Este es el mayorito de la inteligencia

artificial aplicada a las matemáticas de

este año. Esa fue una de las frases que

dije durante el mes de julio, cuando en

este vídeo de aquí os expliqué el

resultado que Open AI había conseguido

en este problema de matemáticas. Un

resultado que fue impresionante, pero

que rápidamente fue eclipsado durante el

mes de agosto cuando Open AI sacó estos

10 resultados matemáticos muy relevantes

y que cubrían diferentes ámbitos de las

matemáticas. De nuevo, en aquel momento

tuve que decir esto de sí, esto es lo

más importante que le ha ocurrido a la

inteligencia artificial y a las

matemáticas este año, pero de nuevo eso

fue algo que quedó claramente eclipsado

durante el mes de septiembre cuando se

anunció que una inteligencia artificial

había resuelto uno de los famosísimos

problemas del milenio, el problema de

Nevier Stokes. Y en ese momento sí era

lo más importante que había ocurrido en

las matemáticas y la inteligencia

artificial hasta el día de hoy. Y es que

al final así se siente transitar una

exponencial que cuando miras para atrás,

los resultados que te parecían

impresionantes, pues se van viendo cada

vez más minúsculos y en el horizonte

pues solamente observas cosas que

parecen imposibles, pero que mes tras

mes se vuelven realidad. Y esto no lo

estoy diciendo yo, sino que lo está

afirmando la propia comunidad matemática

que tras los anuncios realizados por

Open AI el pasado 6 de octubre y que

pasaremos a comentar ahora, pues muchos

de ellos estaban de acuerdo en que ese

día era posiblemente uno de los días más

importantes de la historia de las

matemáticas. ¿Por qué? Porque el 6 de

octubre Open AI por fin se animó a hacer

público todos estos resultados

matemáticos que durante semana sus

modelos internos con los que han estado

trabajando para la resolución del

problema del milenio y otros tantos

problemas, pues por fin se han animado a

publicar todos estos resultados.

Haciendo esto de una forma bastante

discreta, dada la relevancia de los

resultados con un blog post bastante

bastante escueto, con muy poquita

información y el repositorio de GitHub

donde se encuentra toda la chicha. el

open AI/MH,

un repositorio que incluye 719

manuscritos que corresponderían a la

resolución de 372 familias de problemas.

Problemas que son históricos y que, como

podemos ver aquí en el catálogo, que

comparten, pues cubren diferentes áreas,

áreas muy diversas de todas las

matemáticas, pues teoría numérica,

geometría compleja y algebraica,

análisis real y complejo, combinatoria,

álgebra, lógica, matemáticas, teoría de

grupos, un montón de áreas diferentes.

Algo que ya nos indica, nos señaliza que

este modelo que ha podido resolver todos

estos tipos de problemas, no se orienta

únicamente a un tipo de problema

concreto que pueda explotar a través de,

por ejemplo, dedicar mucha computación y

fuerza bruta, pues a buscar la mejor

solución por pura combinatoria o por

optimización, como han ocurrido con

sistemas en el pasado como Alpha

Geometry o otros sistemas que han dado

muy buenos resultados en matemáticas,

pero muy orientados a resultados o a

tipo de matemáticas concretas, ¿no? Aquí

estamos hablando de un amplio catálogo

de resultados que cubren muchos, pero

que muchos problemas históricos. Si

vamos bajando por el catálogo, nos vamos

encontrando pues los diferentes

titulares, los diferentes problemas que

han resuelto, pues conjeturas. Vemos

aquí la casi hipótesis de Ran, un

resultado importantísimo que ataca uno

de estos famosísimos problemas del

milenio, que sería la hipótesis de

Riman. Pues aquí Open AI solamente con

esto habría dado un resultado histórico

a uno de estos problemas matemáticos tan

importantes y esto sería solamente uno

de los 372 resultados que han

compartido. resultados que en cada área

de las matemáticas donde está impactando

ya supondría un resultado bastante

bastante relevante cada uno de estos

problemas resueltos, pero que sin

embargo en este caso entra como una

parte más de un todo, de un lote de

resultados que Open AI, recordemos ha

podido computar durante las últimas

semanas porque esto es algo en lo que

hice bastante hincapié cuando hablamos

del problema de Nevier Stokes. Sí, es un

resultado enorme que una inteligencia

artificial pueda resolver uno de estos

grandes problemas del milenio, pero no

nos quedemos con ese gran titular, que

como digo, es enorme, sino que lo

relevante lo encontrábamos en esta

gráfica de aquí, una gráfica donde Open

AI nos explicaba que este resultado lo

habían logrado con ese modelo interno

tan potente que están desarrollando con

unas capacidades matemáticas asombrosas

que se comparaba con GPT6 Astrack,

actualmente el mejor modelo entre toda

la competencia para hacer labores

matemáticas Y fijaos cómo se compara con

este modelo interno que ellos están

desarrollando. en una gráfica que ya

notaba pistas de lo que iba a suceder,

porque fijaos que esto es la tasa de

acierto de los diferentes modelos en una

selección de problemas matemáticos

abiertos que Open AI simplemente está

utilizando para evaluar el rendimiento

de sus modelos y donde veíamos que este

modelo interno, pues donde Astra 6

solamente podía llegar a resolver un 15%

de toda esta totalidad de problemas

matemáticos abiertos, pues el futuro

modelo de Open AI, según la cantidad de

computación dedicada podía resolver

entre un 25%

y un casi 50% de estos problemas.

¿Cuáles eran estos problemas abiertos?

Ah, no lo sabíamos durante el mes de

septiembre, pero sí sabíamos que Open AI

había resuelto más de 100 problemas

abiertos desde el día 28 de agosto. Es

decir, este modelo interno que tiene

estas capacidades matemáticas en

cuestión de semanas había conseguido

encontrar soluciones a estos problemas

que ahora Openi sabía ni siquiera cómo

publicarlo por un poco el miedo de cómo

podría ser la respuesta de la comunidad

matemática. Pues de estos sin problemas

que en septiembre no supieron cómo

publicar, en octubre por fin se atreven,

habiendo aumentado la cifra ya a más de

370 problemas y problemas que de verdad

quiero que entendáis lo relevante, la

importancia que tienen y para eso nos

vamos a venir a esta página web, Approf

Atlas, que ha hecho un muy buen trabajo

de recopilación de lo que serían los top

500 problemas abiertos en matemáticas.

Este no es un ranking oficial, sino que

es un ranking construido a través del

consenso de varios modelos diferentes de

inteligencia artificial, modelos de Open

AI, de cloud, modelos abiertos como GLM,

como dipsic, que a los que se le han

pedido que ranqueen, pues, cuáles son

estos problemas más importantes que a

día de hoy se encuentran abiertos en el

ámbito de las matemáticas. Pues a lo

mejor no todas las posiciones son 100%

rigurosas, pero vamos a tomarlo

orientativamente para entender pues

cuáles son estos problemas más

importantes y donde encontramos en la

cabecera pues problemas como los

problemas del milenio. P versus NP en el

número uno, la hipótesis de Ran, pues yo

me la conjetura de Hoch, Nevir Stokes,

que en este caso pues la plantean como

problema abierto porque recordemos que

Nevir Stokes tal cual lo resolvió Open

AI, pues resolvió el caso C y D, tal

cual se planteaba el problema del

milenio, pero todavía queda abierto pues

lo que vemos aquí, el caso A de Nevir

Stokes. Y bueno, vemos un listado de

diferentes problemas que van ranqueando

en esta lista por importancia hasta los

500 problemas más importantes. Pues esta

lista os la presento porque si la

tomamos como referencia para entender la

importancia de estos problemas, esta

visualización de aquí nos demuestra de

estos 500 problemas, ¿cuáles han sido

parcialmente resueltos? ¿Los tienen

verde clarito o los que han sido

presuntamente resueltos en su totalidad?

500 problemas matemáticos históricos,

cada uno en su campo. Y fijaos la huella

tan grande que deja pues este lote de

resultados que Open AI publica un martes

por la tarde como si fuera cualquier

cosa. Es verdaderamente sorprendente ver

el calibre, la magnitud de estos

resultados que ha compartido Open AI.

Eh, la verdad que sorprende y sorprende

también porque en el caso de la

resolución del problema del milenio por

parte de Open AI el mes pasado, pues se

le criticó mucho el haber dedicado

enormes cantidades de computación.

Recordemos un enjambre de más de 10,000

agentes trabajando en la resolución del

problema de Nevir Stokes y que mucha

gente quiso tomar eso como señal de que

si habían resuelto el problema era

simplemente por aplicar fuerza bruta,

por el trabajo de 10,000 agentes

trabajando concurrentemente en este

problema. Sin embargo, de la poca

información que ha compartido Open AI en

este escueto blog post, sí encontramos

un dato que es bastante bastante

sorprendente, que lo podemos leer aquí y

que va en referencia a la cantidad de

computación dedicada para cada uno de

estos resultados que están compartiendo,

donde nos dicen que de media cada

resultado ha requerido simplemente unos

recursos de cómputo equivalentes a unas

3 horas de razonamiento de lo que sería

Chat GPT Pro. Es decir, tú te sientas en

tu casa, una tarde tonta, dices, "A ver,

me acaban de resetear la cuota de uso de

Chat GPT." Pues con el futuro modelo que

pueda sacar Open AI el año que viene, tú

le das al botón, te tomas un cafecito,

el modelo trabaja 3 horas y te saca, te

imprime un resultado que podría ser

histórico, no tiene sentido. Aún así,

este es un resultado que vamos a

con pinzas porque al final nos están

dando una media de cuál ha sido el

cómputo total entre todos estos

problemas, con lo cual podría haber

muchas desigualdades entre cuánta

computación han dedicado a la cuasi

hipótesis de Rman frente a otros

problemas que a lo mejor la computación

ha sido mucho menos. Y también

desconocemos si este dato recoge todos

los intentos fallidos, toda la

computación malgastada en pruebas que no

han llegado a un resultado fructífero.

Aún así, sea como sea, podrá haber

resuelto estos problemas habiendo

dedicado poca computación o muchísima

computación. abre una puerta que antes

estaba cerrada y que podría ser un

cambio radical en cómo va a ser el

desarrollo en los próximos años de todo

el ámbito científicotécnico, donde las

matemáticas siempre han tenido un

impacto. Estoy pensando en todos los

campos de la ciencia que se apoyan en la

parte teórica en matemáticas, pues la

física, la química, ciencia de

materiales. Estoy pensando en todas las

ingenierías donde la matemática es la

primitiva básica para poder desarrollar

pues toda la tecnología que está

justamente dando forma a lo que estamos

viviendo. Es que al final, si nos

paramos a pensar y nos abstraemos de

esta etiqueta fancy, que es la

inteligencia artificial, lo que nos

encontramos detrás de todos estos

métodos son métodos matemáticos,

técnicas de optimización, técnicas de

álgebra lineal, que son las redes

neuronales que hacen funcionar a todos

estos sistemas. Es pura matemática y es

matemática que ahora hemos conseguido

pues reordenar y configurar para que

aprenda a desarrollarse a sí misma.

Matemática descubriéndose a sí misma. Es

impresionante. Y para acercaros un

poquito más a la realidad de estos

resultados, quiero pararme en uno de

ellos, que es un resultado matemático

que está muy relacionado con un tema que

hemos tratado muchas veces en el canal

principal, que es el problema de

multiplicar matrices, la que es, creo

que a día de hoy una de las operaciones

básicas de toda la economía digital en

la que vivimos y principalmente en el

desarrollo de la inteligencia

artificial, porque al final entrenar y

ejecutar a una red neuronal no deja de

ser una concatenación de multiplicación

de matrices. Y este es un problema que

si recordáis cómo lo resolvíamos

nosotros en el colegio, pues tú tenías

dos matrices y tenías que enfrentarte

pues a un conjunto de operaciones que

implicaba filas, columnas y tener

que ir multiplicando cada elemento de

cada celda, obligándote a hacer para

lograr esta multiplicación de matrices,

pues un total de n cubo operaciones.

Esto significa que si tenías que

multiplicar matrices de 5* 5, pues

orientativamente tenías que hacer unas

125 operaciones 5³. Y si tenías que

hacer una multiplicación de una matriz

de 10* 10, pues esta cifra aumentaba

hasta las 1000 operaciones, haciendo que

multiplicar matrices cada vez más

grandes, pues fuera una tarea cada vez

más difícil, porque como digo, pues va

escalando al cubo. Según aumenta el

tamaño de nuestra matriz, el número de

operaciones a las que tenemos que

enfrentarnos también aumenta en función

de este exponente de aquí, ese maldito

número tres. Y por ello, muchos

investigadores han estado durante

décadas intentando mejorar las técnicas,

los algoritmos para multiplicar matrices

de forma más eficiente. Si es tan

importante que tiene hasta su propia

página de Wikipedia, por supuesto. Y

esta mejora en eficiencia con un

asterisco, vamos a comentarlo más

adelante, pero bueno, esta mejora en

reducir el número de operaciones

requeridas cuando aumentamos el tamaño

de las matrices. este exponente número

tres que comentábamos y que sería la

forma más naif de multiplicar matrices,

la que aprendimos en el instituto, pues

fijaos como los diferentes algoritmos

que durante cada década se han

investigado han ayudado a ir reduciendo

este exponente, este número tres, por

debajo de la zona cúbica. Así nos

encontramos en la década de los 70 el

método más popular, el método de

Strasen, que baja el valor del exponente

del número 3 a casi 2,8. Vemos algunas

mejoras por aquí y luego como en la

década de los 80 esta cifra baja hasta

2,5 y luego de nuevo en la década de los

90 una nueva caída que nos situaría en

este punto de aquí que ya estaríamos

rondando el 2,37.

Fijaos, durante dos décadas este valor

ni se mueve y ya en estos puntos de aquí

estamos tocando centésimas, milésimas

del valor de este exponente. Esto

último, de hecho, se ve mejor aquí en

esta tablita de aquí, donde vemos que

exactamente pues desde la década de los

90, que teníamos este valor de 2,3755,

esto durante 36 años se ha movido hasta

2,37117.

Un valor muy difícil de mover, pero que

como podéis imaginar esta tabla está

desactualizada. Porque si te vas al

catálogo de Open AI y eres un interesado

en complejidad algorítmica, si tú buscas

aquí matrix multiplication, nos saltamos

al problema resuelto número 107, que nos

dice que ahora el exponente de

multiplicar matrices baja ahora a 9/4, o

lo que es lo mismo, un valor de 2,25.

Pero como sé que lo que queréis es verlo

dibujado en la gráfica, aquí tenéis la

optimización lograda, la mayor

optimización en la multiplicación de

matrices en los últimos 36 años. Esto

espero que sirva para que entendáis el

calado, la importancia que tiene pues

estos avances, que no son avances

menores, pero también utilizo este

ejemplo para intentar calmar vuestras

expectativas, donde sí, este es un

resultado que teóricamente es

impresionante, pero que en el sentido

práctico, a pesar de haber dicho que la

multiplicación de matrices es la base de

toda la economía digital en la que

vivimos actualmente y toda la revolución

de la inteligencia artificial, tenéis

que saber que aunque hayamos logrado

esta optimización tan bestia en la

multiplicación de matrices, esto no

tiene una traslación práctica real, al

menos que sepamos por ahora. Y es que al

final este resultado pues tiene un

interés que sí puede ser muy relevante

para la comunidad matemática para

entender mejor cómo funcionan estos

algoritmos, pero al final son técnicas

de multiplicar matrices que solamente

empiezan a mostrar sus eficiencias a

escala de matrices que no son para nada

prácticas en el uso que hacemos en

nuestro día a día. Estamos hablando de

matrices muy pero que muy pero que muy

grandes. Tan grandes que estas matrices

contendrían más elementos, más números

que átomos existen en el universo, que

es una escala que nos gusta decir mucho.

Esto para que veáis que estamos hablando

de matrices que no son prácticas en

nuestro día a día. Y aún así, aunque

hubiéramos encontrado una forma práctica

de multiplicar matrices, eso no implica

que sea pues lo más útil de cara al

hardware, a las GPUs, a cómo se

codifican los circuitos que tenemos

actualmente en todo el hardware que hace

funcionar todo esto. Con lo cual, esto

os lo explico porque puede ser muy

sugerente preguntarle a la IAC, pues de

todos estos resultados, qué

implicaciones puede haber y que te diga,

esto tiene implicaciones en

criptografía, en inteligencia

artificial, en tal, en cual. Pero hay

que entender que la importancia y la

naturaleza de muchos de estos

resultados, pues reside más en la parte

teórica, en lo que nos permite descubrir

de la propia naturaleza de estos

problemas de la matemática y no tanto de

lo que el resultado en sí mismo define,

que bueno, entre tantos resultados

seguramente algo práctico sí habrá, pero

lo más relevante de todo este volumen de

resultados es lo que realmente nos

enseña sobre las matemáticas a nosotros.

Y cuando digo a nosotros, ah, no me

refiero a mí, porque es que yo no

entiendo ninguno de estos papers, de

estos manuscritos que han salido, es que

enseña a los matemáticos. Y aquí, sin

embargo, los matemáticos lo que están

diciendo es, tío, openi, ¿qué

Porque el sentir general de gran parte

de la comunidad matemática con estos

resultados no ha sido muy positivo,

porque a OpenI se le ha criticado por

una parte la forma en la que han hecho

pública estas soluciones, pero también

por otra el fondo, el hecho de lanzar

una bomba atómica que destruye o avanza

o de repente arroja una luz enorme que

ciega pues a mucha gente que lleva años

o décadas dedicándose a la solución de

todos estos problemas. Si nos centramos

primero en las críticas de cómo ha sido

la forma de publicar estos resultados,

la principal crítica se encuentra en que

Open AI no ha seguido el proceso típico

de la academia de hacer una publicación

verificada donde las soluciones pues

hayan comprobado que son correctas y

donde se haya enviado pues algún jornal

para una revisión por pares que permita

pues verificar que el resultado en sí es

correcto. Aquí OpenI lo que comenta es

que sus resultados pues contienen

diferentes niveles de verificación donde

algunas de estas soluciones pues se

encontrarían certificadas por una

comprobación hecha con LIN,

permitiéndote que para alguno de tus

resultados pues esa prueba que tú has

demostrado en un manuscrito con una

prosa escrita, cuando lo trasladas a

código LIN pues te sale una verificación

que es una primera señal de que esa

prueba podría ser correcta. Pero ojo, el

repositorio, dicen por aquí, solamente

tiene el 42% de los resultados

verificados, significando eso que la

mayoría de resultados no lo están y que

como dicen por aquí, pues alguno de los

resultados no formalizados podría tener

errores. De hecho, esta semana ya ha

pasado que tres de estos resultados de

las 372 familias de resultados pues

contenían errores que la comunidad

matemática ha sabido identificar,

obligando a Open AI, pues a retractarse

y a retirar esos manuscritos. Pero

claro, esto ya es una cosa que Openi

desde la salida de los manuscritos

avisó. Algunos resultados pueden estar

mal y nosotros iremos actualizando el

repositorio pues según vayamos

encontrando errores, convirtiendo de

repente el proceso académico de

publicación, de verificación, eso que

requiere que la comunidad poco a poco

vaya avanzando sobre la certeza de que

los resultados son correctos, algo más

próximo a lo que sería la ingeniería de

software, a tener un repositorio vivo

donde pues van ocurriendo errores, vas

parcheando bugs y bueno, poco a poco va

avanzando de forma más dinámica, pero

rigiéndose bajo unas normas diferentes a

las que la comunidad matemática pues

está acostumbrada y donde además quién

va a hacer ese trabajo de depuración y

verificación, pues se le está pidiendo

que lo haga a la comunidad matemática,

que son los únicos que se pueden

aproximar a este trabajo, entenderlo e

intentar encontrar errores. Y esto es

algo que, bueno, pues a la comunidad

matemática de forma razonable no le ha

sentado bien y que indica algo que es la

desalineación que existe entre los

incentivos por parte de Open AI, que

ellos están entrenando su inteligencia

artificial y donde estos resultados al

final ocurren como un subproducto de

evaluar a sus modelos. Ellos no están

intentando resolver las matemáticas por

resolver las matemáticas. Esto es un

artefacto, un residuo. Estos problemas

históricos son residuos de la propia

evaluación de sus modelos y que Open A

podría haber dedicado mucho esfuerzo,

mucho tiempo en verificar que estaban

correctos, pero para ellos ha sido más

fácil colocarlo en un repositorio, dar

acceso rápido a toda la comunidad y

quien quiera pues que trabaje sobre

estos subproductos que han generado sus

modelos. Pero es que además la calidad

de estos subproductos es muy baja. Yo

aquí no tengo la capacidad matemática

para poder evaluarlo por mí mismo, pero

muchas de las declaraciones que he

podido recoger durante esta semana, que

he estado siguiendo el tema muy de cerca

por parte de matemáticos que han leído

los papers, es que muchas de las

construcciones que hace la inteligencia

artificial, aunque son correctas, son

alienígenas. Y creo que decir aquí

alienígena es casi maquillarlo, porque

lo que quieren indicar es que el

estándar de calidad de aquí es muy bajo

y en algunos casos extraño, haciendo que

el ejercicio de verificación pues se

vuelva incluso más tedioso para ellos.

Aún así, esto yo creo que va a ser algo

transitorio. Me recuerda mucho a lo que

ha sucedido con el campo de la

programación, donde pues sabemos que a

comienzos de 2025 era muy habitual

obtener resultados que sí cumplían con

aquello que tú le estabas pidiendo, pero

que cuando te ibas a verificar cómo

estaba programado, cómo era ese código,

qué patrones utilizaban, qué sistemas

utilizaba, era todo un desastre. Algo

que sabemos que con el paso de los meses

y con la mejora de los modelos se ha ido

solucionando y que creo que va a ser el

camino que transite también pues en este

caso la IA en matemáticas. Pero quizás

el punto más complicado entre el

conflicto que se está empezando a

iniciar entre laboratorio de

inteligencia artificial y comunidad

matemática viene del propio hecho de

hacer público de forma masiva estos

lotes de resultados como si fuera algo

intrascendente, encontrándose de repente

muchos matemáticos que la línea de

investigación en la que llevan años

especializándose y trabajando, pues de

repente ha sido resuelta por una

inteligencia artificial. Una pérdida de

propósito que se ilustra pues muy bien

en este tweet del medallista Fields Hugo

Duminil Copín que dice lo siguiente.

Hugo quedó profundamente conmocionado

por la publicación de Openi de más de

700 manuscritos matemáticos generados

por IA, incluyendo trabajo sobre 16

preguntas directamente relevantes para

su investigación. El martes 6 de octubre

por la noche lloré y dice, "Hanquilado

mi campo de investigación." Esta es una

declaración que se podría sumar a este

recopilatorio de más de 100 reacciones,

a las más de 100 soluciones por parte de

Open AI, por muchos matemáticos, muchos

investigadores que aquí han hecho una

declaración abierta, honesta de cómo se

han sentido esta semana al ver que de

repente pues la inteligencia artificial

y en concreto Open AI ha dinamitado por

completo muchísimas de sus

investigaciones y que de verdad os

invito a que leáis unas cuantas de

ellas. Os voy a dejar el enlace abajo

porque creo que es importante en este

punto, como ha sucedido en momentos

anteriores con los artistas, con los

programadores y en este caso ahora con

los matemáticos, que empaticemos con el

proceso que se está empezando a vivir

porque va a ser bastante parecido a como

ha ocurrido en en años anteriores y

donde creo que podemos ser por una parte

pues entusiasta de los avances que

estamos logrando, pero sin perder pues

esa empatía que creo que ahora es

necesaria para entender pues el

sufrimiento, el malestar que muchas de

estas personas están viviendo, que están

viviendo simultánea amente pues la

fascinación de ver pues muchos de los

problemas de los que ellos han estado

enamorados profesionalmente durante años

y durante décadas, poder ver de repente

esas soluciones que, bueno, siempre has

intentado perseguir simultáneamente con

una pérdida de propósito o una

incertidumbre hacia el futuro de no

entender cómo tu campo de repente va a

cambiar, que de repente te digan que tu

trabajo no va a ser pues la resolución

de estos problemas que siempre te han

motivado, sino que ahora vas a estar

verificándole los deberes a una

inteligencia artificial, pues es un

cambio que genera mucha frustración.

mucho dolor y con el que hay que ser

empático. Esto lo digo porque ya estoy

viendo en redes sociales cómo se

empiezan a formar bandos y cómo se están

cogiendo las declaraciones más eh

extremas de cada posición para atacar a

otros bandos y creo que todos podemos

intentar no repetir los errores que ya

se han repetido en fases anteriores.

Dicho esto, llevo muchos días

reflexionando sobre todo lo que ha

pasado y por eso me he demorado más en

publicar este vídeo, porque he estado

recopilando mucha información de de

ambas partes y creo que no termino de

tener claro cómo podría haber sido una

publicación correcta de todos estos

resultados. Es decir, el escenario

actual en el que nos encontramos es que

la inteligencia artificial, sus

capacidades ya permiten hacer pues este

tipo de avances. si sabemos que los

grandes laboratorios tienen que evaluar

y tienen que intentar seguir mejorando

sus sistemas aprovechándose de pues

justamente estos problemas tan difíciles

que le podemos arrojar a la inteligencia

artificial. Resultados que además a

nivel práctico sabemos que a ellos les

interesa perseguir, pues conseguir una

mejora de eficiencia en cómo se

multiplican las matrices, en cómo se

resuelve un algoritmo de entrenamiento,

de inteligencia artificial, es una

ventaja competitiva que cada uno de

estos laboratorios está buscando. Y ante

el escenario donde ya tenemos una

manivela a la que le podemos dar y

resolver todos estos problemas abiertos,

me parece que el escenario donde estos

laboratorios acaban haciendo público

estos resultados es el más positivo de

todos, siendo, desde mi punto de vista,

pues mucho peor el escenario donde estos

resultados no se hubieran hecho público

nunca. Voy más allá. es que ya me genere

incomodidad pensar que a lo mejor estos

son los 372 resultados que han publicado

que no le daban una ventaja competitiva

y a lo mejor los más interesantes a

nivel práctico se los han guardado para

ellos. Y en un contexto donde muchos de

nosotros desde hace un año, 2 años

sabíamos que esto iba a ocurrir y los

grandes laboratorios también lo sabían,

pues era cuestión de tiempo que esta

manivela de generar resultados

matemáticos apareciera. Y por mucho que

nos parezca bien o mal que Open AI haya

publicado estos resultados, era

inevitable que cualquier otro actor en

esta carrera por la inteligencia

artificial acabara llegando al mismo

punto, pero a lo mejor tomando la

decisión de no publicar los resultados,

algo que, como digo, a mí personalmente

me parece mucho más terrorífico. Este es

el escenario en el que nos encontramos.

Y si algo hemos aprendido de los años

anteriores es que es inevitable y al

final muchos de los roles profesionales

que se han visto afectados por la

inteligencia artificial han acabado

transformándose para poder continuar

pues aplicando su expertiz con lo que

estas herramientas pueden ofrecer. Y no

tengo dudas de que esto mismo es lo que

va a ocurrir en el campo de las

matemáticas. Y simplemente en este

contexto de transformación, pues creo

que hay que estar atentos a qué se

podría perder, cuáles son los riesgos

que se quedan atrás. Y estos son parte

de los temores que la comunidad

matemática pues también plantean y es si

de repente la inteligencia artificial se

va a encargar de resolver todos estos

problemas, ¿qué incentivos le queda al

profesional humano que antes se

aproximaba a estos problemas? Y en ese

viaje podía aprender mucho del campo de

las matemáticas y podía encontrar

soluciones que a lo mejor nunca serán

posibles de encontrar para la

inteligencia artificial. Por poner un

ejemplo, ya para ir cerrando, pues en

este repositorio de soluciones hay una

que es la cuasi hipótesis de Ran, que es

un paso muy grande para resolver este

problema del milenio por todos

conocidos, famosísimo de la hipótesis de

Riman. un problema que cuando te

aproximas a entenderlo es precioso y te

abre un mapa de conexiones de las

matemáticas que es bastante bonito. Os

invito a ver este vídeo de Three Blue

One Brown, uno de los mejores canales

que ilustra gran parte de todas estas

intuiciones que se van desarrollando en

el campo de las matemáticas y que me ha

permitido a mí entenderlo y fascinarme

por un problema y ahora contároslo aquí

en este vídeo. Un problema que ha

trascendido, que ha permeado en nuestra

cultura y que ha permitido que a muchos

de nosotros nos suene y que a un

académico, un matemático, pues le haya

enamorado y haya decidido dedicar sus

años de vida profesional a intentar

resolver este problema. Y todo esto ha

ocurrido porque durante siglos ha habido

matemáticos trabajando en este problema,

documentándolo, compartiéndolo. Y esto

ha llegado a oídos de divulgadores como

Th Blue One Brown, que le ha dado tiempo

de hacer vídeos como esto, que yo he

podido disfrutar, que me ha permitido en

este vídeo a mí explicaros a vosotros

que este es un problema bellísimo, una

forma de tomar conciencia sobre un

problema que solo puede ocurrir cuando

durante siglos ese problema ha estado

presente. Imaginada ahora que no, que

una inteligencia artificial resuelve la

hipótesis de Rman de martes a miércoles,

de miércoles a jueves resuelve pues el

problema que desencadene eso y de jueves

a viernes lo siguiente. De repente

décadas y décadas de trabajo matemático

se condensa en muy poquito tiempo, no

permitiéndonos encontrar todos los

caminos de este laberinto que es el

mundo de las matemáticas. Y por ello

creo que el papel del matemático seguirá

siendo relevante en los próximos años,

pero en este caso potenciado por lo que

los modelos de inteligencia artificial

ya empiezan a ofrecer. Y todo este

debate se condensa muy bien en una frase

con la que estoy muy de acuerdo dicha

por Jan Leun esta semana en referencia

justamente a todo este debate donde

indicaba que sí que el descubrimiento de

la navegación pues hizo que muchos

dejáramos de nadar, pero nos permitió

también descubrir nuevos mundos y ese es

el punto en el que nos encontramos

ahora. Se vienen unos años por delante

muy extraños. El avance

científicootécnico impulsado por lo que

estos modelos que muchos creyeron que no

iban a ser capaces de llegar a donde

estamos viendo hoy, pues han demostrado

que sí, que han llegado y dibujan un

horizonte, como digo, muy extraño donde

todo este progreso se va a ver impulsado

por la inteligencia artificial. años muy

apasionantes, años de transformaciones,

como estamos empezando a comprobar, como

ya venimos años atrás también

comprobando en otros eh sectores. Y

chicos, chicas, este es el gran tema de

esta semana, el debate que hemos vivido.

Y ahora quiero leer vuestras opiniones

abajo en comentarios. Si os ha gustado

este vídeo, por favor, compartidlo. Eh,

ha sido un vídeo que he tenido que

pensar mucho, he querido darle un

enfoque que cubriera muchas de las

diferentes voces que se han ido

comentando. Y ahora pues quiero leer las

vuestras abajo en comentarios, chicos,

chicas. Nos vemos con más inteligencia

artificial en un próximo vídeo aquí y en

DCSV.