Tres avances de la IA en matemáticas, informática y física: ¿estamos ante nuevos descubrimientos?

¿Puede una inteligencia artificial encontrar una respuesta que generaciones de científicos no han conseguido demostrar? La pregunta ha dejado de ser una hipótesis de ciencia ficción. El 26 de octubre de 2026, OpenAI anunció tres resultados producidos por sus modelos en matemáticas, informática teórica y física. Según la empresa, uno resuelve una conjetura importante del análisis matemático, otro refuta una hipótesis muy utilizada en teoría de la complejidad y el tercero presenta una prueba de existencia para determinadas teorías cuánticas de campos.

La noticia es importante, pero conviene leerla con cuidado. Un anuncio de investigación no equivale por sí solo a un descubrimiento aceptado por la comunidad científica. En este caso, además, los tres resultados se encuentran en fases distintas de publicación y revisión. La cuestión no es únicamente si una IA puede producir una demostración, sino cómo comprobarla, entenderla y determinar qué cambia realmente en el conocimiento científico.

Tres resultados anunciados en una misma semana

OpenAI publicó los resultados el 26 de octubre y describió un nuevo método para compartirlos: en lugar de presentar los manuscritos como descubrimientos cerrados, los considera materiales de investigación que necesitan examen, explicación y debate. La compañía ha pedido a expertos externos que coordinen grupos de trabajo para analizar cada resultado. Los detalles y el estado de publicación aparecen en el anuncio oficial de OpenAI.

Es importante distinguir entre lo que afirma la empresa y lo que ya se ha confirmado de forma independiente. Los resultados son extraordinarios si resisten el examen; en el momento de redactar este artículo, no deben presentarse los tres como hallazgos definitivamente aceptados por la comunidad. En un artículo anterior ya abordé los avances de la IA en problemas científicos; aquí nos centramos en estos tres anuncios concretos y en qué falta para validarlos.

1. Matemáticas: una conjetura sobre el comportamiento de las ondas

El primer resultado pertenece al análisis armónico, una rama de las matemáticas que estudia cómo representar y comprender fenómenos mediante ondas y frecuencias. La empresa afirma que sus modelos produjeron una demostración de la conjetura de suavizado local (*local smoothing conjecture*) en todas las dimensiones. Según la misma fuente, el resultado implica también versiones generales de las conjeturas de Kakeya y de restricción de Stein.

La conjetura de suavizado local, planteada por Christopher Sogge en 1991, trata de cómo se comportan las ondas cuando se concentran. De forma intuitiva, una onda puede alcanzar concentraciones extremas en momentos o configuraciones concretas, pero ese comportamiento no tiene por qué mantenerse durante todo el tiempo. El problema busca expresar con precisión matemática cuánto se puede concentrar una onda y cómo cambia ese comportamiento al observarla durante un intervalo.

Estas preguntas no son ejercicios aislados. Están conectadas con herramientas que aparecen en ecuaciones diferenciales, geometría y otras áreas del análisis. OpenAI explica que la demostración propuesta se apoya en una ecuación diferencial parcial auxiliar novedosa. La compañía indica que obtuvo la salida de la IA el 18 de octubre y que formalizó la prueba en Lean al día siguiente. Tanto la explicación en lenguaje matemático convencional como la formalización se han publicado para que otros investigadores puedan examinarlas.

La formalización es una parte relevante del anuncio, aunque no elimina la necesidad de entender el argumento ni de valorar su importancia. También habrá que comprobar el alcance exacto de las implicaciones anunciadas y cómo encaja la demostración en la literatura matemática existente.

2. Informática teórica: una hipótesis muy utilizada podría ser falsa

El segundo resultado afecta a la hipótesis del tiempo exponencial, conocida por sus siglas en inglés, ETH (*Exponential Time Hypothesis*). En términos generales, esta hipótesis sostiene que ciertos problemas de satisfacibilidad de fórmulas booleanas no pueden resolverse mediante algoritmos exactos en un tiempo significativamente inferior al exponencial, bajo las condiciones que define la teoría.

La ETH no es una curiosidad académica: se utiliza como punto de partida para demostrar límites condicionales de eficiencia en cientos de trabajos. Si una refutación válida se confirmara, habría que revisar resultados que dependen de ella y explorar qué algoritmos pueden existir para problemas relacionados. Eso no significa que todos los programas vayan a acelerarse de inmediato ni que cualquier problema difícil se vuelva fácil. Las consecuencias prácticas dependerían de la demostración concreta y de los algoritmos que se logren desarrollar a partir de ella.

OpenAI afirma que su sistema obtuvo una refutación de la ETH y que después formalizó el argumento en Lean. La empresa señala que el material está disponible públicamente y que un grupo dirigido por Russell Impagliazzo y Ramamohan Paturi, de la Universidad de California en San Diego, y Ryan Williams, del MIT, coordinará el examen del resultado. El grupo ha pedido una evaluación abierta y una conferencia para estudiar sus implicaciones.

La elección de especialistas con experiencia directa en complejidad computacional es significativa: no basta con que una demostración parezca convincente en una lectura rápida. Hay que revisar las definiciones, las hipótesis, cada paso lógico y la relación entre el resultado anunciado y las consecuencias que se le atribuyen.

3. Física: teorías cuánticas de campos matemáticamente rigurosas

El tercer resultado es el más difícil de valorar desde fuera del campo. OpenAI afirma que sus modelos produjeron pruebas de existencia para ciertas teorías cuánticas de campos con campos gauge y fermiones en cuatro dimensiones, entre ellas la cromodinámica cuántica (QCD) y una formulación que completa el Modelo Estándar de partículas. La empresa indica que el trabajo incluye también un resultado relacionado con la existencia de la teoría pura de Yang-Mills.

La QCD describe la interacción fuerte, una de las fuerzas fundamentales, que mantiene unidos los quarks dentro de partículas como protones y neutrones. La teoría de Yang-Mills es una pieza central de la física moderna, pero construir una formulación matemática rigurosa que satisfaga las propiedades exigidas es un problema profundo. El Instituto Clay de Matemáticas lo incluye entre sus Problemas del Milenio. Su página oficial sigue describiendo la cuestión del salto de masa de Yang-Mills como un problema para el que no se conoce una demostración aceptada: explicación del problema por el Instituto Clay.

Ese contexto hace especialmente importante no confundir el anuncio con una resolución ya reconocida del Problema del Milenio. OpenAI explica que los materiales producidos por sus modelos no se han difundido todavía y que un grupo de expertos dirigido por David Gross los examinará y preparará una exposición propia. Hasta que el trabajo pueda revisarse con suficiente detalle, la formulación prudente es que existe una afirmación extraordinaria pendiente de análisis público, no que la física teórica haya cerrado definitivamente la cuestión.

La verificación formal comprueba los pasos codificados, pero no sustituye la interpretación del resultado.

¿Qué significa demostrar algo con inteligencia artificial?

En una conversación cotidiana, decir «lo he demostrado» puede significar que se ha reunido una serie de indicios convincentes. En matemáticas, una demostración tiene un sentido más estricto: cada paso debe derivarse de definiciones, axiomas y resultados anteriores mediante reglas lógicas válidas. Una idea brillante puede orientar la búsqueda, pero si contiene un salto injustificado, la prueba no está completa.

Los modelos de IA pueden ayudar de varias maneras. Pueden explorar enfoques, proponer lemas auxiliares, detectar relaciones que no resultaban evidentes, escribir código para probar casos y traducir una intuición en una cadena de argumentos. En problemas de gran complejidad, también pueden trabajar de forma iterativa: intentan una vía, reciben información sobre un fallo y buscan otra. Lo nuevo no es que una máquina calcule, sino que los sistemas de razonamiento están empezando a intervenir en tareas que antes requerían una larga investigación especializada.

Sin embargo, una salida extensa y escrita con seguridad no constituye una prueba. Los modelos pueden introducir afirmaciones falsas, pasar por alto condiciones, confundir una evidencia numérica con una demostración general o reutilizar una idea conocida sin reconocer sus límites. En investigación, el problema no es solo obtener una respuesta: también hay que saber si la pregunta está bien planteada, si el resultado es novedoso y si merece la atención que reclama.

Lean y la verificación formal: una segunda capa de control

En los dos resultados matemáticos que OpenAI ha hecho públicos, la empresa menciona Lean, un asistente de demostraciones que permite expresar definiciones y argumentos en un lenguaje formal. Un núcleo de verificación comprueba que cada paso cumple las reglas del sistema y que la conclusión se sigue de las premisas codificadas.

Esto ofrece una garantía importante: si una prueba formal se ha construido correctamente y el sistema de verificación funciona según lo previsto, se reduce mucho el riesgo de que haya un error lógico inadvertido en la cadena formal. Pero la formalización también tiene límites. Puede haber errores al traducir el enunciado matemático original al formal, diferencias entre lo que se afirma en una explicación y lo que realmente se ha formalizado, o preguntas sobre si el teorema probado es el que interesa. La revisión humana sigue siendo necesaria para interpretar el resultado y valorar su alcance.

También hay una diferencia entre verificar un argumento y explicarlo. Una demostración puede estar formalmente validada y, aun así, resultar tan larga o técnica que pocas personas comprendan su idea central. Para que el conocimiento avance, los especialistas necesitan poder comunicar el razonamiento, relacionarlo con otras teorías y encontrar maneras de utilizarlo. El objetivo no debería ser acumular pruebas imposibles de leer, sino convertirlas en conocimiento que otros puedan estudiar y ampliar.

La revisión independiente sigue siendo decisiva

La publicación de un resultado y su aceptación son etapas distintas. Un anuncio puede describir con precisión el trabajo que se ha realizado, pero las conclusiones ganan solidez cuando investigadores independientes pueden inspeccionar los materiales, reproducir los pasos relevantes, identificar errores y debatir su significado.

Las reglas del Instituto Clay ilustran la diferencia entre una afirmación y una solución reconocida para uno de sus Problemas del Milenio. Antes de considerar una propuesta, el Instituto exige que se publique en un medio que cumpla sus criterios, que transcurran al menos dos años desde la publicación y que la solución obtenga aceptación general en la comunidad matemática internacional. Los requisitos completos están disponibles en las reglas oficiales de los Problemas del Milenio.

En la investigación con IA, la revisión puede necesitar pasos adicionales. Los expertos deben conocer el papel exacto del modelo, comprobar los archivos y herramientas utilizados y entender si las conclusiones dependen de supuestos que no se han destacado. La apertura del material facilita el proceso, aunque no garantiza por sí sola que el resultado sea correcto. En el caso del anuncio de octubre, la disponibilidad de las pruebas matemáticas y de informática es distinta de la del trabajo de física, cuyos materiales todavía no se han publicado.

La importancia de esta cautela no implica descartar los resultados por proceder de una máquina. Significa aplicarles los mismos estándares de rigor que a cualquier otra investigación, adaptando los métodos de revisión a la escala y al formato del material generado.

La IA puede encontrar respuestas sin comprender todavía su importancia

Una de las preguntas más difíciles es qué significa «hacer ciencia». La investigación no consiste solo en resolver un problema que ya está definido. También exige escoger qué problema merece la pena abordar, decidir qué herramientas son adecuadas, distinguir una regularidad interesante de una coincidencia y explicar por qué un resultado cambia nuestra comprensión del mundo.

Un artículo publicado por el departamento de informática de Princeton el 13 de octubre de 2026 recoge una experiencia con modelos de IA aplicada a un problema matemático. Sus autores señalan que los sistemas pueden ser muy eficaces para hallar respuestas, pero todavía muestran limitaciones en el juicio investigador: determinar la importancia, la generalidad y las posibles aplicaciones de un resultado. El análisis puede consultarse en la web de Princeton.

Los tres anuncios de OpenAI hacen más visible esa tensión. Generar un resultado puede ser solo el principio. La comunidad debe averiguar qué supuestos utiliza, qué relación guarda con los trabajos anteriores, qué consecuencias son reales y qué preguntas nuevas abre. En este sentido, la colaboración con especialistas no es un trámite posterior: forma parte del proceso por el que una salida del modelo puede transformarse en conocimiento fiable.

Los resultados científicos necesitan análisis, discusión y revisión independiente para convertirse en conocimiento compartido.

Qué podría cambiar en los laboratorios y las universidades

Si estos resultados resisten una revisión independiente, una consecuencia inmediata será metodológica. Los equipos de investigación podrían incorporar modelos capaces de explorar espacios de soluciones más amplios, mientras que las personas se centrarían en formular preguntas, diseñar comprobaciones y explicar los hallazgos. La IA podría actuar como colaboradora de investigación, no como sustituta automática del método científico.

En matemáticas, la generación de conjeturas y la formalización de pruebas podrían acelerarse. En informática teórica, una nueva demostración puede obligar a revisar límites asumidos durante años y abrir vías para diseñar algoritmos. En física, una formulación rigurosa puede ayudar a conectar modelos matemáticos con teorías que ya describen resultados experimentales. En todos los casos, el beneficio dependerá de la calidad de la verificación, de la claridad de las explicaciones y de que otros equipos puedan construir sobre el trabajo.

También hay riesgos. Si las organizaciones anuncian hallazgos antes de que puedan examinarse, la comunicación pública puede adelantarse a la evidencia. Si los investigadores reciben materiales de forma desigual, se crean ventajas de acceso y se dificulta la participación abierta. Y si los modelos producen grandes cantidades de demostraciones difíciles de interpretar, la comunidad puede dedicar más tiempo a filtrar resultados que a desarrollar nuevas ideas. La propia OpenAI reconoce que sus diferentes estrategias de publicación tienen ventajas y costes, y que el proceso debe seguir mejorando.

Por eso importan la transparencia, la atribución del trabajo, el acceso a los materiales y la financiación de la revisión. También importa explicar con claridad qué ha hecho la IA, qué han hecho los investigadores y qué sigue sin saberse. No es una cuestión de elegir entre humanos y máquinas, sino de diseñar un sistema en el que la capacidad de generar propuestas vaya acompañada de mecanismos sólidos para comprobarlas.

Cómo leer los próximos anuncios científicos sobre IA

Cuando una empresa afirme que un modelo ha resuelto un problema abierto, conviene formular unas preguntas sencillas antes de dar el resultado por definitivo:

• ¿Está disponible la demostración? Sin materiales accesibles, es difícil comprobar la afirmación por cuenta propia.
• ¿Se ha revisado de forma independiente? Una formalización o una revisión externa puede aportar evidencia importante, pero hay que precisar qué se ha comprobado.
• ¿Qué se ha demostrado exactamente? El título de una noticia puede ser más amplio que el enunciado real del teorema o resultado.
• ¿Qué consecuencias son inmediatas y cuáles son hipotéticas? Refutar una hipótesis teórica no significa que exista ya una aplicación comercial o una mejora práctica.
• ¿Qué queda pendiente? Las limitaciones, los supuestos y los desacuerdos no son detalles secundarios: ayudan a valorar el avance.

Esta forma de leer las noticias evita dos extremos: aceptar cualquier anuncio espectacular sin pruebas o descartarlo porque lo ha producido una IA. La postura más útil es mantener la curiosidad y, al mismo tiempo, exigir evidencia proporcionada a la importancia de la afirmación.

Conclusión: una nueva herramienta, no un atajo para la certeza

Los resultados anunciados el 26 de octubre de 2026 muestran hasta dónde están llegando los sistemas de IA en tareas de razonamiento científico. Si las pruebas se confirman, podrían modificar áreas relevantes de las matemáticas, la informática teórica y la física. Pero, a día de hoy, la noticia debe leerse como el inicio de un proceso de examen y explicación, no como el final de la discusión.

La ciencia no avanza únicamente cuando alguien encuentra una respuesta. Avanza cuando esa respuesta puede comprobarse, entenderse, reproducirse y conectarse con el conocimiento existente. La IA puede ayudar a encontrar caminos que antes parecían inalcanzables; el trabajo colectivo de verificación es lo que permitirá saber cuáles conducen realmente a un descubrimiento.

Para quienes trabajamos con tecnología y comunicación, la lección también es práctica: una herramienta potente necesita un diseño de proceso que haga sus resultados comprensibles y verificables. En el diseño gráfico y web ocurre algo parecido: la tecnología puede acelerar tareas, pero la calidad final depende de las decisiones, el criterio y la revisión. Si estás preparando una web o un proyecto editorial y necesitas convertir información compleja en una experiencia clara, puedes conocer mis servicios de diseño gráfico y web.

Preguntas frecuentes

¿La inteligencia artificial ya ha resuelto problemas científicos abiertos?

Hay anuncios recientes de resultados relevantes generados con ayuda de IA, incluidos los tres que OpenAI comunicó el 26 de octubre de 2026. La validez y el alcance de cada uno deben evaluarse por separado; no todos se encuentran en el mismo estado de publicación y revisión.

¿Una prueba verificada por Lean significa que no puede haber ningún error?

La verificación formal comprueba los pasos codificados dentro del sistema, lo que reduce mucho el riesgo de errores lógicos en esa formalización. Aun así, es necesario comprobar que el enunciado formal corresponde al resultado que se afirma, que la traducción es fiel y que la conclusión se interpreta correctamente.

¿La IA sustituirá a los científicos?

Es demasiado pronto para afirmarlo. Los modelos pueden acelerar partes del trabajo, pero formular buenas preguntas, evaluar la importancia de un resultado, contrastarlo con la evidencia y comunicarlo con rigor siguen siendo tareas esenciales. Lo más probable es que cambien los métodos y la división del trabajo entre personas y sistemas.