Los problemas de Erdős de AlphaProof Nexus llegan a la revisión por pares, pero nueve de 353 es la verdadera historia
AlphaProof Nexus de Google DeepMind resolvió nueve de 353 problemas de Erdős seleccionados, según un estudio revisado por pares publicado en Science el 8 de octubre de 2026. Dos de las cuestiones llevaban abiertas 56 años. Sin embargo, el denominador importa tanto como el titular: el sistema completó cerca del 2,5 por ciento de los problemas seleccionados.
El resultado de los problemas de Erdős de AlphaProof Nexus es más que otra afirmación de que un modelo de IA puede abordar matemáticas difíciles. DeepMind combinó la generación de modelos de lenguaje con Lean, un sistema formal que comprueba si cada paso de una demostración se deriva de las definiciones y reglas establecidas. El equipo también publicó demostraciones legibles por máquina para su inspección externa.
Ese proceso de verificación distingue al proyecto de los experimentos de matemáticas con IA basados principalmente en respuestas en lenguaje natural. Sin embargo, no elimina el juicio humano. Los matemáticos aún deben confirmar que cada enunciado formal representa fielmente la pregunta original y que un resultado técnicamente válido es realmente novedoso.
AlphaProof Nexus resolvió nueve problemas de Erdős y luego Science revisó el trabajo
El cambio inmediato no es solo el número nueve. Es la combinación de resultados de nivel investigador, artefactos verificables por máquina y revisión convencional por pares.
El estudio revisado por pares, titulado “Advancing Mathematics Research with AI-Driven Formal Proof Search”, apareció en Science el 8 de octubre. Un preprint de investigación anterior había divulgado los hallazgos centrales en mayo de 2026.
Los investigadores de Google DeepMind seleccionaron 353 problemas abiertos de la colección de problemas de Erdős y los representaron en Lean. Según se informa, AlphaProof Nexus encontró demostraciones para nueve. Dos de esas cuestiones llevaban abiertas 56 años, lo que otorga al resultado un punto de referencia histórico inusualmente claro.
Paul Erdős fue un matemático prolífico cuyas preguntas abarcan combinatoria, teoría de números, teoría de grafos y campos relacionados. La colección en línea asociada a su trabajo incluye problemas con distintos niveles de dificultad, trayectorias y definiciones de resolución. Resolver uno puede exigir desde una observación pasada por alto hasta un nuevo programa de investigación.
Por tanto, el rendimiento reportado debe interpretarse como nueve éxitos dentro de un conjunto de prueba definido, no como una capacidad general para resolver nueve conjeturas famosas arbitrarias. Los otros 344 problemas seleccionados permanecieron sin resolver en el experimento. Ese límite hace que el estudio sea más informativo porque expone tanto los aciertos como los fracasos.
AlphaProof Nexus también abordó un segundo benchmark amplio. Los investigadores informan que demostró 44 de 492 conjeturas abiertas extraídas de la Online Encyclopedia of Integer Sequences. Se trata de una base de datos consolidada que conecta secuencias de enteros con fórmulas, observaciones y propiedades conjeturadas.
Fuera de esas evaluaciones sistemáticas, el sistema contribuyó a varios proyectos de investigación. El artículo informa de una respuesta a una cuestión abierta de geometría algebraica relacionada con las funciones de Hilbert. También describe una cota mejorada en optimización min-max y trabajo que abarca teoría de grafos, combinatoria y óptica cuántica.
Estos casos adicionales importan porque las puntuaciones de los benchmarks pueden ocultar la forma real de la investigación. Un matemático rara vez recibe cientos de enunciados de teoremas perfectamente formateados y pide únicamente demostraciones completas. Los proyectos reales incluyen definiciones incompletas, afirmaciones intermedias inciertas y problemas que cambian a medida que los investigadores los comprenden.
La publicación en Science no significa que todas las implicaciones queden resueltas para siempre. La revisión por pares evalúa los métodos, las pruebas y las conclusiones de un artículo, pero no replica automáticamente cada ejecución computacional. Los artefactos formales públicos proporcionan una capa independiente de escrutinio que puede continuar después de la publicación.
El repositorio de demostraciones de DeepMind contiene archivos de Lean y versiones en lenguaje natural de las demostraciones exitosas. También identifica los problemas de Erdős intentados y remite a formalizaciones de casos no exitosos. Los investigadores pueden compilar el proyecto localmente y pedir a Lean que compruebe los archivos de demostraciones completadas.
Esta publicación ofrece a los matemáticos externos algo más útil que un resumen de prensa. Pueden inspeccionar las definiciones, comparar los enunciados formales con los problemas originales y estudiar qué estrategias de demostración funcionaron. También pueden identificar si un teorema anterior ya implica un resultado reportado.
La evidencia pública convierte el anuncio en un objeto de investigación auditable. No establece automáticamente la importancia matemática, la novedad ni la comprensión. Esas cuestiones siguen formando parte del proceso de revisión humana.
Por qué importa el resultado de los problemas de Erdős de AlphaProof Nexus
AlphaProof Nexus desplaza la pregunta central de si un modelo puede redactar matemáticas plausibles a si un agente puede producir demostraciones que superen verificaciones mecánicas y humanas.
Los grandes modelos de lenguaje generan texto prediciendo secuencias, lo que los hace capaces de producir argumentos elegantes con fallos lógicos sutiles. En la prosa convencional, esos errores pueden permanecer ocultos durante varias páginas. Una conclusión contundente puede depender de una transformación inválida introducida mucho antes.
Lean cambia ese entorno de trabajo. Es un asistente de demostración, lo que significa que los enunciados matemáticos y las demostraciones se escriben en un lenguaje formal cuyos pasos lógicos pueden ser comprobados por software. Una demostración no puede aprobar simplemente porque suene convincente.
AlphaProof Nexus utiliza ese entorno estricto como un canal de retroalimentación activo. Un modelo de lenguaje propone código Lean, el compilador lo evalúa y los mensajes de error guían revisiones posteriores. Los intentos fallidos se convierten en información para el siguiente paso de búsqueda en lugar de permanecer como errores de razonamiento invisibles.
Este enfoque se parece a cómo trabajan los agentes de programación con compiladores y pruebas automatizadas. El modelo no necesita una fiabilidad perfecta en cada propuesta inicial. Necesita un proceso que rechace estados inválidos, conserve avances útiles y dirija una exploración posterior.
La analogía tiene límites. Un conjunto de pruebas de software aprobado puede pasar por alto comportamientos importantes, y una demostración Lean compilada puede codificar el enunciado matemático equivocado. La verificación solo es tan significativa como la especificación que se verifica.
Esa distinción es fundamental para entender AlphaProof Nexus. Lean confirma que una demostración se deriva de los supuestos formales que se le presentan. Lean no decide de forma independiente si esos supuestos coinciden con el problema de Erdős previsto.
Por ello, el trabajo de DeepMind combina dos formas de revisión. La comprobación mecánica evalúa la validez lógica interna. Los matemáticos examinan la interpretación, la novedad, la relevancia y la relación entre el teorema formal y su fuente.
Este proceso por capas presiona a la investigación de IA basada únicamente en lenguaje natural. Una demostración pulida deja de ser la prueba más sólida disponible cuando otro sistema puede proporcionar artefactos formales ejecutables. Los laboratorios que formulen afirmaciones matemáticas afrontarán crecientes exigencias de publicar enunciados precisos, demostraciones verificables por máquina y denominadores de evaluación completos.
El resultado también presiona a los desarrolladores de demostradores formales de teoremas. AlphaProof Nexus sugiere que los modelos de lenguaje generales pueden resultar más útiles cuando se conectan a herramientas simbólicas estrictas. El asistente de demostración proporciona retroalimentación local fiable, mientras el modelo explora un espacio de estrategias mucho mayor y menos predecible.
Esa división del trabajo es relevante más allá de las matemáticas. La ingeniería de software, el diseño de hardware, los protocolos de seguridad y los sistemas críticos para la seguridad incluyen tareas en las que los resultados generados pueden comprobarse frente a restricciones formales. Por tanto, el impacto de AlphaProof Nexus podría extenderse más allá de sus nueve resultados de Erdős.
Sin embargo, la retroalimentación formal funciona mejor cuando la corrección puede expresarse con precisión. Muchas preguntas empresariales, científicas y sociales carecen de una especificación completa legible por máquina. El método no convierte todos los problemas de razonamiento en ejercicios de demostración de teoremas.
La conclusión más sólida es más limitada. Cuando un ámbito proporciona un verificador exacto, los agentes de IA pueden usar señales de fallo para hacer más fiables las cadenas largas de razonamiento. AlphaProof Nexus ofrece evidencia excepcionalmente concreta de ese patrón de diseño.
El mecanismo real es generar, comprobar y revisar
AlphaProof Nexus funciona porque cada demostración propuesta debe enfrentarse a un verificador, no porque un modelo produzca un destello ininterrumpido de intuición matemática.
Los investigadores estudiaron cuatro configuraciones de agentes con una complejidad creciente. La versión básica ejecutaba múltiples subagentes que generaban repetidamente intentos de demostración en Lean y reaccionaban a la retroalimentación del compilador. Las configuraciones más elaboradas añadían herramientas especializadas y mecanismos de coordinación.
El sistema completo podía llamar a AlphaProof, el demostrador basado en aprendizaje por refuerzo de DeepMind, cuando encontraba subproblemas difíciles. AlphaProof se diseñó anteriormente para matemáticas formales de competición. En Nexus, actuó como una herramienta focalizada dentro de un flujo de trabajo de investigación más amplio.
El agente más elaborado también utilizó un proceso evolutivo. Los enfoques candidatos podían compararse, combinarse y priorizarse mientras varios subagentes exploraban el espacio de búsqueda. Esta estructura buscaba conservar trabajo parcial prometedor sin obligar a que cada intento siguiera un único contexto lineal.
El mecanismo aborda una debilidad común en las tareas largas de IA. Los modelos pueden abandonar un enfoque útil, repetir un error anterior o perder el seguimiento de las dependencias. Una población gestionada de intentos ofrece más oportunidades de conservar ramas productivas.
Sin embargo, el estudio produjo un resultado sorprendente. Según se informa, el agente más simple resolvió los mismos nueve problemas de Erdős que la versión completa. Lo hizo sin llamar a la herramienta especializada AlphaProof.
Ese hallazgo no vuelve irrelevante al marco más amplio. Las configuraciones diferían en coste y rendimiento en otras tareas, y el sistema más avanzado ayudó en casos difíciles concretos. Aun así, el resultado de ablación debilita cualquier afirmación de que la complejidad arquitectónica causó el resultado principal.
En cambio, destaca la combinación de un modelo base capaz con una retroalimentación inflexible del compilador. Gemini 3.1 Pro generó y revisó los argumentos formales, mientras Lean rechazaba los pasos inválidos. El ciclo de retroalimentación proporcionó el anclaje del que carece el razonamiento conversacional convencional.
Los investigadores también evaluaron conjeturas de OEIS, donde el sistema demostró 44 de 492 enunciados intentados. Este conjunto más amplio respalda la conclusión de que el método es repetible en múltiples problemas formalizados. No establece una tasa de éxito general elevada.
Por tanto, AlphaProof Nexus explicado en términos operativos es sencillo. Primero, una persona u otro proceso formaliza una cuestión matemática. Después, varios agentes impulsados por modelos generan código Lean y reciben errores del compilador. El software de coordinación asigna esfuerzo adicional a estados de demostración prometedores.
Por último, las demostraciones formales exitosas reciben una revisión matemática. Los investigadores pueden traducirlas a lenguaje corriente, evaluar su novedad y decidir si aportan comprensión útil. El verificador automático reduce una categoría importante de errores, pero no realiza toda la evaluación científica.
Esta separación también aclara qué significa “autónomo” en el estudio. La búsqueda de demostraciones puede avanzar sin que una persona proporcione cada paso intermedio. Los humanos siguen seleccionando los problemas, preparando los enunciados formales, configurando el sistema y evaluando los resultados completados.
La autonomía, por tanto, está limitada por el entorno preparado. AlphaProof Nexus no examinó de forma independiente todas las matemáticas, decidió qué preguntas importaban ni publicó conclusiones sin supervisión. Buscó dentro de tareas y herramientas proporcionadas por investigadores.
Aun así, se trata de una automatización valiosa. El desarrollo de demostraciones formales puede requerir una experimentación extensa con lemas, representaciones y componentes de bibliotecas. Un agente que explore esas opciones y devuelva candidatos verificables puede ahorrar tiempo a los investigadores incluso cuando la mayoría de los intentos fracasa.
Las búsquedas fallidas también pueden revelar hechos intermedios útiles. Una demostración formal fallida puede poner de manifiesto un lema ausente, una hipótesis inconsistente o una reformulación prometedora. Estos artefactos pueden respaldar el trabajo humano si el sistema los conserva con claridad.
Aquí es donde el valor de investigación puede perdurar más allá de la puntuación inicial. Nueve demostraciones completadas atraen atención, pero los historiales de búsqueda estructurados y los pasos intermedios verificados podrían convertirse en el resultado científico más importante.
La verificación formal no resuelve el significado ni la novedad
Una compilación exitosa de Lean responde si la demostración codificada es válida. No responde si el teorema corresponde al problema previsto ni si aporta nuevas matemáticas.
Expertos independientes que respondieron mediante reacciones de investigadores identificaron la formalización como una limitación central. Si un problema fuente se traduce incorrectamente, Lean puede validar una demostración de la proposición equivocada.
No se trata de una salvedad técnica menor. Los enunciados matemáticos a menudo condensan convenciones establecidas, condiciones implícitas y referencias a literatura anterior. Una versión formal debe hacer explícita cada elección relevante.
Esas elecciones pueden alterar el problema. Una condición ausente puede volver falso el teorema, mientras que una hipótesis adicional puede hacerlo mucho más fácil. Los expertos humanos deben comparar la versión codificada con la redacción original y su interpretación aceptada.
La novedad exige otro tipo de investigación. Un sistema puede producir una demostración correcta para un enunciado ya implicado por trabajos anteriores. Lean verifica la corrección lógica dentro de su entorno, pero no busca la prioridad en toda la literatura matemática.
Una auditoría independiente sostuvo que uno de los nueve resultados comunicados ya estaba implicado por un teorema anterior. Eso no invalida la demostración formal correspondiente. Ilustra por qué el número de problemas recién resueltos puede cambiar a medida que los especialistas examinan la literatura histórica.
Por ello, la formulación adecuada debe ser prudente. El artículo informa de nueve problemas de Erdős resueltos, y sus artefactos de demostración superaron comprobaciones formales. Que todos los casos representen una resolución nueva en el sentido histórico más estricto sigue sujeto a revisión continua.
La tasa de éxito añade otra restricción. Nueve resultados de 353 intentos representan alrededor del 2,5 por ciento del conjunto seleccionado. Esto es significativo para la búsqueda de demostraciones formales a nivel de investigación, pero no respalda la idea de un solucionador general de problemas matemáticos.
Los efectos de selección también importan. Los problemas intentados debían poder formalizarse y ser compatibles con las bibliotecas de Lean disponibles. Algunas áreas son más fáciles de representar porque sus definiciones fundamentales y lemas de apoyo ya existen en formato legible por máquina.
Por tanto, la capacidad medida de un sistema refleja algo más que razonamiento. Refleja la cobertura de las bibliotecas, la calidad de la formalización, la selección de problemas, el cómputo disponible y la compatibilidad entre un teorema y los métodos de búsqueda del agente.
La información sobre costes exige una cautela similar. Las descripciones publicadas sitúan las ejecuciones de inferencia exitosas en el rango de cientos de dólares por problema. Los críticos señalan que las cifras de ejecuciones exitosas no necesariamente incluyen las búsquedas fallidas ni todas las llamadas a componentes especializados.
Sin el gasto total de todo el conjunto de intentos, los lectores no pueden calcular un coste completo por problema recién resuelto. Tampoco pueden comparar el sistema directamente con el trabajo de un matemático utilizando únicamente el gasto de inferencia.
El trabajo humano sigue siendo otro insumo sin precio asignado. Los expertos deben formalizar las preguntas, mantener las bibliotecas, inspeccionar los resultados, interpretar los descubrimientos y convertir los términos de demostración en argumentos comprensibles. Estas tareas forman parte del sistema de investigación incluso cuando la búsqueda de demostraciones en sí es autónoma.
El rendimiento del agente básico plantea una cuestión arquitectónica independiente. Si un bucle de generar y comprobar resolvió el mismo subconjunto de problemas de Erdős que el sistema completo, los futuros equipos deberían comprobar si configuraciones más simples ofrecen un valor comparable.
Más componentes pueden mejorar la exploración, pero también aumentan el coste y dificultan el diagnóstico de los fallos. Los estudios de ablación transparentes son esenciales porque identifican qué mecanismos cambian realmente los resultados.
Estas limitaciones no borran el logro. Lo definen con mayor precisión. AlphaProof Nexus demuestra un flujo de trabajo creíble para producir candidatos de investigación comprobables, no un sustituto de la interpretación matemática ni de la revisión académica.
La revisión por pares transforma la competencia de las matemáticas con IA
La división competitiva más fuerte ya no es un modelo frente a otro. Es la publicación verificada frente a las afirmaciones de gran volumen que trasladan los costes de revisión a los matemáticos.
Los laboratorios de IA han comunicado recientemente un número creciente de resultados sobre problemas matemáticos abiertos. Algunos ponen el énfasis en el razonamiento bruto de modelos en lenguaje natural. Otros conectan modelos con asistentes de demostración, ejecución de código, álgebra simbólica o grandes equipos de agentes.
Estas vías optimizan objetivos distintos. Los sistemas de lenguaje natural pueden trabajar directamente con la notación y el estilo explicativo utilizados por los investigadores. Pueden revelar estrategias intuitivas difíciles de expresar en un entorno formal.
Los sistemas formales ofrecen garantías locales de corrección más sólidas. Pueden rechazar de inmediato pasos inválidos y producir artefactos que otros investigadores pueden ejecutar. Sin embargo, dependen de enunciados formalizados, bibliotecas de apoyo y conocimiento especializado.
AlphaProof Nexus combina la flexibilidad de los modelos de lenguaje con la comprobación formal. El artículo de Science añade después la revisión académica ordinaria, dando a editores y revisores la oportunidad de cuestionar los métodos, la interpretación y la presentación.
Ese proceso contrasta con publicar cientos de manuscritos generados por IA directamente en repositorios públicos. Las grandes publicaciones pueden contener ideas valiosas, pero trasladan la carga de clasificación a investigadores que deben determinar qué resultados son correctos, nuevos y dignos de lectura.
La publicación comunicada llegó durante un debate activo sobre esa carga. Los matemáticos han advertido que los vertidos de resultados sin verificar pueden desbordar la limitada atención humana necesaria para validarlos.
La revisión por pares no resuelve por sí sola el problema de escala. Las revistas también dependen de expertos voluntarios o escasamente remunerados. Si los sistemas de IA multiplican las afirmaciones de investigación más rápido de lo que los especialistas pueden evaluarlas, la revisión convencional afrontará el mismo cuello de botella.
La verificación automática puede ayudar filtrando los fallos lógicos evidentes antes de la revisión humana. El debate relacionado con el artículo presenta la comprobación formal como una forma de identificar qué demostraciones merecen atención experta. Ese es un papel más defendible que tratar al verificador como sustituto de los expertos.
La ventaja competitiva puede, por tanto, corresponder a los sistemas que gestionen bien la atención. Un agente matemático útil debería clasificar los resultados, exponer las hipótesis, rastrear dependencias y distinguir las demostraciones completadas del trabajo parcial prometedor.
También debería hacer legible la evidencia negativa. Los investigadores necesitan saber qué estrategias fracasaron, qué lemas siguen sin demostrarse y en qué se gastó el cómputo. Un teorema final pulido por sí solo puede ocultar la mayor parte del proceso de investigación útil.
Para Google DeepMind, la publicación en Science respalda una estrategia centrada en la verificabilidad y la divulgación selectiva. Los artefactos públicos de Lean permiten el escrutinio técnico, mientras que la revisión por pares aporta evaluación institucional.
Los competidores pueden adoptar los mismos elementos. Lean es de código abierto, y los flujos de trabajo de demostración formal no son exclusivos de un laboratorio. La ventaja duradera dependerá de la calidad de los modelos, la eficiencia de búsqueda, la profundidad de las bibliotecas y la integración con matemáticos en activo.
Las universidades afrontan una cuestión de recursos. Ejecutar modelos de frontera sobre cientos de problemas de investigación puede requerir un apoyo considerable de cómputo e ingeniería. Si solo los grandes laboratorios pueden operar estos sistemas con eficacia, el acceso al descubrimiento automatizado puede volverse desigual.
Los artefactos de demostración abiertos abordan parcialmente ese desequilibrio. Los investigadores que no pueden ejecutar el agente original aún pueden inspeccionar las demostraciones exitosas, probar enunciados formales y aprovechar los resultados publicados. No necesariamente pueden reproducir todo el proceso de búsqueda.
Por tanto, la próxima fase de la competencia debería medirse mediante la reproducibilidad, no solo por los recuentos de titulares. Los laboratorios deben revelar los conjuntos intentados, la contabilidad de cómputo, las intervenciones humanas, los procedimientos de formalización y el estado de las comprobaciones independientes.
Qué observar después de AlphaProof Nexus
Tres señales determinarán si AlphaProof Nexus se convierte en una herramienta de investigación duradera: auditorías externas, replicación con agentes más simples y evidencia de colaboración humana sostenida.
La primera señal es la revisión matemática independiente de los nueve resultados de Erdős. Los especialistas deberían comparar cada enunciado de Lean con el problema fuente, examinar la literatura previa y evaluar el valor explicativo de cada demostración.
Si la mayoría de los resultados supera ese proceso como resoluciones fieles y novedosas, la afirmación central se fortalece. Si varios se reclasifican, la búsqueda formal seguirá siendo técnicamente útil, pero el recuento principal será menos significativo.
Los archivos públicos hacen posible esta revisión. Cada artefacto exitoso puede compilarse, inspeccionarse y conectarse con un argumento en lenguaje natural. Las futuras actualizaciones del repositorio pueden revelar correcciones, explicaciones mejoradas o cambios en la forma de describir los problemas individuales.
La segunda señal es si equipos independientes pueden reproducir resultados comparables con sistemas más simples. El éxito del agente básico en los mismos nueve problemas de Erdős sugiere que la interacción directa entre el modelo y el compilador realizó gran parte del trabajo crítico.
La replicación debería comparar el cómputo total, las ejecuciones fallidas, la preparación de bibliotecas y el tiempo de los investigadores. Un bucle más barato de generar, comprobar y revisar fortalecería el argumento para una adopción amplia. Un fracaso fuera de DeepMind mostraría que la infraestructura oculta o las decisiones de implementación importaron más de lo que sugiere el artículo.
Los investigadores también deberían probar los 344 problemas formalizados sin resolver. Las mejoras en ese conjunto ofrecerían una medida de progreso más limpia que resolver repetidamente los nueve originales. El conjunto no resuelto proporciona un exigente punto de referencia público con una línea de base establecida.
La tercera señal es el uso sostenido por matemáticos en investigación activa. Completar puntos de referencia es útil, pero el valor científico depende de si los agentes ayudan a las personas a desarrollar definiciones, descubrir lemas, probar conjeturas y comprender estructuras inesperadas.
Los despliegues más convincentes documentarán el intercambio entre los investigadores y el sistema. Los lectores deberían ver qué aportaron los humanos, qué sugerencias de la máquina cambiaron el proyecto y cómo la verificación afectó al argumento final.
Una colección creciente de resultados certificados sin explicaciones comprensibles crearía un problema diferente. Las matemáticas valoran la demostración no solo como un certificado de corrección, sino también como un método para transmitir conocimiento.
El impacto de AlphaProof Nexus será mayor si sus resultados ayudan a los investigadores a formular nuevos conceptos o a conectar ideas antes separadas. Una demostración que solo un compilador puede recorrer puede resolver una afirmación sin impulsar la comprensión humana al mismo ritmo.
La relevancia del sistema también alcanza a los desarrolladores que crean agentes fuera de las matemáticas. Su patrón central es claro: conectar la generación probabilística con un evaluador exacto, conservar estados intermedios útiles y reservar la revisión humana para los resultados que superen las comprobaciones iniciales.
Ese patrón puede mejorar la generación de código, la verificación de hardware, el diseño de protocolos y otros ámbitos con especificaciones estrictas. No puede garantizar que la especificación refleje el objetivo real del usuario.
Para los trabajadores del conocimiento, esta es la lección práctica. La verificación debe ajustarse al nivel adecuado de la tarea. Las comprobaciones automatizadas pueden establecer la coherencia, mientras que las personas siguen evaluando la relevancia, la intención, la novedad y las consecuencias.
Por tanto, la historia de los problemas de Erdős de AlphaProof Nexus no es ni una declaración de supremacía matemática automatizada ni una actualización menor de un benchmark. Es evidencia de que la búsqueda de demostraciones con IA puede producir candidatos de investigación auditables a una escala significativa.
La siguiente pregunta es si el proceso de investigación que lo rodea puede escalar a la par. Siga las auditorías públicas, el rendimiento en formalizaciones antes no resueltas y las colaboraciones en las que los matemáticos informen de mejoras reales en la comprensión. Esas señales mostrarán si el razonamiento verificado por IA se está convirtiendo en infraestructura científica o si seguirá siendo una impresionante demostración de laboratorio.
