durante aproximadamente una hora y produjo un resultado que Gowers calificó como de nivel doctoral.
El argumento utilizó conjuntos altamente no correlacionados para controlar relaciones aditivas. Gowers escribió que, en retrospectiva, podía entender y motivar la construcción, pero que la decisión del modelo de usar esa técnica le pareció ingeniosa y, hasta donde sabe, original.
Esta distinción es crucial.
Una idea puede volverse comprensible después de ser presentada a un matemático, pero eso no significa que sea obvia antes de que aparezca. Los investigadores humanos evalúan el trabajo nuevo precisamente de esta manera.
Este evento no demostró que la IA haya logrado una autonomía matemática universal. Pero sí cambió las estimaciones de Gowers sobre las capacidades actuales de los modelos de lenguaje.
El umbral para un problema de investigación útil para principiantes se ha movido.
Un problema no es seguro para un estudiante solo porque siga oficialmente sin resolver. También debe ser lo suficientemente difícil como para que los modelos punteros no puedan resolverlo rápidamente.
Esto supone un cambio significativo para la formación de posgrado.
Tradicionalmente, la educación en investigación se ha basado en encontrar problemas que son genuinamente abiertos pero aún manejables para quienes están adquiriendo experiencia. Si las máquinas pueden limpiar rápidamente una gran cantidad de estos problemas, los departamentos podrían necesitar nuevas formas de enseñar descubrimiento, juicio, articulación e independencia investigadora.
Distancia unitaria
Un avance decisivo eleva el nivel de dificultad
El siguiente hito es aún más significativo.
El 20 de mayo, OpenAI anunció que su modelo interno había refutado una conjetura central sobre el problema de la distancia unitaria en el plano, un famoso problema originado por Paul Erdős.
El modelo descubrió infinitas configuraciones de puntos que son polinomialmente superiores a las construcciones basadas en retículas, que durante mucho tiempo se consideraron cercanas a lo óptimo. OpenAI publicó esta demostración, acompañada de un artículo complementario coescrito por varios matemáticos de primer nivel, entre ellos Noga Alon, Timothy Gowers, Arul Shankar, Jacob Tsimerman y otros. El artículo complementario presenta una formulación más concisa y verificada por humanos, y discute las implicaciones de este resultado.
Este resultado es importante por múltiples razones.
En primer lugar, el modelo no se limitó a recuperar una demostración conocida ni a combinar unos pocos pasos de libros de texto. Utilizó ideas relacionadas con la teoría algebraica de números profunda para encontrar un contraejemplo a una conjetura ampliamente aceptada.
En segundo lugar, matemáticos externos revisaron y digirieron la demostración, en lugar de confiar ciegamente en el resultado del modelo.
En tercer lugar, este evento reveló un nuevo modelo de división del trabajo.
El sistema de inteligencia artificial produjo la construcción clave. Los matemáticos humanos la verificaron, simplificaron, rastrearon su trasfondo académico, explicaron por qué era válida y evaluaron hasta qué punto cambiaba el panorama del campo.
Gowers opina que, en un futuro entorno donde abunden los resultados generados por máquinas, este trabajo de "digestión" podría merecer mayor reconocimiento que el mero hecho de ser quien plantea el problema al modelo.
Si una persona obtiene una solución directa y otra dedica meses a transformarla en matemáticas comprensibles, la contribución de la segunda persona a la supervivencia de la disciplina podría ser mayor.
La formalización también se está volviendo más fácil
Una forma de defenderse de los resultados matemáticos generados por IA poco fiables es la verificación formal de demostraciones.
Las demostraciones escritas en Lean pueden ser revisadas por un pequeño núcleo de confianza. Si no hay axiomas no admitidos o lagunas durante la compilación, el sistema ofrece una garantía de corrección mucho más sólida que la que proporciona un texto informal.
Históricamente, formalizar un artículo de investigación requería que el usuario tuviera un profundo conocimiento del asistente de demostraciones y realizara una gran cantidad de trabajo manual.
Esta barrera se está desmoronando.
Gowers informó de que utilizó el sistema Aristóteles de Harmonic para formalizar un artículo complejo en Lean, sin estar familiarizado con Lean. Subió el artículo, pidió al sistema que avanzara sección por sección, y todo el proceso duró aproximadamente una semana y media, con solo una pequeña cantidad de tiempo de indicación activa por su parte.
Aristóteles combina el razonamiento informal con la búsqueda de demostraciones en Lean y la verificación formal. Harmonic lo describe como un agente capaz de demostrar o formalizar material matemático en sesiones largas.
Este avance socava una de las objeciones a las demostraciones generadas por máquinas: que los resultados son siempre demasiado poco fiables para ser dignos de confianza.
La verificación formal no lo resuelve todo.
Un teorema formalizado puede codificar un enunciado incorrecto. Las definiciones pueden no capturar el concepto deseado. Una demostración verificada puede carecer de valor ilustrativo. La traducción de las matemáticas informales a enunciados formales sigue requiriendo juicio.
Pero a medida que la capacidad de formalización automática mejora, la posibilidad de que la IA pueda generar tanto resultados candidatos como pruebas comprobables por máquina se vuelve cada vez más creíble.
El cuello de botella se desplaza entonces de nuevo: de la corrección a la importancia, al poder explicativo y a la cultura.
La postura de Gowers es más compleja que "la IA acabará con las matemáticas"
La versión titular de este debate puede ser engañosa.
Gowers no sostiene que las matemáticas deban rechazarse simplemente porque sean generadas por máquinas.
Cuestiona partes de la Declaración de Leiden precisamente porque no está seguro de que las nociones tradicionales de autoría y propiedad puedan sobrevivir.
Si un sistema de IA descubre de forma autónoma un teorema correcto, no cree que el humano deba recibir el crédito por el mero hecho de haber manejado la interfaz.
También duda de que las revistas de revisión por pares existentes sean necesariamente las instituciones adecuadas para proteger la cultura matemática de la avalancha de resultados generados por IA. El sistema de publicación actual ya tiene graves defectos, y el nuevo entorno puede requerir nuevas formas de selección, elaboración y evaluación colectiva.
Por lo tanto, su postura no es ni un simple rechazo ni un entusiasmo ciego.
Prevée que la IA superará a los humanos en más aspectos del trabajo matemático. Cree que esto podría ocurrir en los próximos años, aunque no descarta la posibilidad de una colaboración productiva entre humanos y máquinas durante un período más largo.
También encuentra este avance desestabilizador a nivel personal.
En su artículo de julio, Gowers escribió que GPT-5.6 Pro le había dado soluciones "directas" a dos problemas que le importaban y en los que había pensado seriamente. Jóvenes colaboradores de investigación, con su permiso, hicieron las indicaciones al modelo.
Se alegró de que los problemas estuvieran resueltos.
También describió la experiencia como extraña y desagradable, como si se le quitara el suelo de debajo de los pies.
Ambas emociones pueden coexistir.
¿Réquiem por un campo?
El mismo día que Gowers publicó su artículo sobre la Declaración de Leiden, el matemático y físico de la Universidad de Columbia Peter Woit publicó una entrada titulada "¿Réquiem por un campo?".
La entrada relacionaba la obtención de la Medalla Fields por parte de Tsimerman, su paso a OpenAI y el papel cada vez más importante de los agentes de IA en las matemáticas.
Woit señala que las matemáticas difieren de juegos como el ajedrez.
Cuando los ordenadores superaron a los humanos en el ajedrez, los torneos humanos siguieron teniendo sentido. Los ajedrecistas siguen compitiendo bajo las mismas reglas, y el público sigue viendo la actividad como una muestra de la capacidad humana.
Pero los límites de las matemáticas son más difusos.
Los investigadores ya utilizan ampliamente software, sistemas simbólicos, bases de datos, asistentes de demostraciones y, ahora, agentes de modelos de lenguaje grandes en su trabajo diario. Si casi todo el mundo utiliza sistemas igualmente potentes, puede que no exista una categoría de "matemáticas profesionales puramente humanas" análoga al "ajedrez puramente humano".
La cuestión de la atribución también podría cambiar.
El mundo académico actual recompensa la prioridad: quién descubre primero un teorema, un método o una definición. Un agente autónomo no tiene interés personal en que un teorema lleve su nombre.
Si el descubrimiento se vuelve barato y abundante, el centro de gravedad cultural podría pasar de la propiedad a lo siguiente:
- Selección
- Verificación
- Interpretación
- Síntesis
- Enseñanza
- Rastreo histórico
- Conexión de resultados aislados
- Elección de problemas con valor humano o científico
Pero Gowers plantea inmediatamente una pregunta más profunda: ¿por qué suponer que la IA no podrá eventualmente desempeñar también estos papeles?
Los tutores de IA pueden personalizar explicaciones, los editores de IA pueden seleccionar resultados, los historiadores de IA pueden rastrear líneas de influencia, y los generadores de libros de texto de IA pueden adaptar un campo entero a los conocimientos previos de un lector.
Simplemente enumerar las tareas que las máquinas aún no dominan no protege el papel restante de los humanos.
El argumento más sólido es cultural: las matemáticas son importantes, en parte, porque son una actividad realizada por humanos juntos.
¿Qué pueden hacer los matemáticos humanos en la era del descubrimiento automático?
Nadie tiene una respuesta completa por ahora.
Pero varios roles posibles están emergiendo.
1. Establecer objetivos y seleccionar problemas
Los matemáticos pueden decidir qué problemas son relevantes para la ciencia, la sociedad, la educación o una comprensión conceptual más profunda.
Este papel sigue siendo importante, aunque Gowers cree que la IA también podría ser capaz de proponer preguntas y teorías valiosas con el tiempo.
2. Verificar y formalizar resultados
Los asistentes de demostraciones pueden establecer la corrección. Los expertos humanos aún deben asegurarse de que los enunciados formales capturen con precisión los teoremas previstos y que las suposiciones ocultas no alteren la naturaleza del problema.
3. Digerir y organizar la producción de las máquinas
Los futuros matemáticos podrían explorar una gran cantidad de resultados generados por inteligencia artificial, identificar unos pocos dignos de atención y construir en torno a ellos teorías coherentes.
Esto se asemeja más a la redacción de un buen libro de texto que a la disputa por la prioridad de una demostración.
4. Proteger la historia del pensamiento y la autoría
Incluso si los modelos generan nuevos resultados, estos pueden depender de conceptos construidos por generaciones de investigadores. Rastrear estas conexiones es esencial para comprender qué constituye una innovación genuina.
5. Transmitir el criterio matemático
Los estudiantes no solo necesitan respuestas. Requieren entender el significado de un problema, cómo interactúan las hipótesis, por qué un concepto abstracto es útil y cómo identificar argumentos engañosos.
La inteligencia artificial puede apoyar esta labor, pero la educación sigue siendo un ámbito que demanda una profunda participación humana.
Según Terence Tao, la dimensión humana debe protegerse con firmeza.
6. Preservar la comunidad
Los seminarios, la colaboración, la transmisión de maestro a discípulo, el debate académico y los estándares compartidos transforman la información aislada en un campo de saber.
Un tutor personal de IA puede explicar un teorema a un usuario, pero no puede formar automáticamente una comunidad académica corresponsable del conocimiento.
El verdadero riesgo no es el fin de la investigación matemática
La afirmación "la IA matará a las matemáticas" suena como una profecía sobre el fin del descubrimiento de teoremas.
Gowers, sin embargo, plantea justo lo contrario.
La literatura generada por máquinas podría ser más rica que todo lo producido de forma independiente por los humanos.
Lo que realmente podría desaparecer es el vínculo entre esa literatura y la tradición académica humana viva.
Este riesgo no es inevitable.
La Declaración de Leiden, las recomendaciones de Terence Tao en el Congreso Internacional de Matemáticos, los proyectos de verificación formal, la infraestructura matemática pública y las críticas del propio Gowers apuntan a soluciones prácticas:
- Exigir transparencia en el uso de asistencia de IA.
- Mantener mecanismos de demostración rigurosa y verificación independiente.
- Invertir en herramientas de IA públicas y académicas.
- Recompensar el trabajo de explicación y síntesis.
- Desarrollar mejores filtros para contenido generado por máquinas.
- Proteger la educación y la transmisión de maestro a discípulo.
- Preservar la capacidad humana de comprender su propio campo de estudio.
- Construir infraestructuras que apoyen la exploración colectiva, no solo la privada.
- Evaluar el trabajo matemático por la visión y la contribución, no solo por el volumen de producción.
El desafío es establecer estos sistemas antes de que la velocidad de producción de teoremas supere la capacidad de gestión de las instituciones actuales.
Preguntas frecuentes
¿Es cierto que un ganador de la Medalla Fields dijo que la IA superará a los matemáticos en dos años?
Sí. Jakob Zimmermann declaró a Quanta Magazine que cree que la IA superará a los matemáticos humanos en dos años. Es una predicción personal, no un cronograma validado.
¿Se opone Timothy Gowers al uso de IA en matemáticas?
No. El propio Gowers utiliza sistemas avanzados de IA y ha comentado públicamente los impresionantes resultados de ChatGPT y Aristotle. Su preocupación es que la automatización rápida, aunque produzca resultados valiosos, pueda dañar la cultura matemática, la experiencia, los sistemas educativos y la comprensión colectiva.
¿Qué es la Declaración de Leiden sobre Inteligencia Artificial y Matemáticas?
Es una declaración académica publicada el 2 de junio de 2026 que expone el impacto de la IA en la investigación, educación, publicación, atribución, infraestructura y ética matemáticas. Cuenta con el respaldo de la Unión Matemática Internacional y, al 29 de julio de 2026, más de 3200 personas la habían firmado.
¿Qué problema de la conjetura de las distancias unitarias resolvió OpenAI?
Un modelo interno de OpenAI refutó una conjetura ampliamente aceptada sobre el número máximo de pares a distancia unitaria en conjuntos de puntos en el plano. El modelo generó infinitas configuraciones que, en términos polinómicos, superaban a las configuraciones basadas en retículas que antes se consideraban las mejores.
¿La demostración de OpenAI sobre distancias unitarias fue verificada por humanos?
Sí. OpenAI publicó la demostración original, junto con un artículo complementario independiente que incluye una versión más corta y verificada por humanos, con comentarios de matemáticos destacados.
¿Qué es la formalización automatizada de demostraciones?
La formalización consiste en traducir demostraciones matemáticas a un formato preciso que pueda ser verificado por ordenador.
Convertir afirmaciones y demostraciones matemáticas a lenguajes como Lean, cuyo pequeño núcleo de verificación de pruebas puede comprobar cada paso lógico. Sistemas de IA como Aristotle ayudan cada vez más a transformar las matemáticas informales de investigación en una forma comprobable por máquinas.
¿Pueden las matemáticas sobrevivir si la IA produce la mayoría de las nuevas demostraciones?
La cantidad de literatura puede, por supuesto, seguir creciendo. La cuestión pendiente es si una comunidad académica humana fuerte puede seguir comprendiendo, enseñando, organizando y valorando estos materiales, en lugar de convertirse en consumidores pasivos de resultados generados por máquinas.
¿Qué habilidades serán más necesarias para los futuros matemáticos?
La verificación, la selección de problemas, la explicación, la síntesis, la formalización, la atribución histórica y la enseñanza podrían volverse más importantes. Sin embargo, la IA también puede seguir progresando en estas tareas, por lo que mantener las matemáticas como una comunidad humana significativa requerirá decisiones institucionales y culturales, no solo nuevas habilidades técnicas.
Herramientas relacionadas
- Lean: Demostrador interactivo de teoremas y lenguaje de programación para crear pruebas matemáticas verificables por máquina.
- Mathlib: Biblioteca de matemáticas formalizadas, grande y mantenida por la comunidad, para Lean.
- Aristotle: Agente de Harmonic que demuestra y formaliza matemáticas en Lean durante largos periodos.
- Erdős Problems: Base de datos comunitaria que rastrea más de mil problemas relacionados con Paul Erdős.
- arXiv: Principal plataforma de prepublicaciones abiertas para la difusión de la investigación matemática actual.
Enlaces relacionados
- Timothy Gowers: Reflexiones sobre la Declaración de Leiden: Exposición completa de Gowers sobre la cultura matemática, la autoría, la producción de IA y la declaración.
- Declaración de Leiden sobre IA y Matemáticas: Declaración oficial, recomendaciones, respaldos y lista de firmantes.
- Terence Tao: Matemáticas en la era de la IA: Charla de Tao en el Congreso Internacional de Matemáticos de 2026, que abarca verificación, explicación, aceptación comunitaria, educación y valores matemáticos.
- Anuncio de OpenAI sobre el problema de distancias unitarias: Reportaje oficial de OpenAI sobre el avance de su modelo en geometría discreta.
- Comentario con verificación humana del resultado de distancias unitarias: Artículo complementario que explica y evalúa la demostración generada por IA.
- Timothy Gowers: Experiencia con ChatGPT 5.5 Pro: Relato técnico de Gowers sobre resultados combinatorios generados por IA.
- Peter Woit: ¿Elegía por un campo?: Comentario sobre Zimmermann, OpenAI y los cambios culturales en la investigación matemática.
Resumen
La inteligencia artificial está impactando las matemáticas profesionales en múltiples niveles: resolución de problemas, generación de demostraciones, verificación formal, explicación, formación, atribución de autoría y desarrollo profesional académico.
La advertencia central de Gowers no es que las máquinas bloqueen el avance matemático, sino que pueden producir una cantidad tan masiva de resultados correctos que la comunidad humana pierda la voluntad y la capacidad de comprenderlos colectivamente.
La Declaración de Leiden, la charla de Terence Tao en el ICM, el avance de OpenAI sobre el problema de distancias unitarias y el auge de la formalización automatizada indican que las matemáticas necesitan urgentemente nuevos sistemas de verificación, explicación, educación y juicio comunitario.
El futuro de las matemáticas no depende solo de cuántos teoremas pueda demostrar la IA, sino de si los humanos pueden convertir esos teoremas en conocimiento compartido.