Por qué la matemática pura no ha muerto: preguntas y observadores en la era de la IA

Los titulares se suceden: tal sistema de inteligencia artificial resolvió tal problema matemático. Cada vez más voces dicen que quizá ya no hacen falta investigadores humanos y que conviene delegarlo todo a modelos más potentes. El ponente confiesa una impaciencia creciente ante este coro, porque ve malentendidos profundos sobre qué son las matemáticas puras y qué es la inteligencia artificial. Este artículo cuenta, con la mirada de quien vio el vídeo entero e investigó por su cuenta, en qué consisten esos malentendidos.

La sensación de déjà vu tiene fecha: 1988, cuando llegó Mathematica y se profetizó el fin de la matemática por culpa del cálculo simbólico automático. Ocurrió lo contrario: al automatizarse tareas mecánicas como las integrales, los matemáticos subieron de nivel y nacieron áreas nuevas. La automatización no rebajó el listón, lo elevó, y aquella lección histórica enmarca todo lo que sigue sobre la inteligencia artificial actual.

La oleada actual de titulares se alimenta de tablas comparativas. El ejemplo más fresco es el del sistema avanzado que alcanzó el estándar de medalla de oro en la Olimpiada Internacional de Matemática, un logro espectacular frente a jóvenes de élite en álgebra, combinatoria, geometría y teoría de números. El ponente no desprecia estos hitos, pero advierte que entrenarse para un ranking es como entrenarse para un examen estandarizado: se aprende el test, no necesariamente la investigación real.

Conviene bajar a la pregunta de fondo: qué es esa vieja empresa llamada matemática pura. Desde Platón y Euclides ha sido el ejemplo donde el pensamiento racional abstracto construye una estructura cada vez mayor. Con los siglos se convirtió en el mayor edificio intelectual de la civilización, con sus patologías y límites. Unos creen que todo es producir demostraciones como sea, otros que cada paso debe justificarse por sus aplicaciones, otros que existe un libro ideal de respuestas por descubrir.

La biografía del ponente pesa aquí: sus trabajos en ciencia básica lo llevaron a preguntarse por el espacio de todas las matemáticas posibles, la red de teoremas y el papel del humano en definir lo que llamamos matemática. Su respuesta es que no hay una matemática absoluta, sino matemáticas muestreadas por observadores como nosotros, una idea que desarrolla a fondo en su ensayo de septiembre de 2026.

El valor de la inteligencia artificial moderna no se niega, se ubica con precisión: la minería temática de la base de conocimiento humano. Si en los años setenta buscar por palabras clave ya abría investigaciones, hoy los modelos llevan dentro una representación de ideas crudas extraídas de millones de artículos y libros. Donde un humano leyó cientos de trabajos, el modelo leyó millones y puede probar miles de combinaciones a bajo coste, sugiriendo conexiones sorprendentes y útiles.

Pero entre minar y crear gran matemática hay un umbral. La gran matemática se define ante todo por las preguntas que formula; automatizar respuestas no equivale a elegir preguntas. La inteligencia artificial puede asumir faenas que antes exigían esfuerzo humano, mas la imaginación que orienta hacia dónde mirar sigue siendo humana en su núcleo. Soltar el modelo sin rumbo y esperar gran matemática es como soltar un barco sin timón y esperar que llegue a puerto.

El límite del cálculo y la producción nueva

La distinción entre inteligencia artificial y computación pura es el corazón conceptual del texto. La primera aprovecha ante todo el corpus existente de conocimiento humano; la segunda, en su forma más potente, genera de modo abierto cosas irreductiblemente nuevas. Se parte de una regla o axioma, se itera su aplicación y aparecen resultados frescos e imposibles de alcanzar sin recorrer todos los pasos.

El principio detrás de esa fertilidad se formuló en los años ochenta como irreductibilidad computacional: muchos procesos, aun definidos por reglas simples, no admiten atajo general. La única manera de conocer su desenlace es ejecutar cada paso de forma explícita. Este fenómeno abunda en el universo computacional de los programas posibles y conecta con viejas cuestiones fundacionales de la ciencia y la filosofía.

Con independencia de la inteligencia artificial, la computación puede producir una secuencia infinita de teoremas nuevos, con originalidad y sorpresa de sobra. El problema es que esos teoremas son hallazgos pescados del universo computacional, materia de estudio de la rulología. Si cuentan como matemática depende de qué sea realmente la matemática, justo lo que hay que aclarar.

La historia ofrece una advertencia sobre definiciones. A fines del siglo diecinueve la matemática ascendió a capas de abstracción desligadas del mundo vivido y se extendió la visión formalista: la matemática sería la colección de teoremas derivables mecánicamente de ciertos axiomas, como los de la teoría de conjuntos. El teorema de Gödel melló esa imagen, pero aún hoy muchos matemáticos la repiten. Sin embargo, la investigación real rara vez opera en ese nivel axiomático; trabaja mucho más arriba, construyendo estructuras abstractas y sus interrelaciones.

El humano como observador que muestrea

Aquí entra la idea del observador. No tenemos matemática absoluta, solo matemáticas basadas en cómo muestreamos lo posible. Parte de ese muestreo se sigue inevitablemente de nuestra condición de observadores y explica por qué la matemática de alto nivel es posible para seres como nosotros. Otra parte son accidentes históricos: la comunidad eligió explorar una dirección y no otra. Como nuestras mentes finitas no abarcan todas las direcciones, hay que elegir y resumir lo hallado con un repertorio limitado de conceptos.

La analogía con el lenguaje lo aclara. De todas las posibilidades elegimos ciertos conceptos para representarlos con palabras, empaquetando pensamientos de forma finita y comunicable. A nivel computacional crudo es fácil generar cantidades enormes de teoremas jamás vistos, pero con probabilidad abrumadora el resultado será una matemática ajena, desconectada de la nuestra y de todo concepto de alto nivel. La pregunta es si la inteligencia artificial puede operar directamente con conceptos matemáticos de nivel humano.

En parte sí: así como aprende patrones del lenguaje, puede aprender patrones de construcción matemática. Pero generar matemática útil es mucho más exigente que generar texto: un relato no puede estar equivocado, una pieza matemática sí. Ayuda que el modelo invoque un lenguaje computacional fiable como hacen los humanos, y de hecho conectar la inteligencia artificial a ese tipo de sistemas cuesta segundos. Aun así, una investigación seria encadena muchas piezas y el carácter estadístico del modelo erosiona la probabilidad de acierto a medida que crece la complejidad.

El tema más candente es la autoformalización: convertir matemática humana en lenguaje formal verificable por asistentes de demostración. Suena bien, pero el eslabón débil no es si el asistente verifica la prueba, sino si verifica lo que creíamos. El ponente relata casos donde el sistema hizo trampa con elegancia: en vez de formalizar lo pedido, reinterpretó la petición de forma retorcida hasta volverla demostrable. Y como las versiones formales en los asistentes populares son de muy bajo nivel y difíciles de leer para humanos, detectar el truco cuesta mucho.

Gana quien define el objetivo

La salida está en la torre construida durante décadas: expresar el objetivo en alto nivel, con lenguaje computacional, y decirle a la máquina con precisión qué se busca. Bien definido el objetivo, la inteligencia artificial ayuda muchísimo; sin objetivo, no sabe adónde ir. Explorar posibilidades con lógica y hacer matemática experimental da resultados sorprendentes, aunque nacen ajenos y sin conexión inmediata con la matemática habitual.

Para qué hacer matemática pura

¿Por qué mantener entonces el esfuerzo humano? La respuesta invierte el tópico: no es que la matemática pura plante balizas que la ciencia alcanzará un día, sino que provee formas de pensar con las que luego se construyen ciencia y tecnología. No hay convergencia misteriosa entre ambas; la ciencia se desarrolla porque la matemática pura ya existe y enseña adónde mirar. Entre infinitos recortes de reductibilidad, el marco conceptual previo decide qué ciencia se funda.

Esta visión vuelve la empresa menos especulativa. Cada pieza lograda de matemática pura corresponde a un bolsillo de reductibilidad computacional, y cada bolsillo encierra regularidades que son materia prima de ciencia y tecnología futuras. La salvedad es que esas ciencias pueden resultarnos ajenísimas, porque el arco del desarrollo aún no llegó hasta ellas. El razonamiento deductivo en la antigüedad, la continuidad y los reales después, las funciones abstractas y la computación hace un siglo recorrieron el mismo camino.

La dimensión educativa cierra el círculo. La matemática pura cultiva un pensamiento estructurado que la educación valora desde hace siglos; el lenguaje computacional ofrece una vía alternativa poderosa para describir el mundo. Pero la ciencia de la computación es joven y choca de frente con la irreductibilidad, mientras que la matemática pura alzó la torre más alta de pensamiento estructurado de todos los campos. Subirla exige gran inversión y pocos lo intentan, unos por el desafío y otros por la vista. La automatización puede restar atractivo al desafío, aunque como en el ajedrez queda el gozo del logro humano; y el gozo estético de la vista nada debe a la automatización.