[TL;DR Selección diaria] Acabo de leer este mensaje, y mi primera reacción no fue “la IA otra vez ganó”, sino: probablemente sea hora de reorganizar completamente la mesa de la academia. Si un modelo realmente logra derribar supuestos de complejidad de casi 30 años, y además logra hacer mella en problemas tan difíciles como los de挂谷, suavizado local y teoría cuántica de campos en cuatro dimensiones, el foco ya no es solo “¿puede resolver problemas?”, sino: ¿está la humanidad preparada para asumir cantidades masivas de respuestas? 😏 El núcleo real de este artículo no son los tres logros en sí, sino un cambio aún más llamativo: la IA comienza a deslizarse desde “herramienta” hacia “cooperadora en investigación”, e incluso genera demostraciones antes de dejar a los humanos la tarea de “comprender, revisar y transformar el conocimiento”. 📌 Ciencias de la computación: ETH podría ser refutada, y el impacto va más allá de una sola hipótesis • OpenAI afirma haber desarrollado un algoritmo de tiempo subexponencial para problemas relacionados con 3-SAT, con complejidad de 2^{O(n/√log n)}, superando el límite de velocidad rechazado por la ETH. • La ETH, o hipótesis del tiempo exponencial, ha dominado la ciencia teórica de la computación durante casi 30 años. Centenares de artículos la han utilizado como base para derivar límites inferiores en algoritmos de grafos, bases de datos y biología computacional. • Lo más dramático es que entre los revisores externos se encuentran Russell Impagliazzo y Ramamohan Paturi, los propios creadores de la ETH, junto con el experto en teoría de la complejidad Ryan Williams. • El cronograma es extremadamente ajustado: el 16 de octubre se generó la refutación en lenguaje natural, el 17 de octubre se completó la formalización en Lean, y el 26 de octubre se hizo pública. En resumen, la velocidad con la que la IA produce demostraciones ya está haciendo que la revisión por pares parezca un intento de “perseguir precios altos”. 📌 Matemáticas: De la conjetura de Kakeya en cuatro dimensiones a “todas las dimensiones”, la IA busca un enfoque unificado • OpenAI no solo abordó el problema de Kakeya, sino que partió de la conjetura de suavizado local propuesta en 1991 y afirma haber demostrado el resultado en todas las dimensiones. • Según su explicación, el modelo utiliza una nueva ecuación diferencial parcial auxiliar para conectar el suavizado local, la conjetura de Kakeya y la conjetura de restricción de Stein en una sola línea. • Esto contrasta con las 722 manuscritos matemáticos anteriores, que se centraban en “una dimensión específica” o “un caso particular”. Esta vez parece más bien como si estuvieran construyendo un marco general, no realizando ataques puntuales. • El ritmo sigue siendo exagerado: el 18 de octubre se obtuvo la demostración, y el 19 de octubre ya se completó la formalización en Lean. Los matemáticos apenas habrán terminado su café cuando la IA ya haya empaquetado la versión para todas las dimensiones. 📌 Física: Lo más difícil no son las fórmulas, sino si la teoría puede existir rigurosamente • El tercer logro es aún más sólido: OpenAI afirma haber establecido una demostración rigurosa de existencia para teorías cuánticas de campos en cuatro dimensiones que incluyen QCD, así como parte de la existencia de teorías Yang–Mills puras. • Aquí hay que tener cuidado: existencia ≠ resolver el problema del milenio. La parte del “hueco de masa” en Yang–Mills no ha sido resuelta, así que no se adelanten a entregar premios. • Pero su peso sigue siendo enorme, porque no se trata de mejorar técnicas computacionales, sino de cuestionar: ¿pueden las teorías que usamos cotidianamente para describir el mundo microscópico ser construidas rigurosamente? • El equipo encargado de revisar también es impresionante: David Gross lidera el grupo, con Michael Douglas, Arthur Jaffe, Igor Klebanov y Nikita Nekrasov participando. Esta configuración ya no es “observar y ver”, sino una respuesta de emergencia académica de primer nivel. 📌 La verdadera gran noticia: OpenAI comienza a tratar las demostraciones generadas por IA como “datos de investigación primarios” • Este podría ser el punto más importante para reflexionar. OpenAI no presenta los resultados generados por IA como “conocimiento final”, sino como datos de investigación crudos (raw research data). • En otras palabras: la IA genera rápidamente; los humanos se encargan de verificar, explicar, reescribir, archivar e integrarlos dentro del sistema disciplinario. ¿No es como si tuviéramos un instrumento experimental ultra-productivo que primero expulsa resultados y luego obliga a toda la academia a reestructurar sus flujos de trabajo? • Esto también explica por qué los tres logros tienen tres formas distintas de publicación: matemáticas directamente públicas, ciencias computacionales con equipo de revisión público, física primero entregada a un grupo interno de expertos. • La pregunta es: si en el futuro la IA produce cientos de demostraciones前沿 por semana, ¿será aún la “descubrimiento” el recurso más escaso? ¿O será más bien la “verificación confiable” y la “capacidad de compresión del conocimiento”? 📌 Datos y detalles: no pierdas estas señales clave • A principios de octubre, OpenAI publicó 722 manuscritos matemáticos que cubren 372 familias de resultados y 17 áreas de investigación. • Tres de ellos fueron retirados posteriormente por errores simbólicos. Esto nos recuerda que aunque Lean es muy potente, no garantiza automáticamente la correspondencia semántica, la asignación correcta de proposiciones ni el juicio sobre valor académico. • OpenAI también se comprometió a apoyar revisiones independientes e invirtió 5 millones de dólares en el programa de la Fundación Simons para conferencias, seminarios y proyectos de investigación. • El dinero en sí no es lo más importante; lo crucial es que reconocen una nueva realidad: después de que la IA genere resultados, la infraestructura de verificación se convertirá en el nuevo cuello de botella del sistema científico. Mi opinión personal es sencilla. Esto no es una historia sobre “la IA reemplazando a los científicos”, al menos no todavía. Es más bien como si la IA hubiera industrializado el proceso de “producir posibles respuestas correctas”, mientras que el rol humano comienza a desplazarse hacia “definir problemas, evaluar credibilidad y extraer ideas transferibles”. Si este camino se confirma, los investigadores más poderosos del futuro no serán necesariamente los que calculan más rápido a mano, sino aquellos que mejor sepan colaborar con agentes inteligentes y extraer estructuras desde un bosque de demostraciones. Te lanzo esta pregunta: Si un agente inteligente genera teoremas y teorías más rápido que la mayoría de los académicos, ¿mantendrá el sistema actual de prestigio académico, publicación y revisión por pares su forma actual? #IA #OpenAI #Matemáticas #CienciasDeLaComputación #TeoríaCuánticaDeCampos #AgentFi