Anthropic Claude no logró demostrar la hipótesis de Riemann, pero encontró un resultado importante

Anthropic Claude no logró resolver la hipótesis de Riemann, con 167 años de antigüedad, pese a coordinar unos 60 agentes de IA en una ejecución de investigación inusualmente grande. En su lugar, produjo un resultado anunciado que eleva una cota inferior crítica del 41,6 por ciento a aproximadamente el 67,2 por ciento.

Esa distinción importa. Anthropic Claude no demostró que cada cero relevante de la función zeta de Riemann se encuentre en la línea crítica. Según se informa, estableció una proporción mínima mucho mayor que la que los matemáticos habían demostrado previamente sin asumir la hipótesis.

Anthropic reveló el trabajo el 10 de agosto de 2026, después de que matemáticos internos lo revisaran y especialistas externos examinaran el argumento con poca antelación. El resultado aún necesita un escrutinio más amplio por parte de expertos, pero es más sustancial que una puntuación de benchmark o la solución de un acertijo aislado.

Por tanto, el conflicto central no es la IA frente a los matemáticos humanos. Es la búsqueda autónoma de demostraciones frente al proceso más lento mediante el cual las matemáticas convierten un argumento plausible en conocimiento fiable.

Anthropic Claude encontró un resultado parcial, no una demostración de Riemann

El resultado comunicado modifica una cota inferior demostrada, pero deja abierta la hipótesis de Riemann.

La hipótesis de Riemann se refiere a los ceros no triviales de la función zeta de Riemann, una función profundamente vinculada a la distribución de los números primos. Predice que cada uno de esos ceros tiene parte real igual a un medio.

Esa ubicación vertical se denomina línea crítica. Una demostración completa debe abarcar cada cero no trivial, incluidos cualesquiera ceros excepcionalmente raros que pudieran encontrarse en otro lugar.

Anthropic pidió a una versión de investigación inédita de Claude que realizara un intento serio de resolver este problema completo. Según la reseña de investigación de la empresa, el modelo no lo resolvió.

En cambio, Claude encontró un argumento relativo a la proporción de ceros que se sabe que están en la línea crítica. Anthropic describió la cota inferior incondicional anterior como del 41,6 por ciento y el nuevo resultado como de aproximadamente el 67,2 por ciento.

“Incondicional” tiene aquí un significado preciso. Quiere decir que el argumento no parte de asumir la propia hipótesis de Riemann ni otra condición no demostrada que proporcionaría la conclusión deseada.

Un porcentaje puede crear una imagen engañosa de progreso incremental. Pasar del 41,6 por ciento al 67,2 por ciento no significa que los matemáticos hayan completado ya el 67,2 por ciento de la hipótesis de Riemann.

Incluso demostrar que casi todos los ceros están en la línea crítica no resolvería automáticamente la hipótesis. Un conjunto puede tener densidad cero y aun así contener infinitos elementos.

Los números primos ofrecen una comparación conocida. Su proporción entre todos los enteros positivos tiende a cero, pero existen infinitos primos. Del mismo modo, una proporción que se desvanece de ceros fuera de la línea aún podría contener contraejemplos.

La nueva afirmación se entiende mejor como un teorema independiente situado cerca de la famosa conjetura. Precisa lo que los matemáticos pueden establecer sobre los ceros en conjunto, sin localizar cada cero individual.

Eso hace que el avance sea significativo sin convertirlo en una solución. También explica por qué los titulares que afirman que Claude “demostró la hipótesis de Riemann” exageran lo ocurrido.

La verificación computacional tampoco puede cerrar esa brecha. Los investigadores han comprobado rigurosamente que los ceros se encuentran en la línea crítica hasta una altura enorme, pero finita.

Un cálculo publicado verificó la hipótesis hasta una altura de tres billones, como se describe en una verificación rigurosa. Ningún cálculo finito puede determinar el comportamiento de todos los ceros que se extienden sin límite.

El resultado anunciado de Claude aborda una proporción infinita en lugar de un intervalo finito. Eso lo convierte en una contribución teórica, pero su conclusión sigue siendo más débil que la propia hipótesis.

Por tanto, el cambio importante es acotado y concreto. Según se informa, un sistema de investigación de IA conectó maquinaria matemática existente lo suficientemente bien como para derivar un teorema incondicional más fuerte.

Esa afirmación genera la verdadera tensión en torno al acontecimiento. El sistema parece haber realizado investigación original, pero la aceptación matemática depende de que los humanos comprendan y verifiquen exactamente lo que produjo.

Por qué importa el salto del 41,6 por ciento al 67,2 por ciento

El salto numérico es notable porque el avance en esta cota específica había sido lento y técnicamente exigente.

Los matemáticos saben desde hace más de un siglo que infinitos ceros de la función zeta se encuentran en la línea crítica. Esa afirmación no especifica qué fracción de todos los ceros representan esos ejemplos.

Más tarde, Atle Selberg demostró que una proporción positiva se encuentra allí. Norman Levinson elevó la fracción conocida por encima de un tercio, y Brian Conrey estableció un resultado superior a dos quintos.

Trabajos posteriores mejoraron la cifra incondicional hasta aproximadamente el 41,6 por ciento. Esos avances dependieron en gran medida de los mollifiers, funciones cuidadosamente diseñadas que se utilizan para controlar la función zeta cerca de sus ceros.

Cada mejora requirió estimaciones cada vez más delicadas. El ritmo resultante se medía en fracciones de punto porcentual, en lugar de saltos de más de 25 puntos.

Según se informa, el argumento propuesto por Claude sigue otra vía. Combina trabajos recientes sobre correlación por pares con un método más antiguo de formas cuadráticas asociado a Enrico Bombieri.

La correlación por pares describe relaciones estadísticas entre las alturas de ceros vecinos. La investigación humana relevante desarrolló formas de estudiar esas relaciones sin asumir de antemano la hipótesis de Riemann.

La base reciente incluyó trabajos de Andrés Chirre, Daniel Goldston, Ade Irma Suriajaya, Caroline Turnage-Butterbaugh y colaboradores relacionados. Según se informa, Claude exploró esta bibliografía e identificó una combinación que no se había desarrollado previamente hasta la cota incondicional indicada.

Este punto merece una formulación cuidadosa. La investigación matemática casi siempre se apoya en resultados anteriores. La novedad puede consistir en reconocer que dos herramientas establecidas cierran una brecha cuando se combinan correctamente.

El logro comunicado no es la invención de la función zeta de Riemann, la correlación por pares ni las formas cuadráticas. Es la supuesta eliminación de una hipótesis limitante mediante una nueva síntesis.

Ese tipo de síntesis tiene un valor considerable. Muchas áreas de investigación abiertas contienen lemas parciales, argumentos condicionales y técnicas desarrolladas con notación diferente.

Los humanos suelen descubrir conexiones tras una larga familiaridad con un campo. En cambio, un sistema de IA puede explorar muchas combinaciones, calcular ejemplos y descartar rutas fallidas a gran velocidad.

La cifra cercana al 67,2 por ciento también tiene contexto histórico. Los resultados condicionales habían alcanzado antes una región similar al asumir la hipótesis de Riemann.

Un artículo anterior sobre ceros zeta simples analiza resultados superiores a dos tercios bajo RH. Producir una escala relacionada de manera incondicional es una afirmación distinta y más exigente.

Los lectores no deberían reducir toda afirmación de “67,2 por ciento” a un único teorema. Algunos resultados se refieren a ceros en la línea crítica, otros a ceros simples y otros dependen de supuestos adicionales.

Un cero simple tiene multiplicidad uno, lo que significa que la función zeta cruza cero sin repetir esa raíz. La simplicidad y la ubicación son cuestiones de investigación relacionadas, pero no intercambiables.

El resumen público de Anthropic utilizó una descripción accesible centrada en ceros que satisfacen la hipótesis. El artículo completo y la nota de expertos son necesarios para juzgar el teorema exacto, las definiciones y las convenciones de conteo.

Aquí es donde el resultado presiona tanto a los laboratorios de IA como a las editoriales matemáticas. Un porcentaje llamativo circula rápidamente, mientras que las salvedades que lo rigen avanzan despacio.

El número atrae atención porque es grande. Su importancia duradera depende de que especialistas independientes confirmen que cada hipótesis, límite y término de error funciona como se afirma.

El verdadero avance es un flujo de trabajo de investigación autónomo

El proceso de Claude importa porque se asemejó más a un programa de investigación que a una sola respuesta de chatbot.

Anthropic afirma que el esfuerzo comenzó con unas 650 ideas candidatas que fracasaron. El fracaso a esa escala no es incidental; muestra cómo el sistema exploró un espacio amplio antes de encontrar una vía prometedora.

El modelo trabajó entonces durante aproximadamente un día y medio mientras coordinaba alrededor de 60 subagentes de Claude. Esos agentes dividieron las tareas de investigación, computación, crítica y verificación.

Según Anthropic, la ejecución implicó unos 2.400 comandos de shell y cientos de scripts de Python. Los agentes también realizaron miles de comprobaciones numéricas frente a ceros zeta conocidos.

Descargaron 54 artículos de arXiv para investigar trabajos previos y posibles duplicaciones. A lo largo de dos sesiones de Claude Code, el sistema generó, según se informa, unos 31 millones de tokens de salida.

Estas cifras proceden de Anthropic y no han sido auditadas de forma independiente. Aun así, revelan el modelo operativo detrás del resultado.

No fue un único prompt enorme seguido de una demostración pulida. Fue un ciclo iterativo que incluyó recuperación de bibliografía, formulación de conjeturas, cálculo, rechazo, revisión y revisión adversarial.

Según se informa, el operador humano, el empleado de Anthropic Jarred Sumner, no actuó como experto en teoría de números del proyecto. Su papel principal fue iniciar el desafío y animar al sistema a continuar.

Ese detalle separa este caso de ejemplos anteriores en los que un matemático profesional orientó a un modelo hacia un argumento casi completo. Claude parece haber seleccionado gran parte de la ruta por sí mismo.

Sin embargo, la autonomía no debe confundirse con independencia del conocimiento humano. El sistema trabajó dentro de un paisaje matemático creado por generaciones de investigadores.

Su búsqueda bibliográfica proporcionó las definiciones, teoremas, técnicas de demostración y lagunas abiertas. Los expertos humanos también siguieron siendo esenciales cuando el resultado llegó a la etapa de validación.

Esta estructura híbrida podría ser la parte más importante del acontecimiento. La IA puede aumentar el número de ideas sometidas a prueba, mientras que los humanos deciden qué argumentos merecen confianza y atención.

El flujo de trabajo se parece a la experimentación de alto rendimiento. En lugar de ejecutar muestras físicas, los agentes generaron enfoques matemáticos y eliminaron aquellos que contradecían resultados conocidos o evidencia numérica.

Las comprobaciones numéricas no demuestran un teorema infinito. Aun así, pueden revelar errores de signo, casos omitidos, constantes incorrectas y afirmaciones intermedias falsas antes de que los expertos dediquen tiempo a ellas.

Los subagentes también revisaron el trabajo de los demás e intentaron derivaciones independientes. Ese diseño responde a una debilidad conocida de los modelos de lenguaje: un modelo puede conservar con confianza un error a lo largo de una solución extensa.

Los agentes independientes no son verdaderamente independientes cuando comparten arquitectura, datos de entrenamiento y prompts. Sin embargo, los contextos y roles asignados variados pueden reducir algunos errores correlacionados.

Por tanto, la ejecución de investigación sugiere una nueva vía de escalado para los sistemas de razonamiento. Por lo general, las empresas han perseguido mejores modelos, contextos más largos y más computación en tiempo de prueba.

El experimento de Anthropic añade escalado organizativo. Un modelo puede actuar como investigador principal, delegar tareas acotadas, comparar resultados y asignar más esfuerzo cuando una vía resiste la crítica.

Ese patrón se extiende más allá de las matemáticas puras. La verificación de software, el diseño de algoritmos, la física teórica y la investigación de seguridad contienen problemas que se benefician de grandes árboles de búsqueda revisables.

Para las empresas, la lección no es que un chatbot generalista pueda sustituir ahora a equipos especializados. Es que los sistemas de agentes pueden explorar posibilidades técnicas más rápido cuando sus resultados cuentan con mecanismos estrictos de validación.

Las matemáticas ofrecen un campo de pruebas excepcionalmente favorable porque las afirmaciones a veces pueden comprobarse línea por línea. Muchas decisiones comerciales carecen de pruebas de corrección tan concluyentes.

Por tanto, el resultado comunicado es a la vez más acotado y más importante que el titular viral. Claude no resolvió un Problema del Milenio, pero demostró una arquitectura plausible para la investigación asistida por máquinas.

La verificación formal ayuda, pero no pone fin a la revisión

Una prueba verificada por Lean puede confirmar la coherencia lógica sin resolver las cuestiones sobre definiciones, supuestos, novedad e importancia.

Anthropic afirma que Claude tradujo su resultado a Lean, un asistente de pruebas que comprueba si cada paso formal se deriva de axiomas especificados y teoremas anteriores.

Un asistente de pruebas no juzga un argumento por su estilo o reputación. Su pequeño núcleo de confianza verifica que el término de prueba enviado satisface el enunciado formal.

Esto ofrece una salvaguarda más sólida que pedir a otro modelo de lenguaje que determine si una prueba parece convincente. Una prosa matemática fluida puede ocultar condiciones faltantes o transiciones inválidas.

Lean puede rechazar esas lagunas una vez que los conceptos y supuestos pertinentes se han representado correctamente. Por eso la verificación formal se ha vuelto central en varios proyectos de IA aplicada a las matemáticas.

Sin embargo, que “Lean lo haya verificado” no es un sello universal de calidad. El teorema exacto codificado en Lean debe coincidir con el teorema descrito a los lectores.

Una prueba formal puede ser completamente válida y, aun así, demostrar una afirmación más débil de lo que sugiere el titular. También puede depender de supuestos ocultos dentro de definiciones, axiomas importados o componentes computacionales no verificados.

Los revisores deben examinar qué se formalizó, no solo si el verificador devolvió un resultado exitoso. También deben confirmar que las traducciones entre el análisis informal y los objetos formales preserven el significado previsto.

Anthropic afirma que dos de sus matemáticos estudiaron y validaron el artículo de Claude. Después elaboraron una nota de prueba experta que presenta el argumento de forma más concisa.

La empresa también informó de una revisión con poco aviso por parte de Brian Conrey y Daniel Goldston, dos especialistas con amplia trayectoria en ceros de la función zeta. Es una evidencia significativa, pero no equivale a una revisión por pares amplia.

Los periodos cortos de revisión pueden identificar errores evidentes y establecer plausibilidad. Son menos adecuados para comprobar cada dependencia técnica de un extenso argumento de teoría analítica de números.

La comunidad matemática necesitará tiempo para reconstruir la prueba, compararla con la literatura citada y comprobar si un paso supuestamente nuevo ya aparece en otro lugar.

La legibilidad es otro problema. Las pruebas generadas por IA pueden contener un exceso de nombres de lemas, desvíos redundantes y pasos localmente válidos cuyo propósito general siga siendo oscuro.

Los matemáticos hacen más que certificar implicaciones lógicas. Condensan las pruebas en conceptos, explican por qué funciona un enfoque e identifican qué partes se generalizan a otros problemas.

Una larga prueba de máquina puede establecer un teorema sin aportar esa comprensión. Esto limita su valor inmediato como base para investigaciones posteriores.

El mejor resultado incluiría tres artefactos compatibles. Los investigadores necesitan una prueba humana legible, una formalización verificada por máquina y un registro transparente que conecte ambas con trabajos previos.

Esas capas sirven a públicos diferentes. El artefacto formal protege la corrección, el artículo comunica el mecanismo y el historial de investigación establece la atribución.

La cuestión de la atribución es especialmente importante en este caso. Según se informa, Claude combinó trabajo reciente sobre correlación por pares con el método más antiguo de Bombieri.

Si el paso final es breve una vez reunidos esos ingredientes, los comentaristas pueden discrepar sobre cuánta originalidad corresponde al modelo. Ese desacuerdo no hace que el teorema carezca de valor.

Las matemáticas humanas también valoran conectar resultados existentes. El estándar apropiado es determinar si Claude identificó y justificó una implicación no evidente que la literatura no había registrado.

La publicación independiente ayudará a responder esa pregunta. Los investigadores deberían estar atentos a una versión estable del artículo, un repositorio público de Lean, declaraciones explícitas de dependencias y comentarios de especialistas.

Hasta que eso ocurra, la descripción responsable es la de un avance matemático afirmado y sometido a una revisión sustancial. Llamarlo un teorema aceptado se adelantaría al proceso disponible.

Las matemáticas con IA presionan ahora a los benchmarks y a las instituciones de investigación

El evento desplaza la atención de resolver problemas seleccionados hacia producir investigación que los especialistas deban evaluar.

Las matemáticas con IA han avanzado recientemente mediante competiciones, benchmarks de demostración de teoremas y tareas de pruebas formales. Estos entornos ofrecen respuestas conocidas y tasas de éxito medibles.

La investigación abierta es más difícil de evaluar. El sistema debe identificar un problema intermedio útil, determinar si su resultado es nuevo y comunicarlo a expertos.

El trabajo de Claude relacionado con Riemann habría intentado las tres cosas. Fracasó en el objetivo original, pero reconoció que un subproducto podía ser matemáticamente valioso.

Ese comportamiento importa porque la investigación rara vez sigue el objetivo planteado al principio. Los hallazgos importantes suelen surgir de enfoques fallidos, ejemplos inesperados o herramientas creadas para otro propósito.

Los benchmarks tradicionales no miden bien ese juicio. Un modelo recibe una pregunta fija y los evaluadores ya saben si existe una solución.

Un problema abierto no ofrece esa garantía. El sistema debe decidir cuándo persistir, cuándo abandonar una vía y cuándo un resultado parcial merece conservarse.

Por tanto, el experimento de Anthropic presiona a los laboratorios competidores para que demuestren más que mejoras en benchmarks. OpenAI, Google DeepMind, Harmonic y equipos especializados en demostración de teoremas se enfrentan ahora a un estándar probatorio más alto.

Una demostración creíble necesita artefactos transparentes, revisión experta y un relato preciso de la participación humana. Una afirmación dramática sin esos elementos atraerá escepticismo.

Las instituciones de investigación afrontan otra presión: la capacidad de evaluación. Si los agentes pueden producir miles de manuscritos técnicos plausibles, la atención de los expertos se convierte en el recurso escaso.

La revisión por pares ya depende de trabajo especializado no remunerado o escasamente compensado. Los envíos generados por IA podrían desbordar ese sistema incluso si solo una pequeña fracción contiene resultados valiosos.

El cuello de botella puede pasar de producir pruebas candidatas a filtrarlas. Las matemáticas necesitarán mejores métodos de clasificación que rechacen errores conocidos sin descartar argumentos válidos inusuales.

La verificación formal puede asumir parte de esta carga. No puede evaluar de forma independiente la novedad, la exposición, la relevancia ni si un enunciado formal captura la pregunta de investigación prevista.

Los especialistas podrían trabajar cada vez más con evidencias por capas. Un envío podría incluir comprobaciones automatizadas, registros de procedencia, grafos de dependencias y revisión adversarial antes de llegar a revisores humanos.

El mismo enfoque tiene implicaciones para las organizaciones técnicas. Los equipos que usen IA para investigar necesitarán fuentes rastreables y decisiones intermedias preservadas.

Un resultado se vuelve difícil de auditar cuando su razonamiento está disperso entre millones de tokens generados. Los registros de investigación consultables importarán tanto como la respuesta final.

Los trabajadores del conocimiento ya afrontan una versión menor de ese problema. Deben conectar el material de origen, la salida del modelo, las decisiones de reuniones y revisiones posteriores sin perder la procedencia.

Una base de conocimiento de IA estructurada puede respaldar ese proceso, aunque por sí sola no puede validar matemáticas avanzadas. Su función es preservar evidencia y hacer recuperable el rastro del razonamiento.

La ejecución de Claude también desafía la afirmación habitual de que los modelos solo recuperan soluciones memorizadas. La síntesis exacta podría seguir dependiendo en gran medida de artículos conocidos, pero aparentemente no existía una solución establecida que recuperar.

La recombinación no prueba una comprensión profunda en el sentido humano. Sigue siendo una capacidad de investigación útil cuando el argumento resultante supera comprobaciones formales y expertas.

La interpretación más sólida no exige declarar que Claude piensa como un matemático. Solo exige observar que el sistema produjo un teorema candidato digno de una revisión matemática seria.

Ese umbral parece haberse cruzado. El debate restante se refiere a cuán fiablemente puede repetirse el proceso entre distintos problemas y cuánto trabajo experto consume cada éxito.

Qué observar tras la afirmación de Anthropic sobre Claude

Tres señales determinarán si esto se convierte en un resultado duradero o en una demostración impresionante pero aislada.

La primera señal es la verificación matemática independiente. Los especialistas deben comprobar el teorema exacto, reconstruir las estimaciones analíticas y confirmar que ninguna condición no declarada intervenga en la prueba.

El acuerdo de investigadores ajenos a Anthropic reforzaría la afirmación. Una corrección de la constante, el alcance o los supuestos la debilitaría sin necesariamente borrar toda la contribución.

La segunda señal es la publicación completa de los materiales formales. Un repositorio público de Lean debería mostrar el enunciado del teorema, las bibliotecas importadas, los axiomas y las instrucciones de compilación.

Los investigadores deben confirmar que la formalización cubre el paso analítico que soporta el argumento. Una prueba válida solo del núcleo algebraico o combinatorio proporcionaría una garantía más limitada.

La tercera señal es la replicación en otro problema de investigación abierto. Un único resultado celebrado no puede establecer una capacidad científica fiable.

Un patrón repetido sería más convincente. El sistema debería identificar teoremas intermedios útiles, documentar búsquedas de trabajos previos, superar la revisión de especialistas y producir artefactos formales reutilizables.

La replicación también debería aclarar los requisitos de recursos. Anthropic informó de unos 60 subagentes, 31 millones de tokens de salida y un día y medio de trabajo coordinado.

Esas cifras indican un cómputo sustancial en tiempo de prueba. Los investigadores necesitan averiguar si enjambres de agentes más grandes mejoran el éxito de forma consistente o simplemente generan más errores plausibles.

El resultado también plantea una cuestión de producto a corto plazo. Anthropic utilizó un modelo de investigación no publicado, por lo que los usuarios habituales de Claude no pueden asumir que su interfaz actual tenga las mismas capacidades.

Es probable que el entorno de orquestación haya importado junto con el modelo base. El acceso a herramientas, el contexto persistente, la gestión de subagentes, el software numérico y la recuperación de literatura contribuyeron al resultado.

Los anuncios futuros deberían separar la capacidad del modelo de la ingeniería del sistema. Un modelo que solo tiene éxito dentro de un entorno de investigación cuidadosamente diseñado representa un producto distinto de un chatbot independiente.

Los lectores también deberían observar cómo maneja Anthropic la atribución. El artículo final debería facilitar la identificación de cada fuente humana y teorema reutilizado.

Una atribución clara reforzaría el caso de la investigación asistida por IA. Mostraría que la síntesis de literatura a gran escala puede respetar la estructura intelectual de la que depende.

La incertidumbre más importante no es si Claude ha “resuelto el 67,2 por ciento” de la hipótesis de Riemann. Ese planteamiento es matemáticamente incorrecto.

La incertidumbre es si la IA puede convertir repetidamente intentos ambiciosos fallidos en resultados parciales correctos, novedosos y comprensibles. Este evento aporta evidencia inusualmente sólida, pero no una respuesta definitiva.

Para desarrolladores y líderes técnicos, la lección práctica es mesurada. Los agentes autónomos se vuelven más valiosos cuando su trabajo puede probarse frente a estándares externos exigentes.

Para los matemáticos, la tarea inmediata resulta familiar. Leer la demostración, comprobar las definiciones, seguir las dependencias e intentar refutar el argumento.

Si el resultado supera ese proceso, anthropic claude habrá aportado un teorema real sin demostrar la famosa conjetura que lo motivó. Ese logro más acotado quizá revele más sobre la investigación en IA que cualquier afirmación sensacionalista.