Un modelo de razonamiento de OpenAI ha conseguido algo que, hasta hace poco, sonaba más a promesa de laboratorio que a realidad: refutar una conjetura matemática histórica planteada por Paul Erdős en 1946. El problema pertenece a la geometría discreta, se puede explicar con puntos en una hoja de papel y, aun así, ha resistido durante casi ocho décadas a algunos de los mejores matemáticos del mundo.

La noticia tiene dos lecturas. La superficial es fácil: “una IA ha resuelto un problema matemático antiguo”. La lectura interesante es bastante más fina: un modelo generalista, no diseñado exclusivamente para esa conjetura, encontró una familia de construcciones que mejora lo que durante décadas se pensó que era prácticamente óptimo. Después, matemáticos externos revisaron, digirieron y reformularon el argumento en lenguaje matemático estándar.

Y aquí está la clave: no se ha cerrado por completo el problema de las distancias unitarias. Lo que se ha hecho es refutar una conjetura central sobre cuál debía ser el mejor comportamiento posible. Es menos redondo como titular, pero mucho más importante como ciencia.

El problema: cuántas parejas de puntos pueden estar exactamente a distancia 1

El enunciado parece casi infantil. Coloca n puntos en el plano. Ahora cuenta cuántas parejas de puntos están exactamente a distancia 1 entre sí. La pregunta es:

¿Cuál es el número máximo de parejas a distancia unitaria que se puede conseguir con n puntos?

A esa cantidad máxima se la suele denotar como u(n).

Con pocos puntos se puede jugar a mano. Si pones los puntos en línea recta, separados por una unidad, cada punto se conecta con el siguiente. Con n puntos obtienes n - 1 distancias unitarias. No está mal, pero es una construcción muy pobre.

Si usas una cuadrícula, la cosa mejora. En una malla cuadrada, cada punto puede tener vecinos a distancia 1 arriba, abajo, izquierda y derecha. Para una cuadrícula grande, eso da del orden de 2n parejas. Sigue siendo crecimiento lineal, pero ya se ve que la geometría de la configuración importa.

Erdős fue más lejos. En 1946 mostró que una cuadrícula reescalada de forma inteligente podía conseguir más que lineal: aproximadamente

n^(1 + C / log log n)

para alguna constante C. Esa expresión crece más rápido que n, pero solo un poco más. El término extra del exponente, C / log log n, tiende a cero cuando n se hace enorme. Es decir: la mejora sobre lo lineal existe, pero es muy lenta.

Durante décadas, la intuición dominante fue que esa familia de construcciones basada en cuadrículas era esencialmente lo mejor posible. En lenguaje técnico, Erdős conjeturó que

u(n) = n^(1 + o(1))

donde o(1) representa una cantidad que tiende a cero. Traducido: se podía superar lo lineal, sí, pero no con una potencia fija por encima de 1.

OpenAI acaba de mostrar que esa intuición era falsa.

Qué ha demostrado exactamente OpenAI

El resultado anunciado por OpenAI afirma que existe un ε > 0 tal que, para infinitos tamaños n, se pueden construir conjuntos de puntos en el plano con al menos

n^(1 + ε)

parejas a distancia exactamente 1.

Esto rompe la conjetura de Erdős. No estamos hablando de una mejora minúscula que desaparece al crecer n, sino de una mejora polinómica real: el exponente queda separado de 1 por una cantidad positiva.

La versión inicial del resultado no daba un valor explícito cómodo para ese ε. Poco después, Will Sawin publicó una mejora en arXiv mostrando una cota explícita: existen conjuntos arbitrariamente grandes de n puntos con más de

n^1.014

parejas a distancia 1.

Ese 1.014 puede parecer pequeño. No lo es. En problemas asintóticos, pasar de n^(1+o(1)) a n^1.014 cambia la naturaleza del fenómeno. Es la diferencia entre “la cuadrícula casi gana” y “había una familia completamente distinta que nadie había explotado bien”.

También conviene poner el resultado en perspectiva. El mejor límite superior conocido sigue siendo del orden de

O(n^(4/3))

procedente de trabajos de Spencer, Szemerédi y Trotter. Por tanto, aún queda un hueco enorme entre lo que sabemos construir, por encima de n^1.014, y lo que sabemos que no se puede superar, alrededor de n^1.333.... El mapa no está completo. Pero una frontera que parecía estable desde 1946 se ha movido.

Por qué la cuadrícula parecía tan convincente

La cuadrícula era una candidata natural por una razón sencilla: las distancias se repiten mucho. En geometría discreta, repetir patrones es una forma directa de crear muchas relaciones iguales. Si quieres muchas parejas a distancia 1, una red regular parece el lugar obvio al que mirar.

La construcción clásica de Erdős usa enteros gaussianos, números de la forma a + bi, donde a y b son enteros e i² = -1. Estos números permiten reinterpretar puntos del plano como objetos algebraicos. Ahí aparece una de las ideas profundas del problema: aunque el enunciado sea geométrico, la maquinaria útil puede ser aritmética.

La cuadrícula reescalada funciona porque algunos números tienen muchas representaciones como suma de dos cuadrados. Eso permite que muchos pares de puntos queden a la misma distancia después de elegir cuidadosamente la escala. Es una receta elegante: geometría visible por fuera, teoría de números por dentro.

El error de intuición fue pensar que esa receta agotaba prácticamente todas las opciones competitivas.

La diferencia visual entre la intuición clásica y la nueva construcción

La forma más sencilla de entender el salto conceptual es comparar la idea tradicional, apoyada en patrones tipo cuadrícula, con la nueva familia de configuraciones que emerge del enfoque algebraico. La primera parecía durante décadas casi óptima; la segunda muestra que el plano admitía estructuras con muchas más distancias unitarias de las esperadas.

El giro: campos de números algebraicos y geometrías que no caben en una hoja

La nueva construcción no se limita a una cuadrícula plana tradicional. El argumento mira hacia campos de números algebraicos más complejos, estructuras que generalizan los enteros ordinarios y los enteros gaussianos.

Sin entrar en todos los detalles técnicos, la estrategia tiene este sabor:

1. En lugar de trabajar solo con una red sencilla en el plano, se construye una estructura algebraica de dimensión mucho mayor. 2. Esa estructura tiene muchas simetrías y muchos elementos que se comportan como “direcciones” de longitud 1. 3. Después se proyecta o embebe parte de esa estructura de vuelta en el plano complejo, que podemos identificar con R². 4. El resultado es un conjunto de puntos plano que conserva muchísimas distancias unitarias.

La prueba humanamente digerida menciona ingredientes de teoría algebraica de números como campos CM, torres infinitas de campos de clases, teoría de Golod-Shafarevich y argumentos relacionados con Ellenberg-Venkatesh y Hajir-Maire-Ramakrishna. Dicho en cristiano: no es que la IA haya encontrado un truco elemental escondido en una cuadrícula; encontró una conexión potente entre una pregunta visual de geometría discreta y herramientas profundas de teoría de números.

Eso explica por qué el resultado ha sorprendido. Las herramientas existían. La conexión no era obvia. Y en matemáticas, muchas veces el avance no consiste en inventar una pieza nueva, sino en usar una pieza conocida en el lugar donde nadie la esperaba.

La IA no “adivinó”: perseveró donde un humano quizá habría abandonado

Una parte importante del debate está en cómo se produjo el hallazgo. Según OpenAI, el resultado salió de un modelo general de razonamiento, no de un sistema especializado exclusivamente en demostración automática de teoremas ni de una búsqueda diseñada a medida para este problema.

Eso es relevante porque cambia el tipo de capacidad que estamos viendo. No es solo fuerza bruta formal. Es la habilidad de mantener una cadena larga de razonamiento, conectar áreas matemáticas lejanas y explorar caminos que, para una persona, tendrían un coste mental enorme y pocas señales tempranas de éxito.

Thomas Bloom, uno de los matemáticos que participó en el documento de comentarios, apunta precisamente a esto: la IA puede insistir en rutas que un humano habría descartado por parecer poco prometedoras. No porque tenga “intuición” en el sentido humano, sino porque su economía de exploración es distinta. Puede recorrer terrenos tediosos sin aburrirse, sin perder paciencia y sin quedar atrapada por el consenso de que “esto probablemente no va por ahí”.

Esa es una ventaja muy concreta. No reemplaza la comprensión humana, pero sí puede abrir túneles donde la comunidad había dejado de cavar.

El papel de los matemáticos humanos: imprescindible, no decorativo

El resultado no debe leerse como una fantasía de sustitución total. La prueba fue revisada por matemáticos externos y reformulada en un documento más claro, verificable y conectado con la literatura existente. Entre los nombres asociados a los comentarios aparecen Noga Alon, Thomas Bloom, Tim Gowers, Daniel Litt, Will Sawin, Arul Shankar, Jacob Tsimerman, Victor Wang y Melanie Matchett Wood.

Tim Gowers, medallista Fields, lo calificó como un hito en matemáticas con IA, llegando a decir que, si un humano hubiese presentado ese resultado a una revista de primer nivel, merecería consideración seria. Eso es una frase fuerte viniendo de alguien que no necesita inflar titulares.

Pero hay matices importantes:

• La IA produjo una prueba válida, pero los humanos la hicieron más comprensible, más limpia y más útil para la comunidad.
• El resultado refuta una conjetura, pero no determina el valor exacto de u(n).
• Algunas ideas técnicas tenían antecedentes en la literatura, lo que abre preguntas sobre atribución, crédito académico y cómo citar correctamente cuando un modelo recombina conocimiento matemático.
• La validación experta sigue siendo esencial: una cadena larga de razonamiento solo cuenta si sobrevive a revisión dura.

Este punto es clave para no caer ni en el hype barato ni en el rechazo automático. La IA no es un oráculo matemático. Pero tampoco es ya una calculadora con esteroides. En ciertos contextos empieza a comportarse como un colaborador de investigación con una resistencia exploratoria muy poco humana.

Por qué este avance es distinto de otros titulares sobre IA y matemáticas

En los últimos años hemos visto muchos anuncios de IA resolviendo problemas matemáticos. Algunos eran relevantes, otros estaban inflados y otros dependían demasiado de benchmarks o ejercicios con solución conocida.

Este caso destaca por tres razones.

1. Es un problema central y fácil de enunciar

Los buenos problemas de Erdős tienen esa belleza: cualquiera entiende la pregunta, casi nadie puede resolverla. El problema de la distancia unitaria no es una rareza técnica perdida en una subespecialidad diminuta; es un clásico de la geometría combinatoria.

2. El resultado cambia la intuición del campo

No se trata solo de mejorar una constante. La conjetura n^(1+o(1)) decía que cualquier mejora sobre lo lineal debía desvanecerse asintóticamente. Encontrar n^(1+ε) rompe esa imagen.

3. La prueba usa una conexión inesperada

La aparición de teoría algebraica de números profunda en un problema geométrico elemental es exactamente el tipo de puente que hace avanzar las matemáticas. Aunque los ingredientes no sean completamente nuevos, la combinación sí enseña algo sobre el problema.

Dicho de forma directa: esto no es “la IA hizo deberes”. Esto parece investigación matemática real.

Qué significa para la investigación científica

OpenAI presenta este resultado como una señal de que los modelos de razonamiento pueden convertirse en socios de investigación. La lectura es razonable, siempre que no se exagere.

La matemática es un terreno ideal para probar razonamiento porque las reglas son precisas y los errores se pueden detectar. Una demostración no funciona “más o menos”: o encaja, o se rompe. Por eso, si un modelo mantiene un argumento complejo de principio a fin y expertos independientes lo validan, estamos ante una capacidad que merece atención.

La implicación va más allá de las matemáticas. Muchos problemas en biología, física, materiales, ingeniería o medicina también requieren conectar áreas lejanas, explorar hipótesis poco intuitivas y sostener razonamientos largos. La diferencia es que en esos campos la validación suele ser más cara, experimental y lenta. En matemáticas, el laboratorio es la lógica; en ciencia aplicada, el laboratorio también cuesta dinero, tiempo y riesgo.

Por eso conviene ser ambiciosos y prudentes a la vez. La IA puede acelerar descubrimientos, pero la responsabilidad de validar, interpretar y decidir qué merece perseguirse sigue siendo humana.

El límite actual: una IA potente, pero no infalible

Hay otro matiz incómodo: los modelos pueden producir razonamientos convincentes que no siempre citan bien sus deudas intelectuales. Melanie Matchett Wood ha señalado una preocupación legítima: si una persona presentara ideas muy próximas a literatura previa sin atribuirlas, sería un problema profesional serio. Con IA, el asunto se complica porque el modelo puede recombinar conocimiento sin tener una memoria bibliográfica fiable de procedencia.

Esto apunta a una necesidad urgente: si la IA va a participar en investigación real, la comunidad necesita normas claras sobre revisión, crédito, trazabilidad y publicación. No basta con que una prueba sea correcta. También importa cómo se llegó a ella, qué antecedentes utiliza y quién debe recibir reconocimiento.

También hay que recordar que el resultado fue posible porque humanos eligieron el problema, interpretaron la salida, verificaron la prueba y la conectaron con el ecosistema matemático. La parte humana no es un trámite administrativo. Es lo que convierte una cadena de texto en conocimiento científico.

Qué puede pasar ahora

El efecto más inmediato será que matemáticos de teoría de números y geometría discreta revisen problemas parecidos con otros ojos. Si campos de números algebraicos, torres de campos de clases y técnicas de Golod-Shafarevich pueden producir nuevas configuraciones para distancias unitarias, quizá haya otros problemas geométricos donde la teoría de números tenga más que decir de lo que se pensaba.

También veremos más intentos de usar modelos de razonamiento como exploradores de conjeturas. No necesariamente para “resolver” problemas de golpe, sino para hacer algo quizá más útil: encontrar contraejemplos, sugerir familias de objetos, detectar conexiones raras y probar enfoques que no estaban en la agenda humana.

Y seguramente veremos una carrera por formalizar más resultados. Una prueba revisada por expertos es fuerte; una prueba formalizada en sistemas como Lean o Coq sería aún más robusta. La combinación de modelos de lenguaje, asistentes de demostración y matemáticos humanos puede convertirse en una de las líneas más importantes de la investigación matemática de los próximos años.

Conclusión: no es el fin de los matemáticos, es el principio de otra forma de investigar

El avance de OpenAI no significa que la IA haya conquistado las matemáticas. Significa algo más interesante: ya puede producir aportaciones originales en problemas donde la comunidad humana llevaba décadas atascada, siempre que haya revisión experta y trabajo posterior de limpieza, comprensión y contextualización.

La conjetura de Erdős sobre distancias unitarias cayó porque alguien —o algo— se atrevió a mirar donde la intuición colectiva no estaba mirando. Esa es una lección preciosa. En investigación, el consenso experto es valioso, pero también puede crear puntos ciegos. La IA, bien usada, puede ser una máquina de explorar esos puntos ciegos.

No sustituye el criterio humano. Lo obliga a subir de nivel.

Fuentes y lecturas recomendadas

• OpenAI: An OpenAI model has disproved a central conjecture in discrete geometry
• Documento de comentarios matemáticos: Remarks on the disproof of the unit distance conjecture
• Prueba técnica publicada por OpenAI: Planar Point Sets with Many Unit Distances
• Will Sawin: An explicit lower bound for the unit distance problem
• Scientific American: AI just solved an 80-year-old Erdős problem, and mathematicians are amazed
• The Guardian: OpenAI makes breakthrough on 80-year-old maths problem