CRISIS DEL CONOCIMIENTO
Terence Tao advierte que la IA podría desatar una crisis en las matemáticas
El ganador de la Medalla Fields publicó un ensayo donde condiciona el debate: si la IA resuelve problemas a nivel investigación, ¿cuáles son realmente los objetivos de hacer matemática? La pregunta apunta al corazón del método científico.
Terence Tao, uno de los matemáticos más influyentes del siglo XXI, acaba de publicar un ensayo que replantea el rol de su disciplina ante la inteligencia artificial. El paper, titulado "Mathematics in the age of AI" y presentado en el Congreso Internacional de Matemáticos 2026, no discute si la IA podrá hacer investigación matemática de punta. Asume que sí lo hará, y propone una pregunta más incómoda: si las máquinas resuelven los problemas, ¿qué queda de las matemáticas como actividad humana?
El texto tiene 12 páginas, cuatro figuras, y fue enviado para las actas del congreso. Tao usa la resolución de problemas matemáticos como caso de estudio para examinar algo más amplio: qué valores y objetivos guían realmente la investigación matemática cuando las herramientas cambian de naturaleza.
El giro conceptual: dejar de debatir capacidades
La mayoría de las discusiones sobre IA en ciencia se enfocan en qué pueden o no pueden hacer los modelos actuales. Tao propone saltar esa discusión. En lugar de preguntar "¿llegará la IA a demostrar teoremas complejos?", plantea: "Asumamos que llega. ¿Entonces qué?"
Esa inversión metodológica convierte el ensayo en algo más parecido a filosofía de la ciencia que a una evaluación técnica. No es un benchmark de capacidades actuales; es un ejercicio prospectivo sobre qué define el valor del trabajo matemático cuando la componente de cálculo y prueba se automatiza.
El caso de estudio: resolver problemas vs. entender estructuras
Tao elige la resolución de problemas matemáticos —una de las actividades centrales de la disciplina— para ilustrar la tensión. Históricamente, demostrar un teorema implica dos cosas: encontrar la solución y construir el camino conceptual que lleva a ella. Ese camino es lo que otros matemáticos estudian, critican, generalizan.
Si una IA produce demostraciones correctas pero opacas —o demasiado largas para seguir humanamente—, el problema técnico se resuelve, pero la comprensión conceptual no avanza de la misma forma. Tao sugiere que esto podría fragmentar la comunidad matemática entre quienes valoran los resultados y quienes valoran el entendimiento.
El paper está clasificado bajo History and Overview (math.HO), con códigos MSC que incluyen 68T01 (inteligencia artificial aplicada) y 00A30 (filosofía de las matemáticas). Esa combinación de categorías ya marca el tono: es un texto de frontera disciplinar.
Por qué importa
La advertencia de Tao resuena más allá de las matemáticas puras. Cada disciplina que adopta IA enfrenta versiones de la misma pregunta: ¿qué parte del trabajo define realmente la profesión? En medicina, ¿es diagnosticar o es entender la enfermedad? En ingeniería de software, ¿es escribir código o diseñar sistemas?
Para empresas que están integrando IA en investigación, desarrollo o análisis, el ensayo funciona como mapa conceptual: las herramientas automatizan tareas, pero los objetivos y criterios de éxito los define la organización. Si una IA genera insights que nadie en el equipo entiende, ¿cuál es el valor real de ese output?
Tao no ofrece respuestas cerradas. Propone que la comunidad matemática necesita explicitar sus valores antes de que las herramientas los redefinan por omisión. Ese ejercicio —saber qué estás optimizando cuando adoptás IA— aplica a cualquier equipo técnico que esté escalando capacidades con modelos.
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.