Gemini de Google consigue oro en las Olimpiadas Internacionales de Matemáticas
Los recientes avances en IA no dejan de sorprendernos. Esta vez, Google DeepMind ha dado un paso más allá consiguiendo una medalla de oro en la prestigiosa competición International Math Olympiad (IMO) con su nuevo modelo Gemini Deep Think. Un logro que demuestra cómo la inteligencia artificial está empezando a dominar territorios que parecían exclusivos del intelecto humano.
De plata a oro: la evolución de Gemini en matemáticas
El año pasado, Google ya había mostrado músculo matemático al conseguir una medalla de plata en esta competición usando una combinación de los modelos AlphaProof y AlphaGeometry 2. Lograron resolver correctamente 4 de los 6 problemas planteados, un resultado que ya superaba a la mayoría de participantes humanos (recordemos que solo la mitad de los estudiantes consiguen alguna medalla).
Este año 2025, Google ha subido el listón. Gemini Deep Think ha acertado 5 de los 6 problemas, consiguiendo la medalla de oro. Lo más impresionante no es solo el resultado, sino cómo se ha conseguido: jugando con las mismas reglas que los participantes humanos y siendo evaluado por los mismos jueces. Nada de autoasignarse medallas, como ha hecho OpenAI, que decidió otorgarse un oro tras una evaluación interna sin pasar por el proceso oficial de la IMO.
El cambio de paradigma: Deep Think y su pensamiento paralelo
Lo que hace especial a Gemini Deep Think es su enfoque para resolver problemas. A diferencia de otros modelos que siguen un razonamiento lineal, Deep Think ejecuta múltiples procesos de razonamiento en paralelo, compara los resultados y los integra antes de dar una respuesta final.
Según Thang Luong, científico senior de DeepMind y líder del equipo para la IMO, esto marca un cambio radical respecto al año anterior. En 2024, necesitaban un experto que tradujera las preguntas en lenguaje natural a un «lenguaje específico del dominio» y luego interpretara la respuesta del modelo. Ahora, Deep Think trabaja con lenguaje natural de principio a fin, sin necesidad de intermediarios.
Un entrenamiento revolucionario para razonamientos complejos
Entrenar a un modelo de IA para resolver problemas matemáticos avanzados no es tarea fácil. Tradicionalmente, se usaba el aprendizaje por refuerzo con respuestas finales. El problema es que este método puede llevar a la respuesta correcta pero con un «razonamiento incompleto». Y en la IMO, no solo importa el resultado sino también cómo llegas a él.
Para preparar a Deep Think, Google utilizó nuevas técnicas de aprendizaje por refuerzo con soluciones de «respuesta larga» de alta calidad, proporcionando al modelo una base sólida sobre cómo manejar cada paso hacia la solución. «Con este tipo de entrenamiento, realmente puedes conseguir un razonamiento robusto y detallado», explicó Luong.
Como era de esperar, Deep Think necesita más tiempo para generar una respuesta comparado con las versiones más simples de Gemini, pero aún así cumplió con el límite establecido de 4,5 horas que tienen los participantes humanos.
Demostraciones rigurosas que impresionan a los expertos
Lo fascinante del desempeño de Deep Think no es solo su puntuación, sino cómo razonó algunas soluciones. Por ejemplo, en el tercer problema, muchos competidores humanos aplicaron un concepto de nivel universitario conocido como el Teorema de Dirichlet, utilizando matemáticas fuera del alcance previsto para la competición.
Sin embargo, Deep Think hizo algo diferente. «Nuestro modelo realizó una observación brillante y utilizó solo teoría elemental de números para crear una prueba autocontenida del problema», comentó Junehyuk Jung, investigador de DeepMind y profesor de la Universidad Brown.
El problema que se le resistió
¿Y qué hay del problema que no pudo resolver? Según el equipo de DeepMind, era objetivamente el más difícil de la competición. La pregunta trataba sobre el número mínimo de rectángulos necesarios para cubrir un espacio dado. Deep Think comenzó con una hipótesis incorrecta, creyendo que la respuesta sería mayor o igual a 10, lo que le llevó por un camino sin salida desde el principio.
«No hay manera de que lo resolviera porque esa premisa no era correcta para empezar», explicó Jung. Aún así, es destacable que solo cinco estudiantes humanos consiguieron resolver correctamente ese problema.
Un detector de IA no podría distinguir estos razonamientos
Lo que hace especialmente relevante este logro es que estamos ante un tipo de razonamiento que un detector de IA tendría dificultades para identificar como generado artificialmente. La profundidad matemática y la coherencia de los argumentos de Deep Think representan un punto de inflexión donde la frontera entre el pensamiento humano y el artificial se desdibuja en campos tradicionalmente considerados dominio exclusivo de la cognición humana.
Esta capacidad de razonamiento matemático avanzado nos lleva a cuestionarnos: si un generador de imágenes IA puede crear arte convincente y ahora un modelo puede resolver problemas matemáticos de élite, ¿qué otros dominios intelectuales están a punto de ser conquistados por la inteligencia artificial?
El futuro inmediato de Gemini Deep Think
Google ha confirmado que la versión de Deep Think ajustada para la IMO no es un experimento puntual. Actualmente está siendo probada por un grupo selecto de matemáticos y, eventualmente, estará disponible para los suscriptores de Google AI Ultra, quienes pagan 250 dólares mensuales para acceder a los modelos más avanzados y costosos de Google.
El equipo de DeepMind ya tiene la vista puesta en el futuro: continuarán iterando sobre este modelo con el objetivo de conseguir la puntuación perfecta en la próxima edición de las Olimpiadas.
Lo que está claro es que estamos presenciando una evolución acelerada de las capacidades de la IA en áreas que considerábamos exclusivamente humanas. Y no, no se trata solo de que una máquina resuelva ecuaciones rápidamente. Hablamos de comprender, razonar y crear demostraciones matemáticas originales que incluso sorprenden a los expertos humanos.
