Una IA acaba de demostrar un problema matemático que desconcertó a los humanos durante 50 años
Según las informaciones, GPT-5.6 Sol Ultra de OpenAI demostró la conjetura de la doble cobertura por ciclos en menos de una hora. Un matemático califica la demostración de «muy bonita» y señala lo que omite el anuncio.
OpenAI afirma que su nuevo modelo más potente, GPT-5.6 Sol Ultra, ha producido una demostración completa de la conjetura de la doble cobertura por ciclos, un problema de teoría de grafos en el que los matemáticos llevan trabajando desde la década de 1970. Según las informaciones, el modelo necesitó menos de una hora y utilizó 64 subagentes, trabajadores de IA independientes que abordaron el problema en paralelo.
La propia conjetura resulta sorprendentemente fácil de enunciar. Imagina una red de puntos unidos por líneas, por ejemplo un mapa de carreteras. La pregunta es esta: ¿siempre puedes encontrar un conjunto de recorridos circulares de modo que cada carretera se atraviese exactamente dos veces? Durante cincuenta años, nadie pudo demostrar que la respuesta fuera siempre afirmativa. Existían respuestas parciales para casos especiales, pero no una demostración general.
Thomas Bloom, matemático de la Universidad de Mánchester, ha ofrecido hasta ahora la evaluación pública más detallada. La califica de «demostración muy bonita» y añade un giro: la solución es breve, elemental y «podría haberse descubierto en la década de 1980». No requiere herramientas matemáticas nuevas, solo una combinación ingeniosa de métodos conocidos. Su teoría sobre por qué los humanos no la encontraron es que el paso clave incluye un movimiento contrario a la intuición que una persona probablemente probaría, vería fracasar y abandonaría. La IA no se desanima: sigue recorriendo pequeñas variaciones hasta que una funciona.
Hay una pega que conviene conocer antes de entusiasmarse demasiado. Bloom señala que las ideas principales se remontan a un artículo de 1983 que el texto de OpenAI no cita en absoluto. Es un problema recurrente en los artículos generados por IA: se apoyan en la bibliografía existente sin indicarlo, lo que hace que la máquina parezca más original de lo que es. Además, todavía está pendiente una revisión completa por parte de la comunidad matemática, motivo por el que «según las informaciones» desempeña una función real en esta historia.
¿Qué hay detrás? En parte, unas instrucciones ingeniosas. Las órdenes dadas al modelo estaban diseñadas, en esencia, para que fuera obstinado: debía asumir que existía una demostración, no buscar en internet, no responder «esto no está resuelto» y no contestar hasta que una demostración completa superara la revisión crítica de otros agentes. Se le indicó que realizara cálculos durante al menos ocho horas antes de siquiera plantearse abandonar. Terminó en una. Bloom espera que más conjeturas antiguas caigan de esta manera: aquellas que solo necesitaban la teoría existente y una paciencia enorme. La pega es que probablemente representen una pequeña proporción de los problemas abiertos, y nadie sabe de antemano cuáles son.
Qué significa esto para ti: todavía no cambia nada en tu vida cotidiana, pero es una de las señales más claras del rumbo de las herramientas de IA para la investigación: incansables, paralelas y realmente útiles ante problemas difíciles. Si trabajas con IA en algo complejo, también hay una lección práctica escondida en esas instrucciones: la persistencia puede diseñarse. Pedir a un modelo que siga intentándolo, se verifique y no se conforme con respuestas parciales cambia de forma mensurable lo que entrega.
Fuentes
Orca: un nuevo tipo de IA que aprende cómo funciona el mundo observándolo
La BAAI de Pekín ha presentado Orca, un «modelo del mundo» entrenado con 125.000 horas de vídeo que iguala a sistemas especializados de robótica sin haber visto una sola acción de robot etiquetada durante el preentrenamiento.
