La IA como matemática: Cómo un modelo de OpenAI refutó una conjetura central en la geometría discreta
#Introducción
Como ingenieros de software, nos hemos acostumbrado a usar modelos de IA como potentes calculadoras, asistentes de autocompletado de código y sintetizadores de datos. Refactorizan nuestro código legacy, escriben nuestras pruebas unitarias y, de vez en cuando, alucinan con alguna librería que no existe. Pero un anuncio reciente de OpenAI ha cambiado el paradigma por completo: un modelo de IA ha logrado refutar una conjetura central de hace 80 años en la geometría discreta.
No se trata del típico caso de una computadora usando fuerza bruta sistemática para ganar una partida de ajedrez o calcular los dígitos de Pi. Por el contrario, un modelo de razonamiento de propósito general generó de forma autónoma una demostración matemática novedosa y altamente creativa que conectó campos de las matemáticas totalmente dispares. Es un punto de inflexión que redefine los límites de la inteligencia artificial: pasa de ser una herramienta de replicación a un motor de puro descubrimiento científico.
#Qué fue lo que pasó
El 20 de mayo de 2026, OpenAI reveló que uno de sus modelos de razonamiento interno resolvió con éxito el problema de las distancias unitarias.
Propuesto por primera vez por el legendario matemático Paul Erdős en 1946, el problema plantea una pregunta aparentemente sencilla: Si colocas $n$ puntos en un plano, ¿cuál es el número máximo de pares de puntos que pueden estar exactamente a una unidad de distancia entre sí?
Durante ocho décadas, el consenso matemático predominante (la conjetura central) era que las construcciones en cuadrícula eran esencialmente la configuración óptima. Basándose en esto, los matemáticos creían que la tasa de crecimiento de las distancias unitarias era un poco más que lineal, aproximadamente $n^{1+o(1)}$.
El modelo de OpenAI demostró que esta conjetura era completamente falsa. No se limitó a encontrar un caso límite aislado (edge case); demostró la existencia de una familia infinita de configuraciones de puntos que logran una mejora polinómica. Esto estableció un nuevo límite inferior estricto de $n^{1+\delta}$ (para una constante positiva fija $\delta$), rompiendo definitivamente con la suposición de 80 años.
#Límites históricos del problema de las distancias unitarias
| Época | Hito | Implicación para $n$ puntos | Método |
|---|---|---|---|
| 1946 | Erdős propone el problema | Límite inferior establecido mediante grafos hipercubos | Derivación manual |
| 1984 | Spencer, Szemerédi, Trotter | Límite superior de $O(n^{4/3})$ establecido | Lema de cruzamiento (Crossing Lemma) |
| Pre-2026 | Conjetura establecida | Se consideraba óptimo en $n^{1+o(1)}$ | Suposición de la cuadrícula |
| 2026 | Avance del modelo de OpenAI | Nuevo límite inferior de $n^{1.014}$ | Teoría algebraica de números |
#Por qué es importante
La importancia de este avance va mucho más allá de las fronteras académicas de la geometría discreta. Este evento representa la primera vez que un problema abierto destacado en un subcampo central de las matemáticas ha sido resuelto de manera totalmente autónoma por un sistema de IA de propósito general.
- Validación por expertos: La demostración no solo fue verificada computacionalmente; fue revisada por destacados matemáticos humanos. El ganador de la Medalla Fields, Tim Gowers, comentó que si un investigador humano hubiera enviado esta demostración a la prestigiosa revista Annals of Mathematics, habría recomendado su aceptación sin dudarlo.
- Cero sesgo humano: Debido a que los modelos de IA no están limitados por décadas de tradición académica, este modelo descartó la suposición predominante de la "cuadrícula" que había cegado a los matemáticos humanos durante generaciones.
- Un salto en capacidades: El modelo demostró su habilidad para formular lógica a largo plazo. No se limitó a predecir el siguiente token más probable en una secuencia, sino que construyó un teorema de múltiples etapas que requirió profundos saltos conceptuales.
#Implicaciones técnicas
Quizás el aspecto más fascinante de este logro es cómo el modelo resolvió el problema. No utilizó cálculos espaciales por fuerza bruta. En su lugar, aplicó conceptos altamente sofisticados de la teoría algebraica de números, aprovechando específicamente las torres infinitas de cuerpos de clases y la teoría de Golod-Shafarevich.
Al construir cuerpos numéricos con simetrías mucho más ricas que los enteros gaussianos utilizados en intentos humanos anteriores, el modelo tradujo un problema geométrico en uno algebraico, lo resolvió y luego tradujo los hallazgos de vuelta a la geometría.
Para entender el contraste entre la fuerza bruta computacional y el razonamiento teórico, considera cómo un ingeniero de software podría abordar ingenuamente la verificación de distancias unitarias en código frente a este avance analítico:
import itertools
import math
def count_unit_distances(points, tolerance=1e-9):
"""
A naive O(n^2) computational approach to count unit distances.
Historically, researchers relied on computational searches like this
for small values of n to guess patterns.
"""
count = 0
for p1, p2 in itertools.combinations(points, 2):
dist = math.hypot(p1[0] - p2[0], p1[1] - p2[1])
if abs(dist - 1.0) < tolerance:
count += 1
return count
# The AI completely bypassed this computational bottleneck.
# Instead of iterating through coordinates, it constructed infinite sets
# using Golod-Shafarevich theory, proving the bound analytically.
Este razonamiento cruzado entre dominios es exactamente lo que hacen los genios humanos cuando conectan conceptos algebraicos abstractos para resolver problemas de geometría espacial. Ver a una red neuronal ejecutar este mismo salto creativo sugiere que el espacio latente de estos modelos captura inherentemente la estructura fundamental de las matemáticas, en lugar de solo la sintaxis del lenguaje humano.
#¿Qué sigue?
Para la comunidad de desarrolladores en general, este avance es un presagio de lo que está por venir. Aquí en Ichiban Tools, monitoreamos de cerca cómo la IA está moldeando la experiencia del desarrollador. Las capacidades de razonamiento subyacentes demostradas por este modelo inevitablemente se filtrarán hacia nuestras herramientas de ingeniería de software.
Podemos esperar:
- Verificación formal avanzada: Herramientas que no solo escriban código, sino que demuestren matemáticamente que está libre de fugas de memoria (memory leaks), condiciones de carrera (race conditions) o vulnerabilidades de seguridad.
- Optimización algorítmica: Compiladores y agentes capaces de inventar algoritmos de ordenamiento, enrutamiento o compresión completamente nuevos, adaptados específicamente a un conjunto de datos dado.
- Refactorización autónoma: Sistemas que diseñen cambios estructurales profundos en grandes codebases al razonar sobre el grafo de dependencias subyacente, de manera similar a como este modelo razonó sobre las configuraciones de puntos.
#Conclusión
La resolución del problema de las distancias unitarias es un hito histórico. Un modelo de IA ha dejado de ser un autocompletado hiperavanzado para ponerse en los zapatos de un investigador autónomo. A medida que estos motores de razonamiento sigan escalando, ya no solo nos asistirán en la creación de software o en la resolución de ecuaciones: se convertirán en nuestros socios para expandir las fronteras del conocimiento humano.