Un hito matemático de la IA: qué significa que OpenAI refutara la conjetura de distancia unidad de Erdős

Fri, 22 May 2026 22:21:46 +0800

El 20 de mayo de 2026, OpenAI anunció un resultado de investigación poco común: un modelo general de razonamiento interno encontró una nueva construcción para el problema de distancia unidad en el plano, y con ella refutó una conjetura de cota superior que la comunidad matemática había considerado plausible durante mucho tiempo.

No fue una respuesta improvisada de un chatbot. Fue una prueba producida por un modelo general de razonamiento de OpenAI dentro de una serie de evaluaciones sobre problemas de Erdős. La prueba ya fue revisada por matemáticos externos, y OpenAI también publicó el texto de la demostración, comentarios complementarios y una versión resumida del razonamiento del modelo.

Cuál es el problema

El problema de distancia unidad en el plano fue planteado por Paul Erdős en 1946. La pregunta es sencilla de formular: si se colocan n puntos en el plano, ¿cuál es el máximo número de pares de puntos cuya distancia es exactamente 1?

En matemáticas, este máximo suele denotarse como u(n). Si los puntos se colocan en una línea recta, se obtienen aproximadamente n - 1 pares a distancia unidad. Si se colocan en una cuadrícula cuadrada, cada punto forma distancias unidad con sus vecinos de arriba, abajo, izquierda y derecha, y el número llega aproximadamente a 2n. Erdős también propuso una construcción más refinada con cuadrículas cuadradas escaladas, capaz de alcanzar un número de pares de distancia unidad del orden de n^(1+C/log log n).

Durante mucho tiempo, la comunidad matemática creyó que estas construcciones tipo cuadrícula estaban cerca de ser óptimas. La conjetura correspondiente puede escribirse de forma aproximada así: u(n) no debería superar n^(1+o(1)). Aquí o(1) tiende a 0 cuando n crece; es decir, el número de pares a distancia unidad puede crecer algo más rápido que linealmente, pero no debería tener una ventaja de exponente fijo.

El resultado del modelo de OpenAI rompió esa intuición. Construyó una familia infinita de ejemplos: para infinitos valores de n, se pueden obtener al menos n^(1+δ) pares de distancia unidad, donde δ es una constante positiva fija. El artículo oficial de OpenAI señala que la prueba original de la IA no daba un valor explícito de δ, pero una mejora posterior de Will Sawin mostró que se puede tomar δ = 0.014.

Por qué el proceso de prueba es especial

Lo más interesante de este avance no es solo la conclusión, sino la ruta de la demostración.

La construcción temprana de Erdős puede entenderse mediante enteros gaussianos. Los enteros gaussianos tienen la forma a+bi; extienden los enteros ordinarios al plano complejo y conservan una propiedad parecida a la factorización única. Con esta estructura de teoría de números, se puede explicar por qué ciertas cuadrículas escaladas producen muchas distancias unidad.

El modelo de OpenAI no siguió simplemente la intuición geométrica habitual. En cambio, llevó el problema hacia una teoría algebraica de números más compleja. Según la explicación oficial, la nueva prueba usa cuerpos de números algebraicos más generales y aprovecha sus estructuras de simetría más ricas para fabricar muchas diferencias de longitud unidad, formando así más pares de puntos a distancia exactamente 1 en el plano.

En términos más técnicos, la prueba involucra torres infinitas de cuerpos de clases y la teoría de Golod-Shafarevich. Estas herramientas no son desconocidas para quienes investigan teoría algebraica de números, pero su aparición repentina en un problema de geometría combinatoria dentro del plano euclidiano es lo que hizo que especialistas externos vieran el resultado como especialmente sugerente.

El proceso puede dividirse, a grandes rasgos, en cuatro pasos:

Partir de la construcción tradicional con cuadrículas para el problema de distancia unidad y transformar la condición “la diferencia entre dos puntos tiene longitud 1” en un problema de normas y diferencias dentro de una estructura algebraica.
Sustituir los enteros gaussianos por cuerpos de números algebraicos más complejos, aumentando el número de diferencias disponibles de longitud unidad.
Usar torres infinitas de cuerpos de clases y la teoría de Golod-Shafarevich para demostrar que los cuerpos de números necesarios existen.
Llevar la construcción algebraica de vuelta a conjuntos de puntos en el plano, obteniendo para infinitos n un número de pares de distancia unidad superior a n^(1+o(1)).

Es decir, la IA no se limitó a buscar pruebas existentes. Conectó la geometría combinatoria con la teoría algebraica de números y propuso una ruta de construcción fuera de la intuición humana dominante sobre el problema.

Reacciones de los expertos

El artículo oficial de OpenAI incluyó valoraciones de varios matemáticos. La reacción general fue bastante positiva, aunque no todos subrayaron lo mismo.

El combinatorista Noga Alon señaló que este era uno de los problemas favoritos de Erdős y que casi todos los investigadores de geometría combinatoria habían pensado en él. Lo que le sorprendió fue que la respuesta correcta no encajara con la imagen de n^(1+o(1)) que se había creído durante tanto tiempo, y que la nueva construcción usara herramientas avanzadas de teoría algebraica de números de manera elegante.

El medallista Fields Tim Gowers describió el hecho como un hito para las matemáticas con IA. Su valoración fue contundente: si el artículo hubiera sido escrito por humanos y enviado a una revista matemática de primer nivel, no habría dudado en recomendar su aceptación. Esa opinión destaca la calidad de la prueba, no solo el tema de que haya intervenido una IA.

El teórico de números Arul Shankar se centró en la capacidad del modelo. A su juicio, el artículo muestra que los modelos actuales de IA ya no son solo asistentes de los matemáticos, sino que también pueden proponer ideas originales y sutiles y llevarlas hasta una prueba completa.

Thomas Bloom propuso en los comentarios complementarios un criterio más prudente: para evaluar una prueba generada por IA, lo crucial es si ayuda a los humanos a comprender mejor el problema. Desde su perspectiva, este resultado ofrece una respuesta cuidadosamente afirmativa. Sugiere que las construcciones de teoría de números pueden influir en la geometría discreta de forma más profunda de lo que se pensaba.

Estas reacciones apuntan a una misma idea: la comunidad matemática no acepta el resultado porque “lo hizo una IA”, sino porque la prueba puede revisarse, la ruta explica el problema y la conclusión cambia de verdad la comprensión previa.

Significa esto que la IA sustituye a los matemáticos

Todavía no.

En este caso, la IA propuso la construcción clave y la ruta de prueba, pero para que el resultado se convirtiera en un logro matemático serio siguieron siendo necesarias la revisión, la explicación y las mejoras de matemáticos externos. El artículo complementario también cumple una función importante: devuelve la prueba de la IA al contexto matemático, explica por qué la construcción importa, cómo se relaciona con trabajos previos y qué problemas podría afectar en el futuro.

Una conclusión más razonable es que la IA empieza a entrar en la parte inicial de la investigación matemática, pero no ha expulsado a los expertos humanos del proceso.

En los últimos años, el papel de la IA en matemáticas ha consistido sobre todo en resolver problemas de concurso, generar borradores de pruebas, ayudar con pruebas formalizadas, buscar referencias o reescribir argumentos. En esas tareas, los humanos normalmente siguen definiendo la dirección. Lo distinto en el caso del problema de distancia unidad es que el modelo se enfrentó a un problema abierto de larga data, propuso una nueva construcción y llevó el argumento a un estado revisable.

Esto puede cambiar la división del trabajo en la investigación matemática. Los modelos quizá sean mejores para probar muchas rutas de razonamiento largas, conectar conocimientos distantes y explorar direcciones que los investigadores no priorizarían al principio. El valor de los matemáticos humanos se concentrará aún más en cuestiones de nivel superior:

Elegir qué problemas merecen estudiarse.
Juzgar si los resultados generados por IA son fiables.
Explicar dónde se sitúa un resultado dentro de la disciplina.
Decidir qué rutas merecen más inversión.

Impacto en la investigación futura

La importancia de este caso para la industria de la IA puede ser incluso mayor que su importancia para una conjetura matemática concreta.

Las matemáticas son un escenario ideal para evaluar la capacidad de razonamiento. Los problemas están bien definidos, las pruebas pueden revisarse paso a paso y un argumento largo deja de sostenerse si se rompe un eslabón intermedio. Si un modelo puede mantener la coherencia en razonamientos matemáticos complejos y conectar herramientas de distintas áreas, capacidades parecidas podrían transferirse a otros campos científicos.

El artículo oficial de OpenAI también extiende las implicaciones a biología, física, ciencia de materiales, ingeniería y medicina. Esto no debe entenderse de forma simplista como “la IA pronto hará descubrimientos científicos automáticamente”. Un cambio más realista es que la IA primero se convierta en un generador de rutas y amplificador de hipótesis dentro de la investigación: propone muchas vías posibles, los expertos humanos las filtran, verifican y explican, y luego hacen avanzar unas pocas rutas valiosas.

Esto traerá tres tipos de cambios.

Primero, la velocidad de investigación puede aumentar. Muchos problemas abiertos no siguen abiertos porque nadie pueda entenderlos, sino porque hay demasiadas rutas posibles y el costo de cruzar disciplinas es alto. Si la IA puede proponer construcciones revisables de forma sostenida, ampliará el radio de búsqueda de los investigadores.

Segundo, las conexiones interdisciplinarias se volverán más frecuentes. El problema de distancia unidad pertenece originalmente a la geometría combinatoria, pero la nueva prueba usa teoría algebraica de números. En el futuro, transferencias similares de conocimiento a larga distancia pueden convertirse en un valor importante de las herramientas de investigación con IA.

Tercero, la revisión experta será más importante. Cuantas más rutas genere la IA, más necesarios serán mecanismos fiables de verificación. En matemáticas, los errores pueden filtrarse revisando pruebas; en otras ciencias experimentales también se necesitan experimentos, datos, reproducción y evaluación de seguridad. Cuanto más se parezca la IA a un investigador, menos se puede omitir el juicio humano.

En qué se diferencia de resolver problemas de IMO o concursos matemáticos

En los últimos años, la capacidad matemática de la IA se ha mostrado a menudo mediante problemas de concurso: tareas de nivel IMO, problemas universitarios o pruebas formalizadas. Estas pruebas son importantes, pero no son el mismo tipo de evento que este avance en el problema de distancia unidad.

Los problemas de concurso suelen tener un enunciado claro, una respuesta determinada y un rango de solución relativamente acotado. La tarea del modelo es encontrar una solución verificable en un tiempo limitado. Aunque el problema sea difícil, sigue siendo un “problema diseñado”, normalmente con una ruta de solución prevista por quienes lo plantearon.

Los problemas matemáticos abiertos son distintos. No tienen una respuesta estándar, ni garantizan que los métodos existentes puedan resolverlos. Los investigadores deben juzgar qué direcciones vale la pena probar, qué herramientas pueden transferirse entre áreas y qué construcciones, aunque contraintuitivas, podrían funcionar. Ahí está la importancia del resultado de OpenAI: el modelo no solo resolvió un problema conocido, sino que propuso una construcción nueva en un problema abierto de larga data y cambió la conjetura original.

Por eso este avance se parece más a investigación matemática que a un examen de matemáticas.

Por qué las matemáticas son buenas para evaluar el razonamiento de la IA

Las matemáticas son un escenario de alta presión para evaluar el razonamiento de la IA, porque es difícil salir adelante solo con una expresión fluida.

Una prueba matemática debe sostenerse en cada nivel. Los expertos pueden revisar si las definiciones son precisas, si los lemas son aplicables, si las derivaciones saltan pasos y si la conclusión realmente cubre la proposición objetivo. Si un paso intermedio se rompe, toda la prueba se viene abajo.

Esto hace que las matemáticas sean un campo de prueba más adecuado para el razonamiento que muchas tareas abiertas de escritura. El modelo no solo debe dar una respuesta que parezca razonable, sino una respuesta que resista la revisión. El problema de distancia unidad es especialmente representativo: la conclusión es importante, y la ruta de prueba puede ser revisada y explicada por matemáticos externos.

Por supuesto, las matemáticas no son el único estándar. La investigación científica real también involucra errores experimentales, calidad de datos, condiciones de equipamiento y restricciones de ingeniería. Pero las matemáticas ofrecen una ventana clara: si un modelo puede producir aquí una nueva prueba, al menos muestra capacidades de razonamiento de cadena larga y conexión entre áreas que merecen atención seria.

Por qué las pruebas de IA todavía necesitan matemáticos humanos

Que una IA produzca una prueba no significa que los matemáticos humanos puedan retirarse.

Primero, las pruebas necesitan verificación. Los argumentos generados por IA pueden contener lagunas, supuestos ocultos o mal uso de símbolos, y deben ser revisados por especialistas. Segundo, las pruebas necesitan explicación. Por qué un resultado es importante, cómo se relaciona con la teoría existente y qué nuevas preguntas abre no se resuelve automáticamente cuando la prueba queda formalmente terminada.

Tercero, las pruebas también necesitan mejora. La prueba original de OpenAI no daba un δ explícito; después, Will Sawin la mejoró hasta permitir δ = 0.014. Esto muestra que los expertos humanos siguen comprimiendo, aclarando y reforzando los resultados.

Más importante aún, la investigación matemática no consiste solo en “tener una prueba”. Los investigadores también juzgan qué ruta es más valiosa, qué problemas merecen seguirse y qué construcciones pueden transferirse a otros campos. La IA puede ampliar el espacio de búsqueda, pero el juicio académico sigue necesitando personas.

Qué implica para la dirección de los modelos de OpenAI

Desde una perspectiva de producto, este caso muestra que la dirección de los modelos de OpenAI está pasando de “asistentes conversacionales que responden preguntas” a “sistemas de razonamiento capaces de participar en tareas complejas”.

Los asistentes conversacionales destacan en diálogo, resumen, escritura y uso de herramientas. Los sistemas de razonamiento científico deben mantener objetivos durante largos periodos, combinar conocimiento de múltiples áreas, generar pasos intermedios verificables y organizar los resultados de la exploración en una forma que los expertos puedan revisar. Lo mostrado por el problema de distancia unidad pertenece justamente a esta segunda categoría.

Esto también explica por qué OpenAI publicó la prueba, los comentarios complementarios y el resumen del razonamiento del modelo. Para tareas de investigación, la respuesta final no basta; el proceso también debe poder inspeccionarse. Los futuros modelos orientados a ciencia, ingeniería y trabajo profesional probablemente enfatizarán cada vez más el razonamiento trazable, las salidas revisables y las interfaces de colaboración con expertos.

En otras palabras, los modelos no solo conversan mejor: se parecen cada vez más a sistemas capaces de compartir parte del trabajo de exploración investigadora.

Cómo debería verlo el lector general

Este resultado no debe mitificarse, pero tampoco minimizarse.

No debe mitificarse porque la IA todavía no se ha convertido en una científica independiente. Este resultado sigue necesitando matemáticos humanos que lo revisen, expliquen y mejoren, y también debe volver a la comunidad matemática para ser examinado con el tiempo. Un avance aislado no permite concluir que todos los problemas científicos estén a punto de resolverse automáticamente con IA.

Tampoco debe minimizarse, porque cruza un umbral importante. El modelo no se limitó a repetir conocimiento ni a resolver un problema parecido a los de entrenamiento: ofreció una nueva construcción en un problema abierto, y expertos consideraron que tenía valor matemático.

La interpretación más prudente es que la IA se está convirtiendo en una colaboradora poderosa para los investigadores. Puede cambiar primero la velocidad de exploración, las conexiones interdisciplinarias y la generación de borradores de prueba, no sustituir de la noche a la mañana a la comunidad académica. Para el lector general, la pregunta más importante no es “si la IA reemplazará a los matemáticos”, sino “cómo pueden los humanos usar la IA para ampliar el conjunto de problemas que somos capaces de investigar”.

Conclusión

La importancia del resultado de OpenAI no está solo en haber refutado una conjetura de casi 80 años, sino en mostrar una forma en que los modelos generales de razonamiento pueden participar en investigación de frontera: proponer construcciones, conectar herramientas de distintas áreas y producir pruebas revisables por especialistas.

Todavía no es el punto final de un “científico de IA independiente”, pero ya no es un simple asistente para resolver problemas. En los próximos años, las matemáticas probablemente seguirán siendo una ventana para observar la capacidad científica de la IA: qué problemas pueden hacer avanzar los modelos, qué pruebas requerirán completar los humanos y qué conexiones entre áreas se redescubrirán merecen atención continua.

Referencias:

OpenAI, “An OpenAI model has disproved a central conjecture in discrete geometry”: https://openai.com/index/model-disproves-discrete-geometry-conjecture/
OpenAI proof PDF: https://cdn.openai.com/pdf/74c24085-19b0-4534-9c90-465b8e29ad73/unit-distance-proof.pdf
OpenAI companion remarks: https://cdn.openai.com/pdf/74c24085-19b0-4534-9c90-465b8e29ad73/unit-distance-remarks.pdf
OpenAI model reasoning summary: https://cdn.openai.com/pdf/1625eff6-5ac1-40d8-b1db-5d5cf925de8b/unit-distance-cot.pdf

Mathematics on KnightLi Blog