IA de OpenAI resuelve un problema matemático abierto desde 1946
Un modelo interno de razonamiento de OpenAI resolvió un problema matemático planteado en 1946 por Paul Erdős, una de las figuras más influyentes de la matemática del siglo XX. Se trata del llamado problema de distancia unitaria en el plano, una cuestión de geometría discreta que, pese a poder explicarse de forma sencilla, llevaba décadas sin resolución definitiva.
Su pregunta central era la siguiente: si se coloca una cantidad indeterminada de puntos sobre un plano, ¿cuántos pares de esos puntos pueden estar exactamente a una unidad de distancia entre sí? Determinar cuál es la mayor cantidad posible de esas conexiones para cualquier número de puntos se convirtió en uno de los interrogantes más conocidos de la geometría. Durante años, la idea dominante era que ciertas configuraciones basadas en cuadrículas ofrecían, en términos generales, la mejor respuesta posible.
Sin embargo, el modelo de OpenAI encontró una construcción que mejora ese límite y refuta esa conjetura: demostró que existen configuraciones más eficientes de lo que se creía para generar pares de puntos separados exactamente por una misma distancia.
Según OpenAI, el resultado es relevante por dos razones. La primera es matemática: el modelo no resolvió el problema siguiendo únicamente una intuición geométrica, sino trasladándolo hacia herramientas de teoría algebraica de números, una rama que estudia propiedades profundas de los números y sus estructuras. Desde ese terreno más abstracto, construyó una respuesta inesperada. La segunda razón es tecnológica: la prueba fue generada por un modelo de razonamiento de propósito general, no por un sistema entrenado específicamente para ese problema ni diseñado exclusivamente para matemáticas.
OpenAI indicó que el resultado fue revisado por matemáticos externos, quienes elaboraron además un documento complementario para explicar el alcance del hallazgo. Ese paso de validación resulta central: la relevancia del resultado depende de que especialistas puedan revisar la prueba, interpretar su significado y conectarla con otras líneas de investigación.
Este caso se inscribe en un debate más amplio sobre el papel de la inteligencia artificial en la investigación científica de frontera. Hasta ahora, buena parte de la discusión sobre IA se ha concentrado en productividad, automatización y análisis de datos. Este ejemplo señala una fase distinta: sistemas capaces de participar en procesos donde el valor no está solo en ejecutar tareas, sino en proponer caminos conceptuales nuevos.
En matemáticas, la verificación de ese tipo de aportes es especialmente clara: una prueba es válida o no lo es. En otros campos —como biología, medicina, ingeniería o ciencia de materiales— el proceso puede ser más incierto y dependiente del contexto. Aun así, el caso apunta a una dirección concreta: los modelos avanzados de razonamiento muestran capacidad para explorar combinaciones no evidentes entre áreas de conocimiento, una habilidad que podría ampliar el espacio de exploración científica más allá de acelerar tareas ya existentes.
