Durante décadas, las matemáticas de alto nivel fueron consideradas el último bastión humano frente a las máquinas. La intuición, la creatividad abstracta y la capacidad de construir demostraciones formales parecían habilidades exclusivamente humanas. En 2025 y lo que va de 2026, esa frontera se ha difuminado de manera considerable. Según un reciente artículo de Quanta Magazine, la revolución de la inteligencia artificial en las matemáticas ya ha llegado, y sus implicaciones van mucho más allá de resolver ejercicios de cálculo.
De los problemas olímpicos a los teoremas de investigación
El hito más visible ocurrió cuando AlphaProof y AlphaGeometry 2, dos sistemas desarrollados por Google DeepMind, lograron resolver cuatro de los seis problemas de la Olimpiada Internacional de Matemáticas de 2024, alcanzando una puntuación equivalente a una medalla de plata. Para entender la magnitud de esto: estos problemas están diseñados para desafiar a los estudiantes más brillantes del planeta, y muchos profesores universitarios no podrían resolverlos sin preparación previa.
Pero el verdadero avance no está en las competiciones. Está en la investigación matemática de frontera. Sistemas basados en el asistente de demostración formal Lean 4, combinados con modelos de lenguaje de gran escala, han comenzado a contribuir de forma genuina a áreas como la teoría de números, la combinatoria y la geometría algebraica. El proyecto Polymath colaborativo, que históricamente reunía a decenas de matemáticos humanos para atacar problemas abiertos, ahora tiene un equivalente parcialmente automatizado.
¿Cómo funciona realmente?
La arquitectura detrás de estos avances combina dos enfoques distintos. Por un lado, los modelos de lenguaje como GPT-4o o Gemini Ultra tienen una capacidad notable para razonar en lenguaje natural sobre conceptos matemáticos, generar estrategias de ataque a un problema y proponer pasos intermedios. Por otro lado, los verificadores formales como Lean, Coq o Isabelle garantizan que cada paso lógico sea correcto de manera rigurosa, eliminando los errores que a veces se cuelan en las demostraciones humanas.
La combinación es poderosa: el modelo de lenguaje actúa como el matemático creativo que propone caminos, y el verificador actúa como el revisor implacable que comprueba cada detalle. En la práctica, esto significa que el sistema puede explorar miles de rutas posibles hacia una demostración en el tiempo que un humano tardaría en considerar unas pocas.
El papel del aprendizaje por refuerzo
Un componente clave es el aprendizaje por refuerzo. Los modelos son entrenados no solo con texto matemático existente, sino recompensados cada vez que producen una demostración válida verificada formalmente. Esto crea un bucle de retroalimentación que mejora la capacidad de razonamiento de forma acumulativa. AlphaProof, por ejemplo, generó millones de demostraciones sintéticas en Lean durante su entrenamiento, construyendo una intuición matemática que no depende de haber «leído» matemáticas humanas.
Implicaciones para la ciencia y la investigación
Las consecuencias de este progreso son profundas. En primer lugar, la verificación formal podría convertirse en el estándar de publicación matemática. Si un sistema puede comprobar automáticamente que una demostración es correcta, los errores sutiles que han pasado décadas sin ser detectados en la literatura podrían eliminarse sistemáticamente. Se estima que alrededor del 5% de los artículos matemáticos publicados contienen errores no triviales.
En segundo lugar, la IA podría democratizar el acceso a las matemáticas avanzadas. Un investigador en una universidad con pocos recursos podría utilizar estas herramientas para explorar conjeturas que antes requerían colaboraciones internacionales costosas.
Sin embargo, también hay preguntas abiertas importantes. ¿Comprende realmente la IA las matemáticas, o simplemente manipula símbolos de forma sofisticada? Matemáticos como Terence Tao han señalado que estas herramientas son extraordinariamente útiles como asistentes, pero que la chispa original de identificar el problema correcto que vale la pena resolver sigue siendo humana. La conjetura de Riemann, uno de los problemas del milenio con un premio de un millón de dólares, sigue sin resolverse, y nadie espera que caiga en los próximos meses.
El futuro: colaboración, no sustitución
El escenario más probable no es el de una IA que reemplaza a los matemáticos, sino el de una simbiosis productiva. Herramientas como Lean Copilot, que sugiere los siguientes pasos en una demostración interactiva, ya están siendo adoptadas por grupos de investigación en el MIT, ETH Zurich y el Instituto de Ciencias Matemáticas de Madrid. Los matemáticos que aprendan a trabajar con estos sistemas tendrán una ventaja competitiva sustancial.
Lo que está claro es que las matemáticas, esa disciplina que muchos consideraban inmune a la automatización, están siendo transformadas. No de golpe, no de forma apocalíptica, sino pieza a pieza, demostración a demostración.
