Una matemática pasó dos años perfeccionando una técnica que había estado estancada durante más de una década. Movió un famoso límite matemático en seis unidades. Tres días después, su récord había desaparecido.
Esa secuencia de eventos, comprimida en la primera semana de septiembre, se ha convertido en un punto crítico en un debate que se extiende mucho más allá de la teoría de números. Plantea preguntas sobre cómo se crea el conocimiento, quién recibe el crédito por ello y qué le pasa a la cultura de un campo cuando las máquinas pueden acelerar más allá del esfuerzo humano casi al instante.
Un estancamiento de doce años, luego un salto de seis unidades
La conjetura de los primos gemelos es uno de los problemas abiertos más perdurables de las matemáticas. Pregunta si hay infinitos pares de números primos separados exactamente por dos, como el 3 y el 5, o el 17 y el 19. Se cree ampliamente que la conjetura es verdadera, pero nadie la ha demostrado.
En 2013, el matemático Yitang Zhang, ahora en la Universidad Sun Yat-sen en Cantón, China, hizo una contribución histórica. Demostró que algún tamaño de brecha menor a 70 millones debe repetirse infinitamente entre los números primos. Ese fue el primer límite superior concreto sobre el problema. Los esfuerzos colaborativos rápidamente redujeron ese número a 246 a mediados de 2014. Luego el progreso se detuvo. Durante doce años, el 246 fue el récord.
Julia Stadlmann, una investigadora postdoctoral en la Universidad de Illinois en Urbana-Champaign, comenzó a trabajar intensamente en el problema hace aproximadamente dos años, tras completar su doctorado bajo la tutela de James Maynard en la Universidad de Oxford. Maynard había ayudado a establecer el récord anterior y ganó la Medalla Fields en 2022, en parte por su trabajo sobre las brechas entre primos. La tarea de Stadlmann era integrar técnicas matemáticas más recientes con el marco anterior de Zhang, utilizando un método llamado teoría de cribas, que filtra los números compuestos mediante pesos cuidadosamente calibrados. Determinar los pesos óptimos requería calcular volúmenes en un espacio de alta dimensionalidad con solo una imagen aproximada de cómo se ven esas regiones. Andrew Granville, un teórico de números de la Universidad de Montreal, describió la dificultad claramente: va más allá de buscar una aguja en un pajar.
A principios del verano de 2026, Stadlmann había movido el límite de 246 a 240. Fue el primer avance en más de una década. Kannan Soundararajan, de la Universidad de Stanford, lo calificó como “realmente bastante impresionante”, y citó su persistencia y valor.
Tres días en la cima
El mentor postdoctoral de Stadlmann, Kevin Ford, la instó a publicar su resultado inmediatamente en el archivo de preprints de matemáticas cuando surgieron rumores de que OpenAI estaba trabajando en el mismo problema. Ella lo hizo. El récord duró tres días.
Investigadores de Axiom Math, una startup de IA que había estado verificando pruebas anteriores de 2013 y 2014, pivotaron rápidamente después de que apareció el resultado de Stadlmann. Incorporaron sus nuevas ideas en una IA de demostración de teoremas y, trabajando durante toda la noche, redujeron el límite a 212.
A las dos horas del anuncio de Axiom, OpenAI publicó su propio resultado. La compañía había estado trabajando en un problema relacionado, las mayores brechas entre primos, como punto de referencia para su modelo de lenguaje grande más nuevo, GPT-6 Astra. El problema de las brechas pequeñas era, según el científico informático de OpenAI Sébastien Bubeck, algo así como un añadido perseguido por los matemáticos dentro de la empresa. GPT-6 Astra redujo el límite a 186.
OpenAI dice que estuvo en contacto con Maynard durante este periodo, pero que no se comunicó directamente con Stadlmann. Esa omisión generó duras críticas. En matemáticas, la norma profesional es dar un paso atrás cuando otro investigador, especialmente uno más joven, ya está trabajando en un problema, o acercarse y colaborar. Granville afirmó directamente que no ve evidencia de que OpenAI considerara cuidadosamente cómo la trató a ella. La propia Stadlmann dice que no se siente maltratada. Muchos de sus colegas no están de acuerdo en su nombre.
Lo que se pierde cuando las máquinas avanzan a toda velocidad
Esto es lo que la mayor parte de la cobertura de la historia pasa por alto: la disputa no trata realmente sobre quién ostenta un récord. Trata sobre para qué sirve el progreso matemático.
Terence Tao, de la UCLA, ganador de la Medalla Fields y una de las voces más leídas en las matemáticas, escribió que lo que se desarrolló refleja elecciones deliberadas para abandonar cualquier pretensión de obtener comprensión humana, utilizando herramientas de IA únicamente para lograr un punto de referencia. Ese marco apunta a una tensión genuina. Cuando una máquina produce una demostración, puede ser formalmente correcta y aun así ser opaca. Los matemáticos se refieren a las salidas llenas de contenido que los humanos no pueden analizar inmediatamente como “basura de IA” (“AI slop”). Una demostración válida que nadie puede entender no hace avanzar el campo de la misma manera que lo hace una demostración construida por humanos.
La preocupación más profunda es sobre lo que la propia lucha produce. Tao, quien colaboró en esfuerzos anteriores sobre brechas de primos pequeños, ha señalado que para problemas como estos, el valor no radica en la respuesta, sino en lo que surge del proceso: nuevas técnicas, nuevas formas de plantear los problemas, una comprensión más rica de las matemáticas en su conjunto. Granville ofreció una ilustración concreta de la utilidad genuina de la IA, al señalar que una demostración que le habría tomado un mes ahora le toma dos horas. La herramienta es potente. La pregunta es si desplegarla para superar a los investigadores humanos, sin coordinación ni transparencia, sirve al objetivo más amplio de construir conocimiento, o simplemente acumula puntos de referencia.
Bubeck declaró que OpenAI no tiene la intención de profundizar en el problema de las brechas entre primos y que la estrategia de la empresa es empoderar a los matemáticos. Si ese marco se mantiene a medida que crecen las capacidades de la IA es una pregunta con la que el campo está lidiando activamente ahora.
En resumen
Una matemática humana rompió un récord de doce años. En pocos días, dos sistemas de IA rompieron el suyo. Los números, 246, 240, 212, 186, cuentan una historia. La historia más importante trata sobre las normas profesionales, la opacidad de las demostraciones generadas por máquinas y si la carrera por capturar puntos de referencia matemáticos es compatible con el proceso más lento y rico de entender realmente las matemáticas.
Basado en información de Science News.