Medallistas Fields les bajan el pulgar a la IA que corre por resolver problemas como si fueran carreas

Un grupo de veinticinco matemáticos que recibieron la medalla Fields, el premio más importante que existe dentro de esa disciplina, publicó una carta abierta en la que advierte que la carrera entre laboratorios de inteligencia artificial por resolver problemas matemáticos célebres está desalineada con lo que la comunidad científica considera valioso. Para los firmantes, lo que empezó como una promesa tecnológica empieza a parecerse cada vez más a un problema para la profesión.

La medalla Fields se entrega cada cuatro años a un puñado de matemáticos menores de cuarenta años y es, dentro de la disciplina, lo más parecido al Nobel que existe. Por eso, cuando un grupo nutrido de sus ganadores decide hablar en conjunto, la academia escucha. Lo que dicen ahora es que los grandes modelos de lenguaje, esos sistemas de inteligencia artificial entrenados con enormes volúmenes de texto, mejoraron de manera significativa su capacidad para abordar problemas abiertos en áreas que van de la teoría de números a la geometría. Pero ese salto técnico, sostienen, no se traduce automáticamente en un avance para la matemática como saber colectivo.

Una medalla, una carta y una preocupación concreta

Los firmantes describen una desalineación que definen como profunda entre los objetivos de las empresas que desarrollan estos sistemas y los valores que sostienen la investigación matemática: la comprensión conceptual, el debate entre pares y la incorporación lenta y cuidadosa de ideas nuevas al corpus acumulado durante generaciones. Para graficarlo con una imagen doméstica: es como si en una cocina familiar apareciera una máquina que prepara platos a gran velocidad, pero que nadie probara antes de servirlos, no dejara la receta escrita y, encima, olvidara mencionar de quién era la receta original.

La carta pone el foco en el después de cada demostración. Tradicionalmente, cuando un matemático resolvía un problema célebre, se abría un proceso largo de conversaciones, simplificaciones y reescrituras hasta que el resultado se volvía accesible para estudiantes de grado y posgrado. Las soluciones producidas por sistemas de inteligencia artificial, argumentan, suelen comunicarse con apuro, sin tiempo para una redacción prolija, sin aislar los métodos genuinamente nuevos y sin citar con cuidado los trabajos previos que los hicieron posibles. En la práctica, eso significa que el resultado llega al mundo envuelto en ruido, como un audio de WhatsApp enviado a las apuradas.

• Atribución incorrecta: trabajos anteriores citados de manera deficiente o directamente ignorados, lo que complica reconocer quién abrió cada camino.
• Plagio y apropiación: dificultades para distinguir qué parte de una solución fue genuinamente del modelo y qué fue reempaquetada de papers existentes.
• Pérdida de la cadena de transmisión: sin matemáticos formados que se sienten a leer, discutir y reinterpretar esos resultados, el conocimiento deja de pasar de generación en generación.
• Presión por producir: la lógica de competencia entre laboratorios empuja a anunciar hallazgos antes de que estén verificados por pares.

Cómo funciona, en criollo, el problema que describen

Para entender el alcance de la advertencia sirve pensar en cómo se cocina una idea matemática. Un problema abierto puede llevar décadas sin resolverse porque exige conectar técnicas que viven en especialidades distintas, como si hubiera que tender un puente entre dos barrios separados por un río. Cuando alguien encuentra ese puente, el mérito no está solo en cruzar: está en explicar por dónde pasa, qué materiales aguanta y cómo se podría mejorar. La carta sostiene que los modelos de inteligencia artificial suelen entregar el cruce con bombos y platillos, pero sin ese plano de obra que permite a otros revisarlo, usarlo o aprender de él. Sin ese plano, la siguiente generación no aprende a construir puentes: solo recibe un cruce ya hecho, sin entender cómo se sostuvo.

Los autores describen a la producción masiva y acelerada de afirmaciones matemáticas como una amenaza al terreno fértil donde nacen las ideas nuevas. Para los firmantes, convertir la resolución de problemas en un fin en sí mismo, en lugar de tratarla como una herramienta al servicio de la comprensión, puede terminar volviéndose un obstáculo para la propia disciplina. La carta enmarca la cuestión dentro de lo que llama desalineaciones más amplias que afectan también a la ingeniería de software y a otras áreas técnicas donde la inteligencia artificial empieza a producir código y resultados a un ritmo que las comunidades todavía no saben cómo digerir.

Qué falta para que el debate baje a la práctica

La carta no pide que se frene el desarrollo de modelos ni que se dejen de publicar resultados obtenidos con inteligencia artificial. Lo que reclama es un cambio de ritmo y de reglas de juego: tiempo suficiente para que cada solución anunciada sea revisada por pares, mecanismos claros de atribución a los trabajos previos y, sobre todo, inversión en formación de personas capaces de digerir, enseñar y prolongar esas ideas. A eso se suma un pedido más político: que la urgencia con la que los laboratorios presentan sus hallazgos no termine imponiendo su lógica de competencia sobre una disciplina que históricamente se construye con paciencia, archivo y conversación cara a cara. Mientras eso no se negocie de igual a igual entre empresas y comunidad matemática, los medallistas Fields advierten que la cadena humana por la que viaja el conocimiento seguirá corriendo riesgo de cortarse.