Terence Tao: La IA que resuelve problemas demasiado rápido podría "envenenar" las matemáticas
Terence Tao es el tipo de matemático que ha pasado años probando silenciosamente nuevas herramientas de inteligencia artificial y elogiando abiertamente las buenas. Pero después del lanzamiento del GPT-6 Astra, escribió algo que pocas personas esperaban de él: si las redes neuronales comienzan a dar respuestas a los grandes problemas abiertos demasiado rápido y sin un proceso transparente, las matemáticas podrían perder más de lo que ganan. El detonante fue un resultado concreto: el nuevo modelo de OpenAI afirmó haber progresado en el problema de los primos gemelos.
Primero, los hechos. GPT-6 Astra, según OpenAI, utilizó pruebas formales en Lean para reducir el límite superior de la brecha entre números primos consecutivos de 246 a 186. Para escalar: en 2013, Yitang Zhang demostró que hay infinitos pares de números primos separados por no más de 70 millones. James Maynard, que ganó la medalla Fields en 2022, redujo ese límite a 600, y luego la comunidad lo redujo a 246. Ahora, tres laboratorios informaron nuevos números a la vez: OpenAI en 186, Anthropic en 188, Axiom en 212.
En la superficie, motivo de celebración. Tao vio algo más: una señal de advertencia.
La respuesta no es la parte más valiosa.
El punto central de Tao suena casi paradójico: un gran problema abierto es valioso no por su respuesta sino por el camino hacia ella. Cuando los matemáticos luchan contra un problema durante años, inventan nuevos métodos, conceptos y teorías completas a lo largo del camino, y esos "subproductos" son los que realmente hacen avanzar la ciencia. Incluso los callejones sin salida son útiles: comprender por qué falló un enfoque a menudo es más importante que encontrar la solución.
Ahora imagina que la respuesta proviene de una red neuronal. Rápido, una caja negra, no se muestran pasos intermedios. El problema está formalmente resuelto, pero el proceso que se suponía generaría nuevas ideas nunca ocurrió. Tao llama a esto el problema "contaminante": deja de ser fuente de futuros descubrimientos.
El ejemplo de Navier-Stokes
Tao desarrolla su argumento en un caso concreto: el problema de regularidad global de las ecuaciones de Navier-Stokes, uno de los siete problemas del Premio del Milenio. Los matemáticos ya están bastante seguros de que la respuesta es negativa: existen condiciones iniciales en las que la solución "explota" en un tiempo finito. Incluso se ha esbozado un plan de cuatro pasos, desde la construcción de una solución autosemejante aproximada hasta la verificación de su estabilidad.
El problema es que cada paso es brutalmente difícil para un ser humano, pero encaja perfectamente en una línea de montaje de "aprendizaje automático + aritmética rigurosa + pruebas formales". Tao admite que un híbrido de este tipo podría realmente resolver el problema. Y aquí está el problema: si la solución resulta tan compleja que ningún ser humano puede comprenderla, y la empresa que ejecuta la IA oculta todo el proceso a puerta cerrada, las matemáticas reciben una casilla de verificación pero no aprenden casi nada.
Por qué esto importa más allá de los matemáticos
La lógica del Tao es más amplia de lo que parece. Se aplica a cualquier campo donde se crea valor en el proceso, no en la respuesta final. Si la IA comienza a producir instantáneamente soluciones "correctas" y la gente deja de recorrer el camino del ensayo y error, corremos el riesgo de perder no velocidad sino comprensión. Tao lo dice sin rodeos: en el peor de los casos, la influencia de la IA en las matemáticas podría pasar de positiva a negativa.
No está en contra de la IA en la ciencia; ni mucho menos, es uno de sus usuarios más activos. Lo que le preocupa es un escenario específico: un sistema autónomo que hace girar todo el ciclo "hipótesis-prueba-rechazo" dentro de sí mismo, en un enorme cómputo, y entrega sólo la respuesta final. Sin rastros, sin borradores, sin manera de aprender de sus errores.
¿Qué viene después?
Por ahora esto es una advertencia, no un veredicto. GPT-6 Astra redujo el límite a 186, pero la conjetura de los primos gemelos en sí (que hay infinitos pares de este tipo) sigue sin demostrarse. Este es un resultado intermedio, aunque notable. La pregunta que plantea Tao es más profunda: cómo hacer que la IA acelere la ciencia sin vaciarla. Todavía no tiene respuesta y, sinceramente, nadie más tampoco.
Fuente: 量子位 (QbitAI): 陶哲轩吐槽GPT-6孪生素数新突破.