Los avances en matemáticas de la IA que todos citan son contraejemplos, no pruebas.

      Un contraejemplo y una prueba no son el mismo tipo de logro. Una prueba muestra que algo es siempre verdadero. Un contraejemplo muestra que algo que se afirma que es siempre verdadero no lo es, al producir un objeto donde falla. Ambos resuelven una cuestión. Piden cosas diferentes a quien los encuentra. Uno exige un argumento que cubra todos los casos. El otro exige un solo objeto y permiso para seguir adivinando hasta que lo tengas. Esa distinción es el tema de una entrada de blog que el matemático de Cambridge Timothy Gowers publicó el 12 de agosto. Gowers ganó la Medalla Fields en 1998. También ha leído los documentos, que la mayoría de las personas que comentan sobre IA y matemáticas no han leído. No es despectivo. Llama a los resultados “extraordinariamente impresionantes” y dice claramente que los modelos también pueden probar cosas difíciles. “Los LLM no solo son buenos para encontrar contraejemplos: también pueden encontrar pruebas de declaraciones difíciles”, escribe.

      Lo que tienen en común los resultados famosos

      OpenAI anunció diez problemas abiertos resueltos en matemáticas y ciencias de la computación teórica. Dos lideraron la cobertura. El primero fue la construcción de un grupo no sofic. Gowers ha asistido a las charlas. Lo llama “uno de los problemas no resueltos más importantes en teoría de grupos”. El segundo fue un límite inferior que muestra que un número de Ramsey multicolor crece superexponencialmente. Sobre este es inusualmente sincero. Era “un importante problema abierto en teoría de Ramsey que no esperaba ver resuelto en mi vida”. Luego viene la observación que los agregadores omitieron. Los resultados más celebrados de LLM, señala Gowers, han llegado casi todos como contraejemplos en lugar de pruebas. Cuenta los dos anteriores, más la conjetura de Jacobiano y la conjetura de distancia unitaria. Su tercer punto de resumen es la versión cuidadosa. Los modelos prueban declaraciones universales muy bien. Pero las cosas más fuertes que han probado no coinciden con las cosas más fuertes que han refutado.

      Dos resultados que reclasifica

      Un contraejemplo gana su nombre al demoler algo en lo que la gente tenía buenas razones para creer. Según ese estándar, Gowers reclasifica dos de los resultados destacados, incluido uno en contra de su propia documentación. Sobre el grupo no sofic, dice que ya existían varias rutas de construcción en la literatura. También duda que muchos expertos creyeran firmemente que todos los grupos eran soficos. Así que se lee más naturalmente como el primer ejemplo de un grupo no sofic que como un contraejemplo. Señala la tensión directamente: OpenAI tituló esa sección de su documento “Un contraejemplo a la conjetura de soficidad”. El resultado de Ramsey recibe el mismo tratamiento, y aquí marca su propia tarea. Muchas personas esperaban un límite exponencial, así que para ellos fue un contraejemplo. Gowers fue neutral. Había trabajado en una formulación equivalente años atrás. Sus esfuerzos en ese entonces fueron en lo que resultó ser la dirección correcta. Para él, confirmó una expectativa débil en lugar de derrocar una creencia.

      Por qué los ejemplos son adecuados para las máquinas

      Gowers enumera ocho formas en que los matemáticos buscan un ejemplo. Probar ejemplos estándar de la estantería. Construir uno a partir de piezas familiares. Dejar partes indefinidas y completarlas a medida que lo exige la prueba. Intentar probar lo opuesto y ver qué se rompe. Adivinar, fallar, diagnosticar, adivinar de nuevo. Construir el objeto paso a paso. Elegir uno al azar. Elegir uno genérico. Cuatro de esos juegan a lo que una máquina ya tiene: amplio conocimiento y la capacidad de realizar enormes cantidades de intentos. La verificación de estantería, la construcción paso a paso, el argumento probabilístico y el ejemplo genérico recompensan el volumen. Tres de los otros necesitan algo más. Dejar partes indefinidas, intentar probar lo opuesto y la aproximación sucesiva requieren un juicio sobre si el enfoque actual vale la pena continuar. Ahí es donde Gowers ubica la brecha, y no es capacidad bruta. Lo llama un “olfato”, refiriéndose al sentido de cuándo estás avanzando y cuándo abandonar una rama. Es lo que permite a un humano podar un árbol de búsqueda que ninguna computadora podría agotar.

      Cinco reducciones y ningún progreso

      Su evidencia para la brecha es en parte anecdótica, y así lo dice. Trabajando con GPT-5.6 Pro en problemas abiertos, a menudo se le presentan enfoques que parecen prometedores y luego no sobreviven al escrutinio. También describe un patrón de respuesta reconocible. El modelo informa que no ha respondido a la pregunta, pero la ha reducido a una más estrecha y precisa, “lo que suena muy prometedor hasta que ha sucedido cinco veces sin que se haya hecho ningún progreso obvio”. Los expertos reaccionan a los éxitos genuinos en un patrón también, escribe: asombro primero, luego una mirada más cercana revela un enfoque que no era especialmente novedoso y que un humano adecuadamente experto podría haber encontrado con una pequeña pista. Su explicación de por qué el olfato puede no surgir simplemente es lo más interesante de la entrada. Las matemáticas publicadas ocultan la búsqueda. Los modelos ven, en sus palabras, “pruebas ordenadas que ocultan los procesos de pensamiento de sus descubridores”. Los callejones sin salida nunca llegan a la literatura. Así que los datos de entrenamiento casi no tienen registro de qué direcciones fueron abandonadas, o por qué. Agrega una segunda razón. Un sistema lo suficientemente rápido como para probar todo tiene poco incentivo para aprender a podar en absoluto.

      La prueba que aceptará

      Gowers ofrece un estándar falsable, que es más de lo que la mayoría de los comentarios logra. Aceptará el obstáculo superado cuando un modelo produzca una prueba tan sorprendente como la solución del conjunto de capas de 2016, donde los viejos límites fueron eclipsados y el método era diferente a cualquier cosa que había considerado intentar. También sugiere una solución. Las estructuras de recompensa actualmente puntúan la respuesta. Penaliza a un modelo por explorar demasiados callejones sin salida, o por levantar el resultado de la literatura, y podría ser empujado hacia una búsqueda más humana. Nada de esto es una predicción de que los modelos se estancarán. Gowers espera que sigan mejorando rápidamente, espera que el obstáculo caiga y concede que puede estar aferrándose a la esperanza de que los humanos sigan contribuyendo por un tiempo. La distinción que hace es sobre lo que ha sucedido hasta ahora, no sobre lo que es posible.

      Lo que hace que la agregación de su entrada valga la pena notar. El Decoder lo resumió como los principales matemáticos llamando a los LLM calculadoras fuertes pero pensadores creativos pobres. Gowers escribió que los modelos encuentran pruebas de declaraciones difíciles, que los resultados son extraordinariamente impresionantes y que no hace ninguna afirmación sobre lo que nunca harán. Su entrada anterior abordó la Declaración de Leiden. Ahora ha sido reducido a un escéptico dos veces en tres semanas. La afirmación subyacente es más estrecha y más difícil de desestimar. Las máquinas están ganando donde el método es probar muchas cosas. También es donde se encuentran fallos criptográficos, y donde las pruebas del Reino Unido mostraron que los modelos hacen trampa cuando existe un atajo. La prueba del conjunto de capas no tiene fecha límite, que es precisamente el punto. Alguien publicará una prueba. Luego, el argumento será sobre si el método estaba en los datos de entrenamiento todo el tiempo.