2026-11-04 · Fuente:虎嗅·中继

Li Xinyi: según los estándares del Instituto Clay, la IA quizá lo cuenta como solución, pero los humanos no han digerido en absoluto esos resultados
El mes pasado, OpenAI y Anthropic se enzarzaron en una competencia extrema: mientras una anunciaba haber resuelto una conjetura matemática enterrada durante un siglo, la otra lanzaba de inmediato la gran noticia de haber descifrado un problema del milenio, y las redes sociales cayeron en una fiesta de tráfico. Justo después de que titulares del tipo «OpenAI se marca otro problema del milenio» inundaran las pantallas, Li Xinyi, profesor asociado del Centro Internacional de Investigación Matemática de Pekín (BICMR) y egresado de la promoción de 2007 del Departamento de Matemáticas de la Universidad de Pekín, buscó activamente al periodista para sostener una conversación a fondo de más de treinta minutos. El núcleo de aquella charla no era cuestionar la capacidad matemática de la IA, sino señalar directamente que la forma en que se promocionan estos logros está causando un daño invisible a la propia disciplina matemática.
Su preocupación apunta a las tácticas de relaciones públicas de los grandes laboratorios: «Resolver estas conjeturas no son más que trofeos». En su opinión, el sentido último de un problema matemático no está en la conclusión en sí, sino en la larga travesía que forma generación tras generación de matemáticos humanos y que sedimenta una comprensión profunda. Se dice que OpenAI resolvió problemas divinos como la conjetura de Hodge o la conjetura BSD, pero para él ese «resolvió» debe ir entre comillas: según los estándares del Clay Mathematics Institute, la respuesta de la IA quizá cuente a duras penas como una solución en cierto sentido, pero produce una escisión de «resuelto, pero absolutamente no comprendido»: la humanidad no ha digerido en absoluto los contraejemplos ni los resultados que la IA ha entregado.
Quienes están fuera del sector pueden dificultarmente percibir esa escisión. En la historia de las matemáticas, el proceso de demostración de una conjetura suele ser más valioso que la conclusión: las nuevas herramientas y ramas surgidas durante la demostración acaban sosteniendo, décadas más tarde, la física, la criptografía y el cálculo ingenieril. Si la IA «entrega la respuesta» directamente y el proceso queda comprimido en un comunicado, los humanos solo obtienen el cascarón vacío de la conclusión. Por eso describe estas conjeturas como «trofeos de rankings»: son más bien benchmarks de la carrera de los grandes modelos, destinados a exhibir la curva de capacidades del modelo, no a servir a la acumulación de conocimiento de la comunidad matemática.
El daño de la campaña de publicidad es aún más directo. Li Xinyi señala que la narrativa omnipresente de «la IA conquista las matemáticas» ha espantado a jóvenes que originalmente querían estudiar matemáticas: si los modelos resuelven en segundos las conjeturas más importantes, ¿qué sentido tiene estudiar diez años con esfuerzo? Al mismo tiempo, engaña a quienes controlan las decisiones presupuestarias: cuando los recursos se orientan por la publicidad hacia la fantasía de que «las máquinas pueden reemplazar la demostración», la inversión a largo plazo en formar matemáticos de carne y hueso puede quedar subestimada.
Como si la historia hubiera conspirado, el día siguiente al final de la conversación, 25 ganadores de la Medalla Fields, entre ellos Terence Tao, publicaron una carta abierta cuya tesis coincide con la de aquella charla: la matemática sigue necesitando personas vivas, y hay que apoyar a los matemáticos humanos con la misma intensidad. Li Xinyi subraya que los métodos concretos y los criterios de evaluación pueden cambiar, pero no criticar la prosperidad ficticia es empujar hacia un futuro pésimo. Dicho de otro modo, el problema no es que la IA sea demasiado fuerte, sino que el relato social simplifica «la IA es fuerte» en «las personas ya no son necesarias».
También mencionó un caso real que acaba de ocurrir a su alrededor: un investigador posdoctoral de su equipo llevaba mucho tiempo atascado en una conjetura poco conocida y solía apoyarse en una versión temprana de prueba interna de los grandes modelos de la era GPT-5.x, discutiendo con la IA mientras desarrollaba sus propias ideas. El caso es muy simbólico: el mejor uso de la IA no es dar la versión final en lugar del humano, sino servir como sparring de reflexión. El tema de esta conversación es precisamente este: la IA absorbe la esencia de la inteligencia humana, pero quiere destruir al colectivo que produce esa esencia.
Desde la perspectiva del comprador de cómputo de IA, este debate también ofrece una lección en materia de compras. Los resultados matemáticos de los grandes modelos en los rankings suelen interpretarse como la señal de «cuanto más fuerte el modelo, más GPUs conviene acumular», pero lo que el comprador realmente debe evaluar es la verificabilidad y la explicabilidad del modelo en su propia cadena de negocio: así como el mundo matemático necesita «comprender» y no «resolver», las empresas necesitan resultados de razonamiento auditables y reproducibles, no respuestas de caja negra imposibles de digerir. Al planificar el presupuesto para modelos de razonamiento de frontera, conviene imitar la contención del mundo matemático: en vez de perseguir trofeos de rankings, mejor dirigir el cómputo hacia escenarios que las personas puedan digerir y convertir en capacidad organizativa.
De paso, un dato de mercado de cómputo relacionado con este artículo: actualmente no hay precios publicados a la venta para ese modelo. Para los compradores atentos a las GPUs de razonamiento de gama alta, esta señal indica que dichos recursos de cómputo circulan de forma limitada en el mercado de contado, y las decisiones de compra deberían volver a la evaluación de las cargas de trabajo reales y de las necesidades de verificación, en vez de dejarse arrastrar por el calor publicitario.
Volvamos a la advertencia central de Li Xinyi: la relación entre la IA y los matemáticos humanos depende, en última instancia, del relato que elijamos. Si solo contamos la historia del «trofeo», los jóvenes abandonarán las matemáticas y los presupuestos se desviarán de la tarea de formar personas; si situamos a la IA como una herramienta para expandir la comprensión, puede convertirse en la palanca de la próxima generación de matemáticos. Lo mismo vale para el mundo matemático que para la industria del cómputo: lo verdaderamente escaso nunca han sido las conclusiones, sino la capacidad de digerirlas.
P: ¿Cuál es la valoración de Li Xinyi sobre la «solución» de OpenAI a las conjeturas de Hodge y BSD?
R: Considera que esa «solución» debe ir entre comillas: según los estándares del Clay Mathematics Institute, la respuesta de la IA quizá cuente a duras penas como solución en cierto sentido, pero genera la escisión de «resuelto, pero absolutamente no comprendido», y la humanidad no ha digerido en absoluto esos resultados.
P: ¿Qué gesto de respuesta hubo del mundo matemático tras esta conversación?
R: Al día siguiente del final de la charla, 25 ganadores de la Medalla Fields, entre ellos Terence Tao, publicaron una carta abierta que sostiene que la matemática sigue necesitando personas vivas y que hay que apoyar a los matemáticos humanos con la misma intensidad.
Etiquetas: OpenAI · Anthropic · GPT-5 · Li Xinyi · Terence Tao · AI Mathematics
萬安算交所 AIXX · AIXX · Exchange verificado · Ir al mercado