AI can write proofs faster than science can trust themLa IA puede escribir demostraciones más rápido de lo que la ciencia puede confiar en ellas · V8.2 Master Engine

Los sistemas de IA reportan resolver hasta el 85 % de un benchmark corregido de matemáticas de frontera, pero el 42 % de sus problemas requirió correcciones y el desempeño sigue siendo desigual entre pruebas de investigación y la lectura cotidiana de relojes.

6 términos técnicos sostienen buena parte del argumento.

Empieza por la corrección, no por el hype. La propia clasificación de Clay todavía coloca 5 de los 7 problemas en la categoría de no resueltos. Navier-Stokes está activo, no aceptado, y la afirmación pública apenas tenía cinco días cuando se tomó esta instantánea.

La página de estado de Clay convierte el fondo en un balance contundente: $1 millón resuelto, $1 millón activo y $5 millones aún ligados a problemas clasificados como no resueltos.

El sistema de premios es lo bastante sencillo como para recordarlo. Hay 7 problemas y $1 millón asociado a cada uno. Pero el dinero depende de la aceptación institucional, no de un anuncio, así que el fondo promete reconocimiento, no funciona como marcador.

El calendario de Clay avanza deliberadamente más lento que un ciclo de prensa. Una solución propuesta debe superar una espera mínima de 2 años, mientras que la institución puede mantener privados los registros de decisión durante 50 años. Son reglas distintas, pero juntas explican por qué el anuncio de un avance no puede zanjar la cuestión del premio.

El retrato del líder de OpenAI acentúa la diferencia entre la autoridad pública y la verificación institucional.

Esta es la afirmación de velocidad que hace que la historia parezca distinta. OpenAI informa que alcanzó la construcción en 88 horas y luego dedicó 17 horas más a formalizarla en Lean. El límite importante es el alcance: el trabajo aborda las alternativas forzadas C y D, y la verificación automática no equivale a una aceptación institucional.

Los vórtices atmosféricos dan una escala física a la afirmación sobre Navier–Stokes mientras el relato delimita su alcance matemático.

La expresión «resolvió Navier-Stokes» oculta un límite crucial. OpenAI afirma abordar 2 de 4 alternativas oficiales, C y D, mediante una construcción con forzamiento suave. Las alternativas A y B, con datos suaves y sin fuerza externa, quedan fuera del resultado.

El trabajo en Navier-Stokes dominó la campaña reportada. Utilizó 130 mil millones de aproximadamente 300 mil millones tokens de salida y 2,7 millones de 4,9 millones mensajes. Estas cifras miden la escala de búsqueda, no la aceptación matemática.

Las campañas ocuparon regímenes computacionales radicalmente distintos: 31 millones de tokens para el avance de Riemann, 6.000 millones para la formalización de Fermat y 130.000 millones para la construcción propuesta de Navier-Stokes.

El retrato de Stokes sitúa un legado matemático humano junto a una campaña de IA de escala computacional industrial.

Los dos proyectos de Anthropic utilizaron cantidades radicalmente distintas de producción del modelo. La formalización de Fermat consumió aproximadamente 6 mil millones tokens, frente a 31 millones en el proyecto de Riemann. La verificación formal puede exigir más recursos computacionales que encontrar un argumento matemático prometedor.

La competencia no fue solo entre humanos y máquinas. Dos resultados formalizados relacionados aparecieron el mismo día, y el anuncio de OpenAI llegó aproximadamente 7 horas después. La auditoría encontró 2,3 millones líneas combinadas y ningún historial de desarrollo, lo que convierte la procedencia en parte del resultado mismo.

La distinción importante es entre progreso parcial y la resolución de un problema del milenio. Según informes, Claude movió el límite inferior demostrado de 41,6% a 67,2%. El argumento se extiende a funciones L primitivas de Dirichlet y fue verificado formalmente en Lean 4. Anthropic informa 31 millones de tokens de salida, 650 ideas iniciales, aproximadamente 60 subagentes, 2.400 comandos de shell y 54 artículos descargados.

Claude cerró 25,6 puntos porcentuales de la brecha numérica, pero quedan 32,8 puntos; esa aritmética no implica que la demostración esté completada en dos tercios.

El límite inferior reportado por Claude es un avance matemático importante. Sin embargo, el Problema del Milenio exige demostrar la afirmación para 100% de los ceros relevantes. La diferencia de 32,8 puntos no mide la dificultad restante, pero hace visible la brecha lógica.

Los primos dispersos hacen tangible la advertencia central porque una estructura visible no equivale a una demostración infinita.

Este logro se entiende mejor como formalización automatizada, no como un nuevo descubrimiento del último teorema de Fermat. La plataforma registró aproximadamente 30.300 enunciados, mientras que el árbol final de dependencias utilizó 29.511 teoremas que volvieron a verificarse. La ejecución tomó 11 días y consumió aproximadamente 6 mil millones tokens de salida. Según el relato proporcionado, los humanos solo aportaron el objetivo de una sola línea.

Las herramientas de dibujo presentan la formalización como un cambio en la forma de construir, conservar e inspeccionar el razonamiento matemático.

La cifra llamativa es cinco de diez intentos considerados probablemente correctos. Pero no fue un resultado final de aceptación. OpenAI reconoció después que su evaluación inicialmente preferida del Problema 2 era incorrecta. La lección es sencilla: la IA puede producir trabajo matemático prometedor más rápido de lo que la comunidad puede validarlo.

La mejora parece pequeña porque está dentro de un exponente. Su efecto crece con el tamaño del conjunto de puntos. Will Sawin refinó la construcción generada por IA para alcanzar n^1,014 pares para infinitos valores de n.

El modelo supera los resultados de los equipos humanos en esta comparación reportada, al alcanzar 40,3%. Pero esa cifra no marca la meta final. La evidencia proporcionada indica que 59,7% quedó sin resolver, y los denominadores podrían no coincidir entre las evaluaciones.

Las matemáticas de nivel investigador y el razonamiento visual cotidiano siguen siendo muy desiguales: la mejor IA en relojes queda 39,5 puntos porcentuales por debajo de los humanos.

El salto de capacidad es suficientemente real como para exigir atención. El desempeño reportado pasó de menos de 2% a 40,3%. Pero las versiones del benchmark y las configuraciones de evaluación cambiaron, así que esto es evidencia de un progreso rápido, no una trayectoria de laboratorio limpia.

La proporción de problemas corregidos fue ligeramente mayor que la puntuación líder anterior. El resultado posterior del 85 % pertenece a una prueba sustancialmente revisada, por lo que evidencia un progreso rápido, pero no una continuación limpia de la serie anterior.

El benchmark no se limitó a añadir modelos más potentes a una carrera sin cambios. Su actualización v2 corrigió errores en 42% de los problemas y definió un conjunto de datos de 338 problemas con niveles separados. Tras ese reinicio, GPT-5.5 lideró los niveles 1-3 con 85%, mientras que el co-matemático de IA de Google lideró el nivel 4 con 76%.

La evidencia v2 proporcionada no muestra un único campeón de FrontierMath. GPT-5.5 lideró los niveles 1-3 con 85%. El co-matemático de IA de Google lideró el nivel 4 con 76%, así que el ganador cambia según el nivel de los problemas.

Una puntuación de benchmark es tan sólida como el acceso a las pruebas que la sustenta. OpenAI tuvo acceso a 30 problemas del nivel 4, mientras que 20 quedaron reservados. El subconjunto público de la v2 era distinto: tenía 10 problemas centrales y solo 2 problemas del nivel 4. La puntuación reportada del nivel 4 fue de 31%, pero las condiciones de acceso fueron distintas.

Mantener problemas fuera de la evaluación convierte un benchmark en evidencia más sólida. OpenAI tuvo acceso a 30 de los 50 problemas del nivel 4. Los 20 restantes crean una prueba más limpia, aunque el acceso a los enunciados y a las soluciones siguió reglas distintas.

El público solo puede inspeccionar una pequeña parte de FrontierMath v2. El hub publicó 10 problemas de los niveles 1-3 y 2 del nivel 4. Por lo general, las demás cifras publicadas se refieren a conjuntos privados, lo que dificulta la reproducción independiente.

El benchmark no permaneció estático. Pasó de 119 problemas a 147, luego a 180 y 197, antes de llegar a 300 en febrero de 2025. Esa expansión importa porque una puntuación puede subir o bajar debido a la propia prueba, no solo al modelo.

Las puntuaciones de los modelos heredan la calidad de las preguntas en las que se basan. La tasa de preguntas inválidas revisada fue de 2% para MMLU Math y de 42% para GSM8K. Por lo tanto, la gobernanza del benchmark forma parte de la medición de capacidades, no es una simple tarea administrativa.

Esto no significa que un solo modelo haya resuelto siete problemas. First Proof combinó cuatro sistemas, 39 propuestas y aproximadamente 30 árbitros expertos. De los 10 problemas de investigación, siete recibieron al menos una solución aprobada. Lo destacable es la amplitud en el conjunto de problemas, mientras que la atribución a nivel de sistema sigue siendo independiente.

Los modelos públicos estándar no resolvieron ninguno de los 10 problemas de la evaluación preliminar bajo esas condiciones. Posteriormente, sistemas más potentes y entornos de pruebas de investigación produjeron soluciones aprobadas para 7 de 10 problemas. La comparación muestra cuánto importa el sistema de investigación que rodea al modelo.

La demostración formal ya superó ampliamente las demostraciones de juguete, pero su fortaleza no se resume en una sola cifra. Prover Agent reportó 86,1% en MiniF2F. En otro contexto, Lean Copilot automatizó 74,2% de los pasos de demostración, frente a 40,1% de AESOP. El éxito en un benchmark y la automatización dentro de una demostración son pruebas distintas.

Una demostración formal puede revelar exactamente qué supone. Los dos artefactos proporcionados reportan únicamente los 3 axiomas estándar de Lean. Eso aumenta la confianza en el argumento codificado, pero deja la interpretación, la atribución y la aceptación general en manos de las personas.

La diferencia entre un componente comprobado y un teorema completo es la lección clave. MerLean-Prover resolvió 10 de 23 teoremas de exámenes de doctorado, frente a 8 de OpenGauss. Pero el caso de Grasshopper verificó cuatro lemas auxiliares y dejó sin resolver una obligación de nivel superior. La comprobación formal fortalece la cadena, pero no elimina el último eslabón faltante.

MerLean-Prover resolvió 10 de los 23 teoremas del examen de doctorado. La línea base de código abierto publicada más fuerte resolvió 8. La mejora es significativa, pero la mayoría del benchmark siguió resistiéndose a ambos sistemas.

La formalización asistida por IA verificó correctamente cuatro lemas auxiliares. El teorema principal aún quedó cerrado con un único `sorry` sin resolver. Por lo tanto, una cadena de demostración puede parecer activa y correcta a nivel local, pero fallar en la única obligación que más importa.

Una demostración correcta no se convierte en ciencia consolidada en cuanto aparece. Poincaré planteó la pregunta en 1904. Perelman publicó trabajos decisivos en 2002 y 2003, el consenso llegó en 2006 y los apuntes de expertos completaron los detalles faltantes en 2008, antes del anuncio del premio de Clay en 2010. El resultado también fue más allá de Poincaré, al abarcar ocho geometrías en el teorema más amplio de geometrización.

El descubrimiento dominó la historia de un siglo, pero la validación aún consumió cuatro años hasta el consenso y otros cuatro hasta el reconocimiento institucional. Generar pruebas más rápido no elimina ese trabajo posterior.

Es un avance real, pero en una pregunta más acotada. El resultado más sólido eleva la cota inferior de ceros distintos a 83,62%. Eso sigue sin constituir una demostración universal de la hipótesis de Riemann, aunque el artefacto formal en Lean no utiliza hipótesis adicionales.

Dos demostraciones independientes de 2026 convergen en cotas de 83,33 % y 83,62 % para los ceros distintos. La comparación trata sobre si los ceros se repiten, no sobre el porcentaje separado que se sabe que está en la línea crítica.

La computación ha verificado los primeros 10.000.000.000.000 ceros relevantes. Todos pueden coincidir con la hipótesis sin demostrar qué ocurre a lo largo de una sucesión infinita. Anthropic también afirma que Claude no demostró la hipótesis de Riemann.

La encuesta refleja la opinión de los expertos, no una prueba. La mayoría de los encuestados esperaba que P fuera distinta de NP, pero una expectativa no puede resolver la cuestión. El problema también se resiste a la fuerza bruta y a toda una clase de estrategias de prueba relativizables.

Las cifras parecen inofensivas: elegir 100 estudiantes de un grupo de 400. El número de grupos posibles es mayor que el número estimado de átomos en el universo conocido. P versus NP pregunta si los métodos ingeniosos pueden evitar búsquedas que la fuerza bruta no puede terminar.

La asistencia computacional demostró rigurosamente la fórmula BSD para 16.714 curvas elegibles. La población definida contenía 16.725 curvas. Es una evidencia extraordinariamente amplia dentro de un rango, pero la conjetura del Milenio sigue siendo una afirmación general.

Los investigadores pudieron calcular cinco cantidades e inferir la sexta. En los 32 casos examinados, el resultado quedó cerca de una potencia entera de 2 y coincidió con la 2-torsión computable. La coincidencia perfecta en una muestra es evidencia sólida, no un teorema universal.

El resultado establece una cota inferior positiva para la brecha de masa en dos extremos de una red finita. La cota de acoplamiento fuerte es 0,3599, mientras que la de acoplamiento débil es 0,0516. El alcance importa: se trata de un preprint sobre una red finita, no de una solución completa del problema del Millennium Prize.

El ranking parece muy compacto, de 1.503 a 1.424. Pero la confianza científica se pone a prueba en otros ámbitos. La precisión de la IA al leer relojes llegó apenas a 50,6%, frente a 90,1% en el caso de los humanos, mientras que las revisiones de benchmarks detectaron preguntas inválidas y disputas de atribución en pruebas que avanzaron rápidamente. La capacidad, la confiabilidad y la procedencia deben avanzar juntas.

En la misma era tecnológica se obtuvo un desempeño de 35 puntos en la Olimpiada y una precisión de apenas 50,6% al leer relojes. Los humanos alcanzaron 90,1% en la tarea de los relojes. La capacidad de la IA no es una escalera en la que todas las habilidades mejoren al mismo tiempo.