Una IA refuta a Erdős: por qué este resultado sí le importa a la ciencia

En las últimas semanas, la intersección entre inteligencia artificial y matemáticas avanzadas dejó un resultado que vale la pena mirar de cerca: un modelo de razonamiento refutó una conjetura geométrica que llevaba casi ochenta años abierta. Más allá de la proeza técnica, el episodio sugiere algo concreto sobre estos sistemas: pueden pasar de asistir en redacción o programación a proponer conocimiento matemático original.

Quién fue Paul Erdős

Erdős (Budapest, 1913 a Varsovia, 1996) fue uno de los matemáticos más prolíficos de la historia: publicó alrededor de 1,500 artículos con más de 500 colaboradores, un récord que dio origen al célebre "número de Erdős", la distancia de coautoría que separa a cualquier matemático de él. No tuvo hogar fijo ni puesto permanente: viajaba de universidad en universidad con una maleta y, al llegar a casa de un colega, anunciaba "mi cerebro está abierto", listo para trabajar.

Ilustración de Paul Erdős (1913-1996), uno de los matemáticos más prolíficos del siglo XX, frente al pizarrón.

Trabajó en teoría de números, combinatoria, teoría de grafos y probabilidad, y fue pionero del "método probabilístico". Ofrecía recompensas en efectivo por los problemas que planteaba y hablaba de "El Libro", un volumen imaginario donde Dios guarda las demostraciones más elegantes. Se le atribuye incluso la definición del matemático como "una máquina de convertir café en teoremas". Esa obsesión por las ideas bellas y por colaborar es justo el terreno donde hoy entra en escena un modelo de IA.

El problema de las distancias unitarias de Paul Erdős

En 1946, Erdős planteó una pregunta aparentemente simple de geometría combinatoria: dado un conjunto de n puntos en un plano, ¿cuál es el número máximo de pares que pueden estar a una distancia exacta de 1 (distancia unitaria)? Llamemos u(n) a ese número máximo.

El corazón del problema es el enorme hueco entre esas dos cotas: nadie sabe cuál de las dos describe el comportamiento real de u(n) cuando n crece. La construcción en rejilla de Erdős fijó la cota inferior y, durante casi ocho décadas, se tomó como la mejor distribución posible: la conjetura apostaba a que ninguna configuración la superaría de forma sustancial, sin que nadie lograra probarlo ni desmentirlo de manera definitiva.

Visualización de un grafo de distancia unitaria (U_n) con múltiples anillos concéntricos estructurados radialmente, similar a la topología descubierta por el modelo de IA.

La refutación de la conjetura

OpenAI anunció que, con un modelo de razonamiento de propósito general, logró refutar la conjetura. El sistema no se limitó a hacer cálculos masivos: propuso una estructura de puntos completamente distinta (de carácter radial, basada en círculos concéntricos y anillos entrelazados) que supera el grado de conexión unitaria de la rejilla clásica de Erdős.

Lo más notable no fue la solución, sino el método: el sistema importó y adaptó por su cuenta herramientas del álgebra numérica para atacar un problema que pertenece a la geometría discreta. Conectar áreas matemáticas que suelen operar en silos es, justamente, un rasgo de los matemáticos humanos más hábiles.

"El resultado sugiere que algunos sistemas de IA ya pueden proponer ideas matemáticas originales y desarrollarlas hasta convertirlas en argumentos verificables."

(Arul Shankar, Teórico Numérico)

Verificación humana y refinamiento posterior

OpenAI publicó el resultado junto con una prueba y un documento de comentarios preparados y revisados por matemáticos externos. Esa capa de verificación importa: no se está pidiendo aceptar una respuesta de IA por autoridad del modelo, sino evaluar una construcción matemática que especialistas pueden revisar, refinar y discutir.

Un refinamiento posterior de Will Sawin hizo explícito un exponente positivo para la mejora sobre la cota esperada. En términos prácticos, esto fortalece la lectura del resultado: la IA no solo encontró una intuición sugerente, sino una familia infinita de configuraciones que cambia el panorama técnico del problema.

¿El fin del "loro estocástico"?

El episodio reabre el debate sobre las capacidades de estos modelos. El argumento que reduce a los grandes modelos de lenguaje (LLMs) a "loros estocásticos" o a un autocompletado sofisticado queda en entredicho: diseñar una topología geométrica inédita y enlazar disciplinas distintas no encaja bien con esa descripción. Conviene la cautela, ya que un resultado aislado no zanja una discusión filosófica, pero la frontera de lo que estos sistemas pueden hacer se movió, y vale la pena tomar nota.