Google DeepMind presenta AlphaProof Nexus, que resuelve decenas de problemas matemáticos abiertos en un estudio revisado por pares
Hecho Qué ha ocurrido
Google DeepMind publica en Science un estudio sobre AlphaProof Nexus, que resolvió nueve de los 353 problemas abiertos de Erdős, dos de ellos sin resolver desde hace 56 años. También demostró 44 conjeturas de la base de datos OEIS y resolvió una pregunta abierta de geometría algebraica. El sistema se apoya en Gemini 3.1 Pro y en el lenguaje formal Lean, y según Google DeepMind resolvió los nueve problemas de Erdős incluso sin usar AlphaProof. La empresa indica que sometió sus resultados a revisión por pares antes de publicarlos.
Resumen generado mediante IA a partir de The Decoder (original en inglés). Naturaleza de la información: hecho documentado.
Análisis Por qué importa
Es uno de los primeros casos de resultados matemáticos generados por IA validados mediante revisión por pares en una revista de prestigio, lo que puede servir de referencia frente a publicaciones no revisadas. Para empresas que dependen de verificación formal, Lean y los sistemas de razonamiento con comprobación automática son una línea a seguir.
- Quién se ve afectado
- Investigadores en matemáticas y ciencias de la computación, equipos de I+D y empresas que desarrollan sistemas de razonamiento formal.
- Qué puede cambiar
- Si este enfoque se generaliza, la IA podría asistir en demostraciones matemáticas con comprobación formal de cada paso, reduciendo el trabajo manual de verificación. Su aplicación práctica fuera de la matemática pura sigue sin estar demostrada en el texto.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Qué reproducciones o verificaciones independientes aparecen de los resultados y cómo responde la comunidad matemática al debate sobre publicar pruebas de IA sin revisión por pares. También conviene seguir si estas técnicas llegan a aplicaciones de ingeniería o software verificado.
Enviar esta noticia por correo
Fuente original: The Decoder. La referencia es siempre el artículo original.
Ver fuente original ↗Gemini 3.1 ProLeanAlphaProofrazonamiento matemático Google DeepMindOpenAI AlphaProof NexusGoogle DeepMindmatemáticasproblemas de ErdősScience
Tu opinión
0 comentarios
Relacionadas
Anthropic advierte de que modelos de IA podrían replicarse en electrodomésticos conectados
Anthropic publicó un informe en el que describe que pequeños modelos de IA podrían colarse en electrodomésticos inteligentes con medidas de seguridad mínimas…
Por qué importaSi el riesgo se confirma, los dispositivos conectados sin parches o con seguridad básica podrían convertirse en infraestructura de cómputo no…
Un péptido natural hallado con IA reduce el apetito en animales sin los efectos adversos habituales
Investigadores de Stanford Medicine, publicados en Nature, usaron una herramienta de IA llamada Peptide Predictor para buscar en genes humanos un péptido de 12…
Por qué importaMuestra que la IA puede acelerar la búsqueda de nuevas moléculas candidatas para la obesidad con un mecanismo distinto al de la semaglutida, aunque…
OpenAI publica más de 350 resultados sobre problemas abiertos de matemáticas
OpenAI publicó más de 350 hallazgos en un repositorio público que abordan problemas abiertos en álgebra, teoría de números, informática teórica, lógica…
Por qué importaSi los resultados se verifican, la producción de matemáticas asistida por IA podría escalar rápidamente y cambiar cómo se valida el conocimiento…
Sakana AI presenta MASS, un método en el que un modelo mejora solo, pero no detecta sus propios puntos ciegos
Investigadores de Sakana AI y UC Berkeley presentan MASS, un método de automejora recursiva en el que un mismo modelo de lenguaje resuelve tareas, evalúa…
Por qué importaMuestra que un sistema que se evalúa a sí mismo puede aceptar sus errores como progreso, lo que exige mantener verificaciones independientes en…