The Brief
Cómo funciona la IA 5 min de lectura

Las raíces ancestrales de las matemáticas que impulsan la IA moderna

NAVION

Compartir

Las matemáticas no llegaron a la inteligencia artificial por casualidad. Las herramientas que hacen posible el aprendizaje automático, desde las operaciones con matrices hasta las cadenas de probabilidad, fueron desarrolladas durante siglos por personas que resolvían problemas completamente diferentes. Un nuevo libro de los matemáticos Steven Strogatz y Alex Townsend, Big Math (Little, Brown and Company, 2026), rastrea ese linaje con una claridad inusual. El resultado es un retrato de cómo el pensamiento matemático abstracto, a menudo con siglos de antigüedad, se convirtió silenciosamente en el motor de la tecnología más influyente de la era actual.

Las varillas de bambú que predijeron las redes neuronales

Uno de los argumentos más llamativos de Big Math es que las matemáticas centrales para la IA no son nuevas. Strogatz y Townsend describen cómo los antiguos matemáticos chinos resolvían problemas de contabilidad, estimando específicamente el rendimiento de arroz comestible a partir de manojos de arroz sin procesar mediante la manipulación de varillas de bambú. La estructura subyacente de esos cálculos, expresada en términos modernos, involucra sistemas de ecuaciones lineales, matrices y vectores.

Esto no es una curiosidad histórica. Esas mismas estructuras matemáticas se encuentran en el núcleo de cómo operan las redes neuronales hoy en día. La manipulación de matrices masivas, que contienen cientos de miles de millones y hasta billones de números, se describe en el libro como el corazón de la IA generativa. Los contadores chinos que trabajaban con bambú no tenían idea de que estaban esbozando el plano de una tecnología que llegaría aproximadamente dos milenios después.

El libro también recupera una observación reveladora del matemático del siglo XIX James Joseph Sylvester, quien acuñó la palabra “matriz” y la describió como una “madre, un generador, una entidad que dio a luz a otros objetos matemáticos”. Strogatz y Townsend señalan que este marco resulta inquietantemente presiente dado lo que las matrices producen ahora.

De las redes sociales a los motores de búsqueda: el largo arco de los métodos matriciales

El libro no se detiene en la historia antigua. Rastrea cómo los métodos matriciales evolucionaron a lo largo del siglo veinte para convertirse en herramientas para comprender las relaciones humanas. La idea de Leon Festinger de 1949 de que las multiplicaciones repetidas de matrices y vectores podían descubrir estructuras ocultas en las redes sociales acabó dando lugar a métodos para medir la influencia, detectar grupos y clasificar a los individuos según su grado de conexión.

Ese linaje conduce directamente a una de las aplicaciones más familiares en la historia de la tecnología. Strogatz y Townsend explican cómo el juego de mesa Serpientes y Escaleras se puede utilizar para entender una cadena de Markov, una formulación matemática en la que la probabilidad del siguiente estado depende únicamente del estado actual, y no de ninguno de los anteriores. Esta estructura fue clave para los primeros algoritmos de búsqueda de Google.

El libro también relata la historia de George Dantzig, quien, como estudiante de posgrado en la Universidad de California en Berkeley en 1939, llegó tarde a una clase de estadística y copió dos ecuaciones del pizarrón, asumiendo que eran la tarea. Las resolvió días después y se disculpó por la tardanza. Eran problemas abiertos y sin resolver. La historia se convirtió más tarde en la base de una escena de la película de 1997 Good Will Hunting.

Estas anécdotas no son decoración. Ilustran un patrón: las herramientas matemáticas desarrolladas en un contexto, a menudo sin ningún propósito aplicado en mente, resultan ser exactamente lo que una tecnología futura requiere una y otra vez.

Por qué la historia de las matemáticas es también la historia de la IA

Esto es lo que la mayor parte de la cobertura sobre la IA pasa por alto. La conversación pública sobre la inteligencia artificial tiende a centrarse en los avances recientes, en lo que un modelo puede hacer hoy frente a lo que podía hacer el año pasado. Big Math replantea la pregunta. Las capacidades que parecen repentinas se basan en cimientos matemáticos que son todo lo menos repentinos.

La historia de Regina Barzilay, con la que se abre el libro, hace que esto sea concreto. Barzilay, una científica computacional que tuvo cáncer de mama, decidió tras completar su tratamiento en 2014 abordar la falta de herramientas para la detección temprana. La tecnología que necesitaba ya existía en forma de aprendizaje automático, pero se usaba principalmente para recomendar películas y guiar el comportamiento de compra en línea. Al colaborar con radiólogos y científicos computacionales, desarrolló un modelo de aprendizaje automático capaz de predecir el riesgo de una persona de desarrollar cáncer de mama en los siguientes cinco años a partir de una sola mamografía.

Las matemáticas detrás de ese modelo no fueron inventadas para la medicina. Se adaptaron de estructuras que se habían estado acumulando durante siglos. Este es el punto más profundo que señalan Strogatz y Townsend: las “grandes matemáticas”, como las llaman, son el sustrato compartido debajo de las tecnologías que están redefiniendo cómo las personas trabajan, aprenden, compran, viajan, se comunican y sanan.

Comprender ese sustrato no requiere convertirse en matemático. Pero sí exige reconocer que la IA no es una ruptura con el pasado. Es la culminación de uno.

En resumen

Las matemáticas que impulsan la IA, incluyendo matrices, vectores, ecuaciones lineales y cadenas de Markov, se desarrollaron durante siglos para resolver problemas que no tenían nada que ver con la computación. Big Math, de Steven Strogatz y Alex Townsend, rastrea esa historia desde la antigua contabilidad china hasta los algoritmos de búsqueda de Google, mostrando que lo que parece una revolución tecnológica es también el último capítulo de una historia matemática muy larga.

Basado en información de Nature.

Escrito por

NAVION