OpenAI ha anunciado un avance poco habitual incluso dentro del actual ritmo de la inteligencia artificial: uno de sus modelos internos de razonamiento ha refutado una conjetura matemática planteada por Paul Erdős en 1946. El problema pertenece a la geometría discreta y parte de una pregunta sencilla de formular, pero extremadamente difícil de resolver: si colocamos varios puntos en un plano, ¿cuántos pares pueden estar separados exactamente por una unidad de distancia?
La noticia importa por dos motivos. El primero es matemático: hablamos de una cuestión que ha resistido durante casi 80 años y que muchos especialistas consideraban uno de los problemas clásicos de la geometría combinatoria. El segundo tiene que ver con la IA: según OpenAI, la prueba no llegó mediante fuerza bruta ni con un sistema entrenado específicamente para este reto, sino a través de un modelo de propósito general capaz de conectar ideas abstractas de distintas áreas de las matemáticas.
El problema, conocido como problema de las distancias unitarias en el plano, fue planteado por Erdős en 1946. La intuición dominante era que, al aumentar el número de puntos, el máximo de pares separados por una unidad no podía crecer mucho más rápido que el propio número de puntos. Dicho de forma sencilla: se esperaba un crecimiento casi lineal, con algunas correcciones matemáticas, pero sin un salto mucho mayor.
La demostración atribuida al modelo de OpenAI cambia ese escenario. La IA ha encontrado una familia de construcciones que permite generar más pares a distancia uno de los que la conjetura clásica consideraba posibles. OpenAI afirma que el resultado demuestra un crecimiento de tipo polinómico superior al esperado, con configuraciones que superan las estructuras basadas en cuadrículas que durante décadas se consideraban prácticamente óptimas.
La conjetura de Erdős y el salto matemático que ha logrado OpenAI
Para entender la relevancia del avance conviene separar dos ideas. OpenAI no ha encontrado necesariamente la fórmula final y exacta del máximo número de distancias unitarias para cualquier cantidad de puntos. Lo que sí ha hecho, según la prueba publicada, es refutar una conjetura central sobre cómo crecía ese máximo.
Eso ya es enorme. En matemáticas, desmontar una conjetura que lleva décadas funcionando como referencia puede cambiar la forma en la que se aborda todo un campo. En este caso, el resultado afecta a la geometría discreta, una rama que estudia cómo se organizan puntos, distancias, líneas y estructuras geométricas finitas o contables.
La parte más llamativa es la vía elegida por el modelo. En lugar de limitarse a probar millones de combinaciones de puntos, la IA utilizó herramientas de teoría algebraica de números, un área que en principio no parece estar directamente relacionada con dibujar puntos en un plano. La documentación técnica publicada por OpenAI menciona construcciones basadas en cuerpos de números, grupos de Galois y otros conceptos avanzados para levantar la prueba.
Ese cruce entre disciplinas es justo lo que ha llamado la atención de varios matemáticos. Tim Gowers, ganador de la Medalla Fields, ha descrito el resultado como “un hito en las matemáticas de la IA”. Otros especialistas citados por OpenAI también destacan la originalidad de la construcción y la solidez de la prueba, que ha sido revisada por expertos externos.
El matiz es importante: no estamos ante una IA que ha “adivinado” una respuesta, sino ante un sistema que habría generado una demostración matemática con una cadena de razonamiento verificable. En este terreno, una idea brillante no basta. La prueba tiene que poder revisarse paso a paso, y ahí es donde entra el trabajo posterior de los matemáticos humanos.
Una IA capaz de proponer conocimiento nuevo, no solo resumirlo
El avance también alimenta una conversación más amplia sobre el papel de la IA en la investigación científica. Durante los últimos años hemos visto modelos capaces de programar, resumir artículos, resolver ejercicios o asistir en tareas técnicas. Este caso va un paso más allá, porque OpenAI sostiene que su modelo ha producido una idea matemática original que no estaba simplemente copiada de su entrenamiento.
La compañía insiste en que el modelo no estaba diseñado de forma específica para este problema, ni se construyó como una herramienta especializada de búsqueda matemática. Esto es relevante porque apunta a una capacidad más general: mantener razonamientos largos, combinar conceptos alejados y encontrar caminos que quizá los expertos no habían explorado.
Aun así, conviene no convertir el avance en una promesa desmedida. La IA no sustituye de golpe a los matemáticos. De hecho, este caso muestra más bien un modelo de colaboración: la IA propone una ruta, los expertos la revisan, la ordenan, la verifican y la sitúan dentro del conocimiento existente. Sin esa revisión, el resultado no tendría el mismo valor.
También hay que evitar una lectura equivocada del titular. No significa que todos los grandes problemas matemáticos vayan a caer de forma inmediata ni que los modelos actuales sean infalibles. En matemáticas, un solo error puede invalidar páginas enteras de razonamiento. Por eso la verificación externa sigue siendo una pieza esencial.
Lo que sí demuestra este caso es que los modelos de razonamiento empiezan a moverse en un terreno más ambicioso. No solo ayudan a hacer más rápido lo que ya sabíamos hacer, sino que pueden participar en la generación de hipótesis, pruebas y conexiones inesperadas. Para campos como la física, la biología, la ingeniería o la ciencia de materiales, esa posibilidad resulta especialmente interesante, aunque cada disciplina tendrá sus propios límites y formas de validación.
El resultado de OpenAI no es solo una noticia llamativa sobre una IA resolviendo matemáticas. Es una señal de hacia dónde puede ir la investigación asistida por modelos avanzados: menos automatización superficial y más colaboración real en problemas complejos. La clave, a partir de ahora, estará en saber combinar esa capacidad con criterio humano, revisión rigurosa y una buena dosis de prudencia.
