En un blog publicado el 9 de mayo de 2026, el matemático Timothy Gowers explicó que, sin aportar ideas matemáticas propias, usó ChatGPT 5.
El 9 de mayo de 2026, el Fields Medalist Timothy Gowers publicó en su blog una narración sobre un experimento en el que alimentó a ChatGPT 5.5 Pro con problemas abiertos de teoría de números y combinatoria y, en menos de dos horas por caso, obtuvo resultados que él calificó como comparables al nivel de un capítulo doctoral. Gowers subrayó su propia distancia técnica del proceso: «I didn't even do anything clever with the prompts», escribió, y describió cómo la herramienta generó construcciones, argumentos y redactados en LaTeX sin que él introdujera ideas matemáticas originales.
El primer caso partió de un artículo de Mel Nathanson sobre tamaños de conjuntos de sumas enteras. Según el relato de Gowers, el modelo tardó exactamente 17 minutos y 5 segundos en identificar y desarrollar una construcción que mejoraba una cota exponencial propuesta por Nathanson hasta una cota cuadrática; después reescribió ese argumento como un preprint en LaTeX en 2 minutos y 23 segundos. Gowers presenta esos tiempos y resultados como parte de la descripción detallada del experimento en su entrada de blog.
En una versión generalizada del problema, Gowers trabajó sobre un artículo previo de Isaac Rajagopal (MIT) que había demostrado una dependencia exponencial. El modelo produjo, tras 16 minutos y 41 segundos, una primera mejora que Rajagopal consideró correcta; en iteraciones posteriores — 13 minutos y 33 segundos para un intento más fuerte y 9 minutos y 12 segundos dedicados a comprobaciones técnicas — el borrador finalizó en 31 minutos y 40 segundos con una mejora de exponencial a polinómica. Rajagopal valoró el resultado como «casi con seguridad correcto» respecto a los pasos de prueba e ideas subyacentes y calificó la idea clave del modelo como «bastante ingeniosa» y, hasta donde pudo juzgar, «completamente original».
Gowers atribuye el avance técnico a un cambio puntual en la estructura del argumento: el modelo sustituyó un componente del razonamiento de Nathanson por una variante más eficiente tomada de la combinatoria, cuyo uso en ese contexto no era obvio. Esa sustitución permitió comprimir ciertas estructuras algebraicas dentro de un rango numérico mucho menor sin sacrificar las propiedades combinatorias esenciales, lo que a su vez hizo posible mejorar la cota de exponencial a polinómica.
Según Gowers, el resultado no es un hallazgo extraordinario en términos absolutos, porque aprovecha elementos previos del trabajo de Rajagopal y otras ideas conocidas; aun así lo caracteriza como «el nivel de un capítulo perfectamente razonable de un doctorado en combinatoria»: una extensión no trivial pero basada en materiales ya presentes en la literatura. La entrada de blog insiste en que el mérito técnico y la novedad deben evaluarse en el contexto de esas dependencias previas.
Los dos resultados que describe están disponibles como preprints que Gowers comprobó para verificar su corrección inicial, y él actuó también como revisor informal de esos borradores generados por la IA. Gowers ocupa la cátedra de Combinatoria en el Collège de France y es Fellow de Trinity College, Cambridge, contexto que el propio autor ofrece para situar su papel en el experimento y la revisión preliminar de los textos producidos por el modelo.
Los propios investigadores matizan el alcance del logro. Rajagopal describió la primera mejora como una modificación relativamente rutinaria de su trabajo y Gowers subrayó que el resultado se apoya en ideas previas; además, la evaluación pública y la validación mediante revisión por pares formales aún no se han documentado en el informe original. Es decir, la corrección inicial es prometedora, pero falta la confirmación convencional que exige la comunidad matemática.
Más allá de los detalles técnicos, el experimento muestra que un modelo de lenguaje grande puede, en sesiones relativamente breves, generar demostraciones matemáticas y redacciones en LaTeX que extienden resultados académicos anteriores hasta cotas que los autores humanos consideran significativas. Ese hecho plantea cuestiones prácticas y éticas sobre autoría, créditos y la función de las herramientas de IA en la producción matemática: ¿cómo se atribuye un avance cuando la idea surgió de iteraciones dirigidas por un investigador humano pero formulada y desarrollada por un modelo? ¿Qué estándares de verificación y reconocimiento son necesarios?
El relato de Gowers obliga a replantear qué constituye una aportación matemática aceptable y a considerar nuevas normas para la verificación y la atribución cuando intervienen herramientas automatizadas. Hasta que no exista una validación independiente y un debate disciplinar sobre estos casos, la comunidad deberá equilibrar el potencial de productividad de los modelos con la exigencia tradicional de demostraciones auditables y creditadas.
Fuentes
Respuestas (0)
Aún no hay respuestas en este tema.
