La inteligencia artificial está acelerando la resolución de problemas matemáticos, pero la cantidad de demostraciones generadas comienza a superar la capacidad de los investigadores de examinarlas, explicarlas e incorporarlas al conocimiento científico. La advertencia es de Terence Tao, ganador de la Medalla Fields y profesor de la Universidad de California en Los Ángeles (UCLA), en una entrevista publicada por The New York Times el 16 de octubre.

Para Tao, el problema no está solo en verificar si una demostración es correcta. Un descubrimiento matemático también debe comprenderse, discutirse con otros especialistas y relacionarse con resultados anteriores. Una prueba válida no se convierte automáticamente en conocimiento útil para la comunidad científica.

Tradicionalmente, los investigadores dedicaban años a resolver problemas y, durante ese proceso, desarrollaban métodos, interpretaciones y conexiones que podían orientar trabajos posteriores. Con sistemas de IA capaces de producir demostraciones a gran escala, esas etapas empezaron a avanzar a velocidades diferentes.

El resultado es una acumulación de investigaciones que exigen trabajo humano adicional para volverse comprensibles. Tao cuestiona especialmente situaciones en las que empresas presentan resultados generados por IA sin poner a disposición investigadores preparados para explicarlos, responder dudas o participar en las discusiones académicas necesarias.

El cambio también amenaza la trayectoria de los jóvenes matemáticos. Proyectos desarrollados durante años pueden perder su originalidad tras la publicación de resultados similares por sistemas de IA, lo que compromete las oportunidades de reconocimiento y progresión académica. Para los investigadores al inicio de su carrera, el impacto puede ser especialmente difícil de asimilar.

La comunidad empieza a debatir nuevas reglas para publicar investigaciones

La preocupación ya está provocando propuestas concretas de cambio en la publicación científica.

El 17 de octubre, el matemático Shaoming Guo divulgó en el blog de Tao una iniciativa para crear una revista académica con criterios distintos de los tradicionales. La propuesta establece que la comprensión de los resultados esté por encima de la prioridad de presentar primero una demostración.

Otro requisito previsto es la verificación formal de las demostraciones con Lean, una herramienta capaz de comprobar la consistencia lógica de las pruebas matemáticas. La combinación busca satisfacer dos necesidades distintas: garantizar el rigor de los resultados e incentivar explicaciones que permitan su utilización por otros investigadores.

El propio Tao defendió una reformulación más amplia de la actividad matemática durante una conferencia titulada Math 2.0, presentada en el Instituto de Tecnología de California (Caltech) el 9 de octubre. Su propuesta es que las herramientas de IA contribuyan no solo a resolver problemas, sino también a preservar la capacidad de la comunidad para desarrollar y transmitir conocimiento.

La postura de Tao no representa un rechazo a la inteligencia artificial. Él utiliza estas herramientas en sus propias investigaciones y reconoce su potencial para acelerar cálculos, consultar literatura científica y explorar enfoques matemáticos.

La divergencia está en qué debe considerarse un avance científico. Mientras las herramientas hacen que la producción de demostraciones sea cada vez más rápida, actividades como explicar métodos, formar nuevos investigadores y construir teorías siguen exigiendo atención.

Para Tao, la matemática debe adaptar sus criterios de reconocimiento a esta nueva realidad, evitando que la cantidad de problemas resueltos se vuelva más importante que la comprensión producida.

Sigue en Radar