¿Recuerdan cuando AlphaGo le ganó a Lee Sedol y todos decidimos que la intuición era solo una serie de distribuciones de probabilidad de alta dimensión?
La Conjetura de Jacobiano es una bestia. No es un rompecabezas trivial; es una pregunta fundamental sobre la naturaleza de los mapeos polinomiales que ha desconcertado a las mejores mentes durante más de ochenta años. Ver que un modelo como Claude Fable —que es esencialmente un motor de autocompletado de gama alta con un sofisticado envoltorio de razonamiento— suelte un contraejemplo es un poco como ver a un loro recitar las leyes de la termodinámica. No estás seguro de si entiende la muerte térmica del universo o si simplemente le gusta mucho el sonido de las palabras. Nos obliga a preguntar: ¿estamos viendo realmente un nuevo tipo de razonamiento, o solo un juego de emparejamiento de patrones muy costoso? Si el modelo solo está sintetizando un patrón que vio en una revista de matemáticas soviética de los años 70, no ha “resuelto” nada; es solo el bibliotecario más rápido del mundo.
Esto plantea el debate eterno sobre si estos modelos están haciendo razonamiento o solo interpolación sofisticada. Sospecho lo segundo. Los LLM no “resuelven” matemáticas en el vacío de la lógica; navegan un espacio latente construido a partir de cada fragmento de LaTeX y preprint académico en internet. Es como un jugador de póker que accidentalmente descubre una nueva estrategia al farolear demasiado fuerte (y resulta dar con un movimiento matemáticamente sólido). El modelo no derivó el contraejemplo desde primeros principios usando una pizarra y mucha cafeína. Probablemente sintetizó una estructura basada en intentos fallidos existentes o identidades algebraicas oscuras que encontró en un PDF olvidado. O tal vez no: quizás los rastros de “razonamiento” que vemos sean realmente indicativos de una capacidad naciente para manipular lógica simbólica. Pero dado lo a menudo que estos modelos tropiezan con aritmética básica, esa es una píldora difícil de tragar.
La verdadera fricción aquí es el retraso en la verificación. Actualmente estamos en un estado de “confía pero verifica,” pero la parte de “verificar” requiere un humano con un doctorado en geometría algebraica y mucha paciencia para revisar manualmente los polinomios. La afirmación está ahí fuera, pero la prueba de su validez no. (Y probablemente costó unos pocos dólares en créditos de API). Es un cuello de botella clásico de la IA: el costo de generación es casi cero, pero el costo de verificación es inmenso. Hemos llegado a un punto donde podemos generar mil “posibles” avances por minuto, pero solo tenemos un puñado de humanos capaces de decirnos cuáles son avances reales y cuáles son solo mentiras muy seguras. Es la guerra asimétrica definitiva en la academia.
La única salida de este limbo es la verificación formal. Si queremos que la IA contribuya realmente a las matemáticas, tenemos que dejar de tratarlas como oráculos y empezar a tratarlas como generadoras de hipótesis para Lean o Coq. Necesitamos un pipeline donde el LLM proponga un contraejemplo y un verificador formal lo descarte al instante si está equivocado, en lugar de esperar a que un humano pase un fin de semana revisando una matriz de Jacobiano. Estamos efectivamente intentando construir un puente mientras los planos se escriben en tiempo real por un loro estocástico. En un plazo de 12 semanas, este contraejemplo específico será formalmente verificado en Lean o descartado como una alucinación de alta confianza. Hasta que no automatizamos la parte del “no” del proceso, solo estamos gritando a un vacío de polinomios con pinta de plausibilidad.
Hasta que tengamos una prueba formal, esto es solo una conjetura muy costosa.
