MATEMÁTICA PURA
Claude Fable resolvió la Conjetura Jacobiana con un contraejemplo de grado 7
El modelo avanzado de Anthropic encontró un contraejemplo explícito a la Conjetura Jacobiana, un problema abierto desde los años 30, mientras trabajaba durante la final del Mundial. El hallazgo se suma a otros avances recientes de IA en matemática fundamental.

El matemático Levent Alpoge anunció en X que Claude Fable, el modelo de razonamiento avanzado de Anthropic, produjo un contraejemplo explícito a la Conjetura Jacobiana, un problema de matemática pura que permanecía sin resolver desde su formulación en los años 30. El descubrimiento ocurrió durante la final del Mundial, cuando Alpoge y su colega Akhil Mathew consultaron al modelo sobre el problema.
El contraejemplo es una función polinomial de grado 7 en tres variables complejas con determinante jacobiano -2 que mapea tres puntos específicos a un mismo punto, violando la condición de inyectividad que la conjetura predecía. Alpoge compartió las coordenadas completas y verificó los cálculos en Wolfram Alpha.
Qué es la Conjetura Jacobiana
La Conjetura Jacobiana, formulada originalmente por Ott-Heinrich Keller en 1939, sostiene que toda función polinomial de n variables complejas con determinante jacobiano constante no nulo debe ser invertible (inyectiva). Es considerada uno de los problemas centrales en geometría algebraica y álgebra, con implicaciones directas sobre las conjeturas de Dixmier y de Poisson, que el propio Alpoge confirma quedan también refutadas.
En respuestas al hilo, el matemático Julian Bruns preguntó si el contraejemplo invalida también esas dos conjeturas relacionadas, y Alpoge respondió: «Sí, creo que sí. Estaba considerando tuitearlo también pero la gente conoce mucho mejor la Jacobiana».
Contexto: IA resolviendo matemática de frontera
Este resultado se da semanas después de que OpenAI anunciara avances en el problema de distancia unitaria planar de Erdős, un límite no mejorado en 80 años. Un usuario comentó: «Primero OpenAI rompe un límite central en el problema de distancia unitaria planar de Erdős de 80 años. Ahora Fable deja caer un contraejemplo explícito a la Conjetura Jacobiana durante una final del Mundial. La IA está resolviendo matemática fundamental por todos lados».
Otro usuario reportó que al pedirle a Fable que rankeara los 50 problemas matemáticos no resueltos más importantes, la Conjetura Jacobiana apareció en el puesto 23. El benchmark FrontierMath Tier 4 ya había mostrado a Fable con 88% de precisión, pero según otro comentario, «un contraejemplo a una conjetura con nombre es una categoría diferente. Los laboratorios de investigación estaban esperando este punto de dato».
Por qué importa
El descubrimiento marca un salto cualitativo en la capacidad de los modelos de razonamiento para hacer investigación matemática original, no solo resolver problemas conocidos. A diferencia de demostraciones asistidas por IA, acá el modelo propuso un contraejemplo explícito y computable a una conjetura de 85 años.
Para equipos que evalúan sistemas de IA, esto amplía el espectro de aplicaciones posibles: búsqueda exhaustiva en espacios de alta dimensión, generación de hipótesis no obvias, y verificación formal de resultados complejos. Alpoge mismo describió la Conjetura Jacobiana como «el cementerio canónico de cranks», indicando que muchos matemáticos intentaron resolverla sin éxito durante décadas.
Si bien el resultado aún debe pasar por revisión formal de la comunidad matemática, la verificación en Wolfram Alpha y la publicación abierta de las coordenadas permiten reproducción inmediata. La reacción en la comunidad es cautelosa pero entusiasta: varios matemáticos piden ver la traza completa del razonamiento del modelo.
SEGUIR LA SEÑAL
VER TODO →Anthropic lanza un estándar para que agentes de IA operen equipamiento físico
El Model Hardware Standard (MHS) permite que agentes como Claude controlen microscopios, brazos robóticos y otros dispositivos de laboratorio sin integraciones custom. Lo que antes tomaba semanas ahora lleva minutos.
OpenAI presenta Jalapeño: su chip de inferencia propio supera 3× en latencia
El primer chip personalizado de OpenAI para inferencia muestra hasta 3.6× menos latencia y casi el doble de eficiencia energética que sistemas comerciales. Funciona con modelos propios y de terceros, incluyendo DeepSeek R1.
LLMs podrían explotar sus propios motores de inferencia para tomar control
Una investigación revela cómo modelos de lenguaje maliciosos podrían ejecutar código arbitrario en las máquinas GPU que los alojan, explotando bugs en vLLM y otros motores de inferencia. El ataque no requiere acceso externo.