✨︎ Resumen (TL;DR):
- Jeremy Avigad, matemático de Carnegie Mellon, propone valorar la comprensión de los resultados y el desarrollo de nuevas herramientas dentro de la investigación matemática.
- OpenAI anunció el 8 de septiembre una solución al problema de existencia y regularidad de Navier-Stokes y publicó su formalización en Lean.
- Las directrices elaboradas tras más de 600 respuestas piden explicar los resultados generados por IA, reconocer ideas previas y financiar esa labor.
Jeremy Avigad, matemático de Carnegie Mellon, propuso el 5 de octubre de 2026 replantear la investigación y la formación matemática ante los avances de la IA. En un ensayo publicado en el blog de Terence Tao, defiende valorar la comprensión de los resultados y el desarrollo de nuevas herramientas, mientras un grupo asesor pide financiar el trabajo necesario para entender las demostraciones generadas por sistemas de IA.
Avigad plantea abordar problemas más difíciles, formular preguntas más amplias y explorar nuevos usos para las herramientas disponibles. Para él, desarrollar automatización simbólica o entrenar una red neuronal también puede constituir una aportación matemática.
Su propuesta también pide acompañar a estudiantes e investigadores jóvenes mientras cambia la profesión. La comprensión de un resultado y el reconocimiento de las ideas previas forman parte de la discusión, junto con la capacidad de producir una demostración.
Su intervención llegó después de que OpenAI anunciara el 8 de septiembre una solución al problema de existencia y regularidad de Navier-Stokes. La empresa afirma que su sistema mostró cómo un fluido inicialmente en reposo, sometido a una fuerza externa suave, puede desarrollar una singularidad en tiempo finito. En ese modelo, la velocidad crece sin límite.
OpenAI publicó una exposición del argumento y su formalización en Lean.
Lean comprueba la lógica de una demostración
Lean es un lenguaje formal que permite escribir y verificar demostraciones matemáticas. Su documentación distingue entre encontrar una prueba y comprobarla: cada paso debe justificarse con definiciones, resultados anteriores y axiomas.
Los objetos de prueba completos pueden compartirse y someterse a una comprobación independiente. Ese proceso verifica una afirmación expresada con precisión, pero la autoría científica añade la responsabilidad de comprender el argumento y reconocer las ideas previas.
La presión llega a las carreras académicas
Jordana Cepelewicz recogió estas inquietudes en una columna de Quanta Magazine publicada el 5 de octubre. La periodista relató que una charla de Ken Ono en Berkeley, celebrada el 10 de septiembre, reunió a unas 150 personas.
La sesión estaba prevista para 50 minutos, pero superó las dos horas por las preguntas y objeciones del público. La conversación expuso una preocupación concreta sobre las carreras académicas evaluadas por los teoremas que cada investigador logra demostrar.
Cepelewicz también describió cambios de conducta: publicar trabajos antes de terminarlos o retirar posibles líneas de investigación por temor a que otras personas las resuelvan con IA.
“El equilibrio existente se ha roto”, dijo a Quanta el matemático Daniel Litt, de la Universidad de Toronto.
Qué piden las directrices para publicar resultados
El Advisory Group on Mathematics and Artificial Intelligence publicó el 29 de septiembre recomendaciones elaboradas tras recibir más de 600 respuestas. El documento distingue los trabajos que una persona entiende por completo de aquellos cuyo argumento todavía no comprende la persona que pidió generarlo.
Para los primeros casos, propone:
- publicar un manuscrito preliminar, o preprint;
- someterlo a revisión por pares;
- explicarlo ante colegas.
Cuando quien solicitó el argumento todavía no lo comprende, las directrices piden citar las ideas previas y preparar una exposición clara.
El grupo también pide que los laboratorios apoyen económicamente el trabajo necesario para comprender los resultados. Según la complejidad de cada caso, propone financiar talleres, colaboraciones prolongadas o textos explicativos.
Además, recomienda que instituciones independientes, sin fines de lucro y ya establecidas decidan cómo distribuir ese apoyo, mientras la comunidad matemática dirige el trabajo.
Las directrices son recomendaciones, no órdenes. La organización declara que carece de poder de decisión en los laboratorios: cada empresa conserva la responsabilidad sobre lo que publica y cómo lo hace.
La prueba formal permite comprobar una afirmación precisa. La comprensión del argumento, el crédito a las ideas previas y el financiamiento para explicarlo siguen pendientes dentro de la propia profesión.
