El medalla Fields Timothy Gowers establece en su blog una distinción llamativa: casi todos los problemas matemáticos famosos resueltos hasta la fecha por modelos de lenguaje se resolvieron con contraejemplos y no con demostraciones.
Cuál es la diferencia
En matemáticas, refutar una afirmación y demostrarla son dos trabajos muy distintos.
Hallar un contraejemplo es producir un único objeto que muestre que la afirmación es falsa. Para derribar una afirmación del tipo "todo número con esta propiedad cumple aquello", basta con un número que no la cumpla. Es una tarea de búsqueda: hay que mirar en el sitio adecuado y de la forma adecuada.
Una demostración consiste en mostrar que la afirmación se cumple en infinitos casos. Ningún ejemplo sirve; hay que construir una cadena de razonamiento que los abarque todos. Es una tarea de construcción.
Por qué los modelos son mejores en una
La distinción se relaciona directamente con el funcionamiento de los modelos. Buscar un contraejemplo exige recorrer deprisa un espacio amplio de posibilidades, probar muchos candidatos y descartarlos. Los modelos de lenguaje son buenos en eso: son rápidos, no se cansan y prueban candidatos extraños que a una persona no se le ocurrirían.
Construir una demostración pide otra cosa: una estructura en la que cada paso se siga necesariamente del anterior, sin huecos en ningún punto. En una demostración no hay "probablemente" ni "por lo general"; un solo eslabón flojo invalida toda la cadena.
Por qué importa
La observación de Gowers muestra cómo deben leerse los titulares del tipo "la IA resolvió un problema matemático". Se describen con la misma frase dos logros distintos que no son lo mismo:
- Contraejemplo: una contribución real y valiosa. Puede responder a una pregunta abierta durante años, y la respuesta es verificable.
- Demostración: el trabajo propio de las matemáticas. Explica por qué un teorema es cierto, no solo que lo es.
La distinción no es un desprecio. Encontrar contraejemplos es difícil y el éxito de los modelos en ello es real. Pero nombrar con precisión la contribución es lo que permite ver cuál es el paso siguiente.
La cuestión de la verificabilidad
La distinción tiene otra consecuencia práctica. Un contraejemplo es verificable por sí solo: se toma el ejemplo, se comprueba que no cumple la afirmación y se acabó. Cómo se encontró es indiferente.
Una demostración, en cambio, debe revisarse línea a línea. Una demostración producida por un modelo puede contener un hueco oculto, y encontrarlo exige el trabajo de un matemático que la lea. Que un modelo produzca demostraciones no elimina, por tanto, la carga de verificación: solo la desplaza.
Eso explica también por qué los modelos han avanzado más deprisa en el lado de los contraejemplos: ahí el resultado se verifica solo.
La misma distinción en otros campos
La distinción que traza Gowers en matemáticas es un patrón con equivalente en casi todos los campos donde se usa la IA. Los modelos son claramente más fiables en trabajos cuya respuesta es barata de verificar.
Si un fragmento de código funciona se resuelve con una prueba; si una vulnerabilidad es realmente explotable se resuelve intentándolo; una hipótesis puede refutarse con un solo dato. En todos esos casos el modelo produce y otro mecanismo verifica.
En cambio, en trabajos donde la corrección solo puede establecerla el juicio de un experto —si una estrategia es acertada, si un texto describe bien un hecho, si una demostración es impecable— los modelos no avanzan al mismo ritmo. Ahí el error no tiene forma de delatarse.
La conclusión práctica
La pregunta antes de encargar un trabajo a la IA no es si el modelo puede hacerlo, sino: ¿puedo verificar el resultado a bajo coste? Si la respuesta es sí, el modelo es una herramienta potente. Si no, la velocidad ganada se paga en trabajo de verificación.