Advertencia de Terence Tao sobre las matemáticas con IA: la carrera por las respuestas está perjudicando a las matemáticas
Terence Tao ha emitido una advertencia inusualmente directa sobre las matemáticas con IA, pese a recibir favorablemente las crecientes capacidades de investigación de esta tecnología. Su preocupación no es que las máquinas resuelvan problemas importantes. Es que las empresas de IA puedan producir respuestas más rápido de lo que los matemáticos pueden verificarlas, explicarlas, atribuirles el crédito correspondiente y asimilarlas.
La advertencia de Terence Tao sobre las matemáticas con IA surgió después de que OpenAI publicara una supuesta solución al problema de existencia y suavidad de Navier-Stokes el 8 de septiembre. Esa cuestión es uno de los siete Problemas del Milenio de las matemáticas. OpenAI afirma que un modelo interno coordinó aproximadamente a 10.000 agentes y completó su resolución propuesta tras unas 88 horas.
El resultado no ha completado el proceso tradicional que convierte una prueba propuesta en matemáticas aceptadas. Sin embargo, ya sirve como evidencia en una competencia entre OpenAI, Anthropic y Google DeepMind. Eso crea el conflicto central de la crítica de Tao.
Los laboratorios de IA miden el progreso mediante resultados visibles, problemas famosos, puntuaciones de referencia y demostraciones de la capacidad de los modelos. Los matemáticos necesitan algo más lento: escrutinio, trabajo explicativo, atribución, debate y métodos que otros investigadores puedan reutilizar.
No se trata de una disputa entre quienes apoyan la IA y quienes la rechazan. Tao utiliza IA en su propio trabajo y espera que se convierta en parte de la investigación matemática. La disputa se refiere a qué se está optimizando para producir con esta tecnología.
Si la IA crea una abundancia de pruebas sin un aumento equivalente en la comprensión, las matemáticas heredan un nuevo cuello de botella. El recurso escaso deja de ser la respuesta candidata. Es la atención humana necesaria para determinar qué significa esa respuesta.
La advertencia de Terence Tao sobre las matemáticas con IA siguió a un supuesto resultado histórico
El anuncio de OpenAI convirtió una preocupación emergente sobre los incentivos de la investigación con IA en una prueba inmediata para la comunidad matemática.
Las ecuaciones de Navier-Stokes describen el movimiento de los fluidos, incluido el aire y el agua. El problema abierto pregunta si el movimiento fluido tridimensional y suave debe permanecer suave o puede desarrollar una singularidad en un tiempo finito. Una singularidad es un punto en el que la descripción matemática produce una velocidad no acotada.
La afirmación de Navier-Stokes de OpenAI sostiene que su sistema construyó una configuración fluida suave que desarrolla una singularidad de ese tipo. La empresa publicó tanto un argumento escrito como una formalización en Lean. Lean es un asistente de pruebas que comprueba si los pasos matemáticos se siguen de reglas explícitamente establecidas.
La empresa informa que el trabajo comenzó el 1 de septiembre, después de que los investigadores oyeran rumores sobre avances en problemas matemáticos importantes. Su sistema multiagente asignó distintas formulaciones del problema a grupos separados. Codex consolidó después hallazgos intermedios útiles para que los grupos posteriores pudieran apoyarse en ellos.
OpenAI afirma que los agentes participantes generaron 2,7 millones de mensajes y aproximadamente 130.000 millones de tokens de salida durante el esfuerzo sobre Navier-Stokes. Según se informa, GPT-6 Astra necesitó otras 17 horas para formalizar y verificar el resultado en Lean.
Estas cifras muestran por qué Tao cree que el ritmo ha cambiado. Los grupos de investigación humanos no pueden crear, filtrar y presentar ese volumen de razonamiento candidato en cuatro días. La limitación anterior sobre la velocidad de descubrimiento deja de aplicarse cuando miles de agentes buscan de manera simultánea.
Sin embargo, la escala computacional no resuelve el estatus matemático del resultado. La verificación formal puede demostrar que una prueba es válida dentro de un sistema formal especificado. No establece automáticamente que la afirmación formal coincida con todas las condiciones del problema original.
Tampoco determina si la prueba introduce ideas significativas, depende de trabajos previos pasados por alto o merece la interpretación histórica que se le atribuye. Esas cuestiones requieren expertos que comprendan tanto el argumento formal como su campo más amplio.
OpenAI presentó el resultado como una solución y como prueba del rápido progreso de los modelos. También afirmó que no buscaría el premio asociado. Esa decisión no elimina la necesidad de un examen independiente.
Una afirmación matemática importante normalmente pasa por seminarios, informes de revisores, correcciones, presentaciones alternativas y una revisión sostenida por parte de la comunidad. Estos procesos pueden tomar meses o años. A menudo revelan que una prueba necesita revisión, cubre una afirmación más limitada o depende de un resultado previamente subestimado.
Por tanto, la advertencia de Tao no exige que la prueba sea errónea. De hecho, el problema se vuelve más urgente si el resultado es correcto. Una prueba válida producida en pocos días aún puede llegar mucho más rápido de lo que el campo puede asimilar responsablemente.
El acontecimiento trasladó el debate de si la IA puede contribuir a la investigación matemática a cómo deberían las matemáticas gestionar el trabajo generado por máquinas a escala. Ese es un desafío institucional más profundo que ganar una sola prueba de referencia.
La abundancia de pruebas crea un nuevo cuello de botella en la investigación
La escasez central está pasando de encontrar pruebas a comprenderlas, revisarlas e integrarlas.
Tao ha descrito la resolución de problemas matemáticos como un proceso en cadena, más que como un acto único. Un resultado debe generarse, verificarse, explicarse, aceptarse e incorporarse al campo. Solo entonces otras personas pueden aprender de él de forma fiable y utilizarlo.
Las matemáticas tradicionales vinculaban esas etapas. Los investigadores que intentaban resolver un problema difícil solían aprender su estructura mientras buscaban una prueba. Los enfoques fallidos revelaban límites, y los resultados parciales creaban herramientas que podían perdurar incluso cuando el objetivo final seguía abierto.
Ese proceso era ineficiente si el único resultado deseado era una respuesta de sí o no. Era muy productivo si el objetivo era una comprensión más rica del panorama matemático.
La IA separa la respuesta del recorrido. Un modelo grande puede explorar miles de caminos, descartar la mayoría y devolver un argumento pulido. La salida puede ocultar qué intentos fallidos fueron importantes o qué conexión conceptual hizo posible el resultado.
En una entrevista sobre matemáticas e IA, Tao comparó esta pérdida con ver solo el principio y el final de una película. La trama alcanza una resolución, pero gran parte de la experiencia desaparece.
Su preocupación no es una nostalgia por los cálculos lentos. Los matemáticos ya dependen de la computación, los experimentos numéricos, el software simbólico, las bases de datos y los asistentes de pruebas. La automatización ha eliminado repetidamente trabajo rutinario sin acabar con el campo.
La diferencia es la escala combinada con una selección impulsada por el prestigio. Los laboratorios de IA tienen fuertes incentivos para apuntar a cuestiones famosas que generan titulares fáciles de entender. Cada resultado exitoso también se convierte en evidencia de una capacidad de razonamiento más amplia del modelo.
Ese incentivo dirige enormes recursos computacionales hacia la respuesta final. No garantiza una inversión equivalente en exposición, investigación histórica, atribución, enseñanza o trabajo de seguimiento.
El ensayo sobre la era de la IA de Tao describe una posible transición de la escasez de pruebas a la abundancia de pruebas. En esas condiciones, las señales profesionales aceptadas pueden dejar de medir lo que la comunidad realmente valora.
Un problema famoso resuelto antes indicaba años de perspicacia, técnica y vínculo con un campo. Cuando los sistemas automatizados pueden buscar simultáneamente en muchos problemas, la misma señal puede representar en cambio una gran asignación de cómputo.
Esta es una versión de la ley de Goodhart: cuando una medida se convierte en objetivo, puede dejar de funcionar como una medida útil. Resolver problemas prestigiosos es un indicador indirecto del progreso matemático. No es idéntico al progreso matemático.
La advertencia de Terence Tao sobre las matemáticas con IA pregunta si los laboratorios están optimizando ese indicador mientras transfieren el costoso trabajo interpretativo a las universidades y a investigadores individuales. Si es así, la producción de pruebas crece mientras el sistema de revisión permanece casi sin cambios.
Ese desequilibrio crea una cola. Cada artículo generado por máquinas compite por atención con el trabajo humano, la enseñanza, la mentoría y las obligaciones de revisión existentes. Una avalancha de pruebas plausibles puede consumir un tiempo enorme incluso cuando solo un pequeño porcentaje se vuelve valioso.
La misma dinámica aparece en la seguridad de software y la publicación científica. Generar una vulnerabilidad o hipótesis propuesta puede ser barato. Confirmarla, reproducirla y explicar su importancia práctica sigue siendo costoso.
Para los trabajadores del conocimiento, la lección más amplia resulta familiar. Una mayor producción no crea automáticamente más conocimiento utilizable. El desafío es la integración del conocimiento, en la que el material nuevo debe conectarse con un contexto fiable en lugar de permanecer como un resultado aislado.
Las matemáticas hacen este problema especialmente visible porque la corrección a menudo puede expresarse con precisión. Incluso allí, la verificación por sí sola no puede sustituir a la interpretación.
Los laboratorios de IA optimizan para la capacidad, mientras que las matemáticas optimizan para la comprensión
El conflicto principal no enfrenta a humanos contra máquinas, sino las demostraciones de capacidad contra la creación, más lenta, de una comprensión compartida.
OpenAI tiene una razón racional para abordar problemas matemáticos difíciles. Las matemáticas ofrecen preguntas precisas, argumentos verificables y largas cadenas de razonamiento. Un resultado que supera la revisión experta ofrece evidencia más sólida que la confianza declarada por un propio modelo.
La empresa también sostiene que el razonamiento matemático se transfiere más allá de la investigación pura. Los sistemas que mantienen argumentos coherentes podrían ayudar a los científicos a explorar la física, la biología, la ingeniería, los materiales y la medicina. Por ello, una prueba difícil se convierte a la vez en investigación y en evaluación de modelos.
Hay evidencia que respalda esa visión optimista. En mayo, OpenAI informó de que un sistema interno refutó una conjetura de larga data relacionada con el problema de las distancias unitarias de Erdős. Matemáticos externos examinaron ese argumento y describieron su uso de la teoría algebraica de números como sorprendente y significativo.
Ese caso anterior importa porque investigadores humanos produjeron explicaciones complementarias y conectaron el resultado con áreas adyacentes. La prueba hizo más que cambiar una respuesta de verdadero o falso. Expuso una relación entre campos que los matemáticos podían investigar más a fondo.
Google DeepMind presenta un modelo colaborativo similar. Su trabajo de descubrimiento científico hace hincapié en que los matemáticos guían a los modelos, evalúan sus resultados y desarrollan esos resultados hasta convertirlos en investigación utilizable.
Estos ejemplos muestran que el impacto de la IA en las matemáticas no es inherentemente extractivo. Los sistemas pueden probar conjeturas, buscar bibliografía, formalizar argumentos y sugerir conexiones inesperadas. También pueden ampliar la participación en grandes proyectos colaborativos.
El conflicto surge cuando el resultado que genera titulares se convierte en el producto principal. Un laboratorio puede anunciar que su modelo resolvió un problema famoso en pocos días. La comunidad matemática debe entonces determinar si la afirmación formal es apropiada y si la prueba aporta comprensión.
Esa división del trabajo crea incentivos asimétricos. El laboratorio obtiene visibilidad del anuncio. Los revisores reciben más trabajo no remunerado o débilmente recompensado, junto con presión para responder rápidamente.
Tao ha utilizado una metáfora deliberadamente visceral para este desequilibrio, comparando las soluciones en bruto con alimentos sin preparar dejados a una comunidad para que los procese. Su argumento es que la generación y la comprobación inicial son solo el comienzo.
Las consecuencias institucionales van más allá de la carga de trabajo. Los grandes problemas abiertos ayudan a organizar las comunidades de investigación. Los estudiantes de posgrado estudian casos parciales, los investigadores desarrollan técnicas especializadas y los seminarios construyen un lenguaje común en torno a obstáculos aún no resueltos.
Una respuesta inmediata puede cerrar esa pregunta central antes de que maduren las ideas que la rodean. La demostración puede ser correcta, pero el entorno de investigación que se habría desarrollado alrededor del problema se vuelve menos fértil.
Eso no significa que los matemáticos deban preservar artificialmente los problemas sin resolver. Significa que los laboratorios deben reconocer que la velocidad cambia el entorno en el que ocurre el descubrimiento.
La respuesta más sólida alinearía el desarrollo de modelos con todo el proceso de investigación. Un laboratorio podría financiar verificaciones independientes, publicar razonamientos intermedios, documentar la bibliografía relevante y respaldar trabajos explicativos complementarios antes de hacer afirmaciones amplias.
También podría recompensar a los modelos por identificar lemas útiles, cartografiar enfoques fallidos o generar simplificaciones comprensibles. Esos resultados son menos espectaculares que resolver un Problema del Milenio, pero reflejan mejor cómo avanza el conocimiento.
Aquí es donde las preocupaciones de Terence Tao sobre la IA difieren de un temor general a la automatización. Tao no defiende una propiedad humana exclusiva de las respuestas. Cuestiona si el sistema que las rodea preserva los valores que hacen que valga la pena encontrarlas.
La velocidad plantea preguntas sobre crédito, revisión y cultura investigadora
Cuanto más rápido generan resultados los sistemas de IA, más cuidadosamente deben las instituciones proteger la atribución y el escrutinio independiente.
El anuncio sobre Navier-Stokes llegó en medio de un desacuerdo sobre trabajos simultáneos. OpenAI afirmó que los rumores sobre investigaciones del matemático de NYU Tristan Buckmaster y del investigador de Anthropic Levent Alpöge ayudaron a desencadenar su iniciativa.
Según OpenAI, el sistema de la empresa no vio su trabajo privado antes de producir su demostración. OpenAI actualizó posteriormente su versión tras investigar si interacciones previas de usuarios podían haber influido en el modelo.
Buckmaster cuestionó públicamente aspectos del proceso circundante, incluido el modo en que OpenAI abordó la autoría y la atribución. El investigador de OpenAI Sébastien Bubeck rebatió esa descripción. El desacuerdo sigue siendo relevante incluso si las demostraciones competidoras son técnicamente distintas.
La investigación con IA complica la prioridad porque un modelo puede absorber bibliografía pública extensa, entradas privadas de usuarios, prompts de investigadores y trabajo intermedio generado por máquinas. Cada fuente puede contribuir de forma distinta a un resultado final.
Las prácticas tradicionales de citación fueron diseñadas en torno a autores humanos que podían describir lo que leyeron y cómo se desarrolló una idea. Los grandes sistemas multiagente dificultan esa reconstrucción. Millones de mensajes no pueden interpretarse como el cuaderno de un matemático.
OpenAI afirma que sus agentes de Navier-Stokes tuvieron acceso a una versión almacenada en caché de internet. También afirma que el modelo interno fue entrenado mediante aprendizaje por refuerzo a gran escala sobre un modelo previamente preentrenado. Estos hechos no demuestran un uso indebido, pero muestran por qué la procedencia exige una documentación cuidadosa.
Una demostración generada por IA puede reconstruir de forma independiente una técnica conocida. También puede sintetizar pistas cuya influencia se vuelve difícil de rastrear. Sin registros transparentes, los investigadores externos no pueden distinguir fácilmente entre ambos casos.
El riesgo alcanza a estudiantes y matemáticos al inicio de su carrera. A menudo desarrollan experiencia trabajando en partes accesibles de problemas mayores. Si los sistemas industriales cosechan rápidamente los objetivos más visibles, los jóvenes investigadores necesitan otras vías para construir reputación y habilidades.
Un grupo de 25 ganadores de la Medalla Fields sostuvo que estos incentivos están gravemente desalineados con los objetivos de las matemáticas. Su advertencia colectiva se centró en la comprensión, la atribución, la educación y la transmisión humana de las ideas.
Aun así, la postura escéptica también necesita límites. Una controversia de alto perfil no demuestra que todos los laboratorios de IA vayan a descuidar la explicación. Tampoco establece que las demostraciones generadas por máquinas dañen inevitablemente la cultura investigadora.
La verificación formal supone una mejora real frente a publicar prosa sin comprobar. Los artículos públicos y los archivos de demostración permiten a los especialistas examinar las afirmaciones. La competencia también puede motivar a los laboratorios a divulgar capacidades que de otro modo permanecerían privadas.
La cuestión abierta es si esas salvaguardas escalan al ritmo de la producción. Diez demostraciones correctas requieren más interpretación que una. Miles de demostraciones plausibles podrían desbordar incluso a una comunidad internacional bien organizada.
Otra incertidumbre se refiere a la autonomía real de los modelos. OpenAI describe un modelo interno como sustancialmente más capaz que GPT-6 Astra. Los investigadores externos no pueden evaluar de forma independiente ese sistema, su tasa de éxito ni las decisiones humanas que moldearon su búsqueda.
Un resultado espectacular no revela con qué frecuencia fracasa el mismo proceso. Tampoco muestra si el método se generaliza entre campos matemáticos. La publicación selectiva puede hacer que la capacidad parezca más consistente de lo que es.
Por tanto, la respuesta adecuada no es ni el rechazo ni la aceptación inmediata. La demostración afirmada debería recibir revisión técnica, mientras que el proceso de producción recibe revisión institucional.
La corrección responde a si el argumento funciona. La gobernanza responde a si las prácticas circundantes distribuyen de manera justa el crédito, la responsabilidad y el trabajo. Las matemáticas necesitan ahora ambas cosas.
El debate trata sobre por qué los humanos hacen matemáticas
El desafío más profundo de Tao es definir el propósito del trabajo matemático antes de que los sistemas automatizados lo redefinan mediante sus resultados.
Si las matemáticas existen únicamente para producir proposiciones correctas, un sistema que genera más proposiciones con mayor rapidez parece inequívocamente beneficioso. Bajo esa definición, las preferencias humanas sobre el proceso parecen secundarias.
Los matemáticos en activo suelen describir un propósito más amplio. Buscan explicaciones, métodos reutilizables, conexiones sorprendentes, buenas preguntas, estructuras elegantes y comunidades capaces de transmitir esas ideas.
Una demostración importa en parte porque cambia lo que las personas pueden ver. Las demostraciones más sólidas condensan la complejidad y revelan por qué una afirmación debe ser verdadera. Permiten a otros investigadores aplicar la idea subyacente en otro lugar.
Ese criterio explica por qué dos demostraciones del mismo teorema pueden tener distinto valor. Una puede ser breve pero opaca. Otra puede crear un método que transforme todo un campo.
Los sistemas de IA pueden contribuir a cualquiera de los dos resultados. Podrían producir objetos formales oscuros pero correctos, o podrían descubrir un puente conceptual claro. El objetivo elegido por los desarrolladores influirá en cuál de esos resultados se vuelve común.
El marco de Tao trata la capacidad de la IA como una hipótesis de trabajo, en lugar de como el debate central. Supongamos que las máquinas pronto realizan una parte significativa de las tareas de nivel investigador. La cuestión urgente pasa entonces a ser qué objetivos humanos deberían servir estas herramientas.
Este encuadre evita una discusión improductiva sobre si un modelo concreto es realmente inteligente. Las matemáticas deben prepararse para una producción mayor incluso si los sistemas actuales siguen siendo desiguales.
También rechaza la idea de que preservar los roles humanos deba ser el único objetivo. Las herramientas históricas han cambiado repetidamente lo que hacen los matemáticos. Las calculadoras redujeron la aritmética manual, mientras que los ordenadores permitieron experimentos a escalas antes imposibles.
La profesión sobrevivió porque avanzó hacia preguntas diferentes. Los investigadores otorgaron más valor a la formulación, la abstracción, la interpretación y las conexiones. La IA impulsará aún más esa transición.
Sin embargo, la adaptación exige que las instituciones recompensen el trabajo restante. Las revistas, universidades y laboratorios actualmente asocian prestigio con los primeros resultados y los teoremas con nombre propio. Otorgan menos reconocimiento a la verificación, la exposición, la construcción de conjuntos de datos y la formalización.
Esa estructura de incentivos se vuelve inestable ante la abundancia de demostraciones. Si generar se abarata, aumenta el valor de seleccionar y explicar. Los sistemas profesionales deben reflejar ese cambio.
La revisión por pares también necesita nueva infraestructura. Los revisores deberían recibir acceso a artefactos formales, historiales de prompts, versiones de modelos y registros de procedencia cuando esos materiales afecten una afirmación. Las publicaciones deberían distinguir entre la generación automática y la verificación e interpretación humanas.
El campo también podría necesitar una divulgación por etapas. Los laboratorios podrían avisar a expertos del área, financiar revisiones independientes y preparar material explicativo antes de presentar un resultado como definitivo. Esto ralentizaría la publicidad sin impedir el descubrimiento.
La educación enfrenta una elección paralela. Dar a los estudiantes soluciones inmediatas puede reducir la lucha productiva, pero excluir por completo la IA los deja sin preparación. Los cursos necesitarán tareas que evalúen la formulación de preguntas, la crítica y la explicación.
Ese cambio conecta el debate con todas las profesiones intensivas en conocimiento. Los ingenieros de software, científicos, abogados y analistas también se enfrentan a sistemas capaces de generar respuestas pulidas más rápido de lo que las organizaciones pueden inspeccionarlas.
El impacto de la IA en las matemáticas ofrece, por tanto, una visión temprana de un problema general. Cuando la producción se vuelve abundante, el juicio se convierte en la capa costosa. Las organizaciones que ignoran esa capa acumulan una producción impresionante y conocimiento incierto.
La advertencia de Tao es, en última instancia, constructiva. Pide a la comunidad matemática que exprese sus valores con suficiente claridad para que los sistemas de IA puedan orientarse hacia ellos. Sin ese trabajo, los indicadores comerciales llenarán el vacío.
Tres señales mostrarán si las matemáticas con IA pueden madurar
La próxima fase se juzgará por la validación independiente, mejores prácticas de investigación y evidencia de que los modelos generan comprensión, no solo titulares.
La primera señal es la recepción de la demostración de Navier-Stokes de OpenAI. Los especialistas deben determinar si el argumento se ajusta al problema oficial, si su formalización en Lean recoge todas las condiciones necesarias y si se requieren correcciones.
Una revisión independiente satisfactoria reforzaría el argumento de que los sistemas multiagente pueden producir trabajo al más alto nivel de las matemáticas. No resolvería la crítica institucional de Tao, pero haría esa crítica más urgente.
Un fallo importante debilitaría las afirmaciones sobre la capacidad actual. También demostraría el peligro de anunciar conclusiones antes de que el proceso normal de revisión haya seguido su curso.
La segunda señal es cómo gestionan los laboratorios de IA sus próximos resultados matemáticos. Los lectores deberían observar una participación temprana de expertos, una atribución clara, explicaciones accesibles y la divulgación del proceso de búsqueda del sistema.
Los artículos complementarios son especialmente importantes. Una demostración en bruto puede cerrar un problema, mientras que un análisis complementario sólido puede identificar nuevos métodos y conectarlos con la bibliografía existente.
Los laboratorios también deberían informar de las tasas de fracaso y los criterios de selección. Saber que un resultado tuvo éxito dice poco sobre toda la evaluación. Los investigadores necesitan entender cuántos problemas se intentaron y cuánta orientación humana recibió cada intento.
La tercera señal es si las instituciones matemáticas cambian sus incentivos. Las revistas y conferencias pueden crear políticas más claras para el trabajo generado por IA, la procedencia, la autoría, la verificación formal y el acceso de los revisores.
Las universidades pueden otorgar más reconocimiento a la exposición, la validación y el mantenimiento de recursos matemáticos compartidos. Los organismos de financiación pueden respaldar el trabajo humano necesario para asimilar resultados generados por máquinas.
Estas reformas reforzarían la idea de Tao de que la abundancia de demostraciones exige nuevas instituciones. Su ausencia dejaría una brecha cada vez mayor entre la producción industrial y la capacidad de absorción académica.
Los sistemas de IA más útiles no se limitarán a resolver problemas célebres antes que sus competidores. Ayudarán a las personas a identificar preguntas prometedoras, probar enfoques, detectar errores y comprender por qué importa un resultado.
Ese estándar no resta valor al logro técnico. Coordinar miles de agentes en torno a un objetivo matemático difícil representa un avance importante de ingeniería. Producir una demostración válida sería un gran acontecimiento científico.
Sin embargo, la velocidad por sí sola no puede definir el progreso. Un resultado pasa a formar parte de las matemáticas solo cuando las personas pueden examinarlo, explicarlo, conectarlo y enseñarlo.
La advertencia de Terence Tao sobre las matemáticas con IA sitúa esta distinción en el centro de la carrera por la investigación en IA. Los próximos meses mostrarán si los laboratorios tratan la comprensión matemática como un resultado fundamental o como una tarea externa de limpieza.
Los desarrolladores, investigadores y trabajadores del conocimiento deberían plantearse la misma pregunta sobre sus propios flujos de trabajo con IA. ¿Estos sistemas producen más material o ayudan a las personas a construir una comprensión más fiable?
Esta distinción determinará si la abundancia de demostraciones amplía el conocimiento humano o simplemente aumenta la cola de materiales pendientes de revisión.
