IA en Matemáticas
Por qué las matemáticas son el "test de verdad" de la IA
En matemáticas no basta con parecer convincente: una solución es correcta o no lo es. Por eso este campo es un buen punto de partida para entender cómo está evolucionando la IA, incluso si no eres matemático.
De resolver problemas a abrir nuevas fronteras
Una forma simple de ver el progreso:
- En un extremo, la IA ya resuelve problemas difíciles que la mayoría de personas no podría resolver a mano —incluyendo problemas de olimpiada matemática de nivel mundial.
- En el otro extremo, esas mismas capacidades de razonamiento se empiezan a usar para explorar hipótesis y acelerar descubrimientos en ciencia.
La clave no es magia: es combinar un generador creativo (un modelo de lenguaje que propone ideas) con un verificador estricto (un motor simbólico que confirma o rechaza cada paso). El generador propone; el verificador decide. Juntos hacen algo que ninguno de los dos lograría solo.
El ejemplo más concreto: geometría de olimpiada
DeepMind publicó en 2024 AlphaGeometry, un sistema formado por dos piezas: un modelo neuronal que propone construcciones geométricas auxiliares (los pasos que un matemático añadiría para «ver» la demostración) y un motor de deducción simbólica que comprueba si cada paso es lógicamente válido.
En una batería de 30 problemas de geometría olímpica, el sistema resolvió 25 dentro del tiempo estándar de competición —un resultado comparable al del medallista de oro humano promedio en esos mismos problemas. Las soluciones no son aproximaciones: tienen estructura verificable por máquina.
- Anuncio oficial AlphaGeometry: https://deepmind.google/discover/blog/alphageometry-an-olympiad-level-ai-system-for-geometry/
- Paper en Nature: https://www.nature.com/articles/s41586-023-06747-5
- Código original AlphaGeometry: https://github.com/google-deepmind/alphageometry
Posteriormente llegó AlphaGeometry2, que amplió el rango de problemas abordables, subió la tasa de resolución y fue publicado en el Journal of Machine Learning Research (JMLR) con código público para reproducir partes del sistema.
- Paper JMLR AlphaGeometry2: https://www.jmlr.org/papers/v26/25-1654.html
- Repositorio oficial AlphaGeometry2: https://github.com/google-deepmind/alphageometry2
¿Y OpenAI en 2025?
OpenAI también publicó en 2025 avances centrados en razonamiento y resolución de problemas de varios pasos, con resultados oficiales en benchmarks matemáticos como el AIME (una competición de matemáticas de nivel preuniversitario avanzado). La tendencia es clara: el patrón generador + verificador se está extendiendo más allá de un único equipo o sistema.
- Anuncio OpenAI o3 / o4-mini (abril 2025): https://openai.com/index/introducing-o3-and-o4-mini/
- Anuncio GPT-5 (agosto 2025): https://openai.com/index/introducing-gpt-5/
- Índice de investigación OpenAI: https://openai.com/research
Lo que enseña más allá de las matemáticas
La historia no es «la IA ya lo sabe todo». La historia es que la IA está pasando de responder preguntas a trabajar con métodos comprobables. Cuando hay verificación real, la confianza sube y los resultados empiezan a ser útiles en entornos exigentes:
- Matemáticas: motores simbólicos y asistentes de demostración.
- Código: compiladores, tests y revisión humana.
- Medicina: validación clínica, controles regulatorios y firma humana.
Lección Minermont: generar es barato; verificar lo es todo.