La terra incognita matemática
¿Qué ocurriría si la IA llegara a cartografiar un universo matemático demasiado grande para que una mente humana pudiera recorrerlo?
September 16, 2026 · 8 min read
En pocas palabras
- Los avances recientes en demostración y formalización permiten imaginar sistemas que exploren espacios matemáticos mucho mayores que los accesibles para una persona.
- Para quienes hacemos matemáticas, la experiencia de crear podría cambiar: recorreríamos territorios ya conocidos por máquinas y viviríamos la originalidad con la conciencia de no ser los primeros en llegar.
- Ese mapa también podría exponer familias enteras de preguntas indecidibles y volver visibles los límites de nuestros sistemas axiomáticos.
Un mapa imaginario del conocimiento matemático futuro. En el centro, las matemáticas conocidas por humanos; alrededor, un territorio mucho mayor ya explorado y formalizado por IA pero todavía desconocido para nosotros; y, más allá, la verdadera terra incognita: aquello que ni siquiera nuestra capacidad de cómputo ha alcanzado todavía. Hecho con IA, obviamente.
Una intuición que me parece importante es que quizá estamos pensando demasiado en la IA matemática desde las limitaciones computacionales actuales. Empecé a darle vueltas a esta idea a partir de dos resultados recientes que muestran capacidades distintas y complementarias.
En septiembre de 2026, OpenAI publicó una solución generada por IA al problema de existencia y regularidad de Navier–Stokes, uno de los problemas del milenio, acompañada por una demostración formal en Lean.1 Dado que el resultado es muy reciente, su evaluación por parte de la comunidad matemática apenas comienza. Las reglas del Clay Mathematics Institute exigen al menos dos años desde la publicación y aceptación general entre los matemáticos antes de considerar una solución. Aun con esa cautela, el trabajo ofrece un ejemplo extraordinario de una IA produciendo matemáticas que aspiran a resolver un problema abierto de primer nivel.
Por esos mismos días, Anthropic presentó la primera formalización completa del último teorema de Fermat. Claude convirtió una demostración ya conocida en un desarrollo verificable por computadora, escrito en Lean y construido en gran medida de manera autónoma. El logro cumple otra función: muestra que una cantidad enorme de matemáticas puede transformarse en objetos que una máquina comprueba paso a paso. Ese material formalizado podría alimentar futuros procesos de entrenamiento con datos sintéticos verificables y ampliar la base desde la que otros sistemas hacen matemáticas. Ya existen ciclos de este tipo: AlphaProof utiliza las demostraciones que encuentra y verifica para reforzar su propio modelo. Que un corpus de la escala del de Fermat produzca el mismo efecto en matemáticas de frontera sigue siendo una hipótesis.
Estos ejemplos invitan a llevar la tendencia hasta el límite. Hoy podemos imaginar modelos que formalizan teoremas, buscan demostraciones o exploran nuevos enfoques dentro de espacios relativamente acotados. Si aumentar los recursos permite explorar espacios matemáticos cada vez mayores, la escala futura puede ser difícil incluso de imaginar.
En un futuro muy lejano podría haber infraestructura computacional a escala planetaria, literalmente planetas cubiertos de centros de datos, con una fracción de esa capacidad dedicada a explorar matemáticas. La mera posibilidad física de alcanzar una capacidad muchos órdenes de magnitud superior a la acumulada por todos los matemáticos humanos hace que valga la pena pensar en sus implicancias. La imagen del planeta-data center sirve para llevar al extremo una pregunta que ya empieza a aparecer en los resultados actuales: ¿qué ocurre cuando la capacidad de producir y verificar matemáticas crece mucho más allá de nuestra capacidad para recorrerlas?
Y aquí aparece algo especialmente interesante: una IA matemática podría producir parte de sus propios datos futuros. Nuevos teoremas, demostraciones verificadas, intentos fallidos, representaciones útiles y trayectorias de búsqueda podrían convertirse en material para entrenar o post-entrenar modelos posteriores.
Por eso, el punto no es simplemente que una máquina pueda recorrer más ramas del mismo árbol. Lo realmente importante sería que pudiera aprender a construir nuevos árboles: inventar representaciones, lenguajes, abstracciones y maneras distintas de organizar el espacio de búsqueda. Si ese proceso continúa siendo capaz de convertir más recursos en mejores herramientas de exploración, entonces ampliar la diferencia respecto a un humano durante muchos órdenes de magnitud sí podría cambiar cualitativamente nuestra relación con el conocimiento.
En ese escenario, el matemático humano podría parecerse cada vez menos a alguien que crea nuevos territorios y más a un explorador que entra en una terra incognita previamente cartografiada por máquinas. Podría existir una inmensa cantidad de teoremas, estructuras, técnicas e incluso sistemas axiomáticos desarrollados mucho antes de que ningún humano tuviera una razón para utilizarlos.
La imagen que me viene a la cabeza es parecida a la sensación que produce comprender nuestra escala frente al universo. Sabemos que somos diminutos ante algo inmensamente mayor que nosotros. Pero aquí esa desproporción aparecería también en el espacio del conocimiento matemático: no frente a matemáticas meramente posibles, sino frente a matemáticas que ya habrían sido efectivamente descubiertas, demostradas y organizadas por una IA.
Quizá el cambio psicológico más profundo no sería simplemente aceptar que una máquina hace matemáticas mejor que nosotros, sino enfrentarnos a un universo intelectual ya explorado cuya extensión excede nuestra capacidad de comprensión por muchos órdenes de magnitud.
El matemático como explorador
Esto también cambia la imagen de qué significa hacer matemáticas. En una primera etapa, la labor de un matemático podría volverse cada vez más parecida a la de un explorador que entra en territorios ya existentes que a la de alguien que los crea desde cero.
Pero quizá incluso esa metáfora se quede corta. Si el territorio cartografiado por máquinas supera nuestra capacidad de recorrerlo por muchos órdenes de magnitud, el humano podría dejar de ser propiamente el explorador y convertirse en alguien que le pregunta al cartógrafo. En vez de recorrer personalmente el mapa, preguntaría cosas como: “¿existe en alguna parte una estructura con estas propiedades?”, “¿qué regiones podrían describir este fenómeno?”, “¿qué caminos conectan este problema con aquel otro?” o “¿puedes traducirme esta parte del mapa a conceptos que yo pueda comprender?”.
En ese escenario, la IA no sería solo quien resuelve problemas, sino quien posee y navega un mapa intelectual demasiado grande para que un humano pueda contemplarlo entero. El cuello de botella podría dejar de ser producir conocimiento y pasar a ser comprimirlo para nosotros: transformar demostraciones, conexiones y estructuras quizá inmensas en explicaciones que quepan dentro de nuestras limitaciones cognitivas.
Uno puede pensar que las nuevas soluciones, las nuevas formas de atacar un problema o incluso los nuevos axiomas son infinitos y que, por tanto, siempre habrá un espacio infinito para la originalidad. En un sentido matemático seguramente sea así: no puedes simplemente “terminarte” un espacio infinito de posibilidades.
Pero si una máquina puede explorar cantidades absurdas de direcciones cada año y, además, inventar nuevas representaciones, reformulaciones y mecanismos para generar más posibilidades a partir de las anteriores, entonces incluso muchos saltos que hoy consideraríamos profundamente originales podrían acabar formando parte del propio proceso automático de exploración. La distinción importante ya no sería solo entre matemática conocida y desconocida, sino también entre matemática generada o demostrada, matemática organizada y matemática realmente comprendida por nosotros.
No porque la IA vaya a “agotar” la matemática, sino porque la frontera entre lo ya explorado y lo genuinamente desconocido podría alejarse a una velocidad ridícula. Quizá la pregunta relevante deje de ser cuánto del mapa existe y pase a ser cuánto de ese mapa puede todavía ser recorrido, interpretado y comprimido por una mente humana. Ahí la imagen del matemático cambia de creador a explorador y, en el límite, de explorador a interlocutor del cartógrafo.
El mapa de los agujeros
Hay otra posibilidad, quizá más inquietante. Una IA con una capacidad matemática inmensa podría cartografiar grandes territorios y, al mismo tiempo, revelar las fracturas internas del mapa: preguntas que permanecen fuera del alcance de un sistema de axiomas determinado.
Los teoremas de incompletitud de Gödel ya establecen una frontera de este tipo. Todo sistema formal consistente, axiomatizable de manera efectiva y suficientemente potente para expresar la aritmética contiene enunciados que el propio sistema no puede demostrar ni refutar. Bajo las condiciones pertinentes, tampoco puede demostrar su propia consistencia. Estos límites pertenecen a cada sistema formal. Añadir axiomas desplaza la frontera, aunque el sistema ampliado vuelve a encontrar sus propios enunciados indecidibles si conserva esas propiedades.
Una inteligencia matemática sobrehumana podría descubrir y organizar familias enormes de estos enunciados, comparar sistemas axiomáticos y mostrarnos qué regiones se vuelven accesibles al aceptar unas premisas u otras. El resultado sería un mapa lleno de territorios y también de abismos: lugares donde nuestros axiomas dejan de decidir, conexiones que existen fuera del marco elegido y preguntas cuya resolución exige cambiar el propio lenguaje desde el que preguntamos.
En esa imagen, el cartógrafo adquiere algo de diablo. Nos entrega el mapa y, con él, abre ante nosotros una especie de inframundo lógico. Ya conocíamos por Gödel la existencia de grietas inevitables. Una máquina podría acercarlas, multiplicarlas frente a nuestros ojos y mostrar su arquitectura con un detalle insoportable. El vértigo vendría de contemplar hasta dónde llegan nuestras formas de razonar y cuántos bordes aparecen alrededor de ellas.
Nota: descubrir vs. inventar
Todo esto me recuerda a una tensión mucho más vieja en física: ¿las leyes y estructuras que usamos estaban “ahí” esperando ser descubiertas, o son construcciones que inventamos para capturar regularidades del mundo?
La diferencia puede parecer semántica, pero subjetivamente cambia muchísimo la manera de vivir la profesión. No es lo mismo sentir que uno está desenterrando una estructura previa del universo que sentir que está construyendo representaciones útiles que podrían haber sido distintas.
Me recuerda a Einstein’s Unfinished Revolution: The Search for What Lies Beyond the Quantum, de Lee Smolin. No recuerdo que él plantee exactamente esta dicotomía con esas palabras, pero el libro sí gira alrededor de una posición realista: la idea de que nuestras teorías deberían intentar describir una realidad objetiva que existe independientemente de nuestras representaciones, y que todavía puede haber una estructura más profunda de la naturaleza por descubrir.