¡Google DeepMind desafía a los humanos en la Olimpiada Matemática Internacional!
En un sorprendente avance en el ámbito de la inteligencia artificial, Google DeepMind ha hecho público que sus sistemas AlphaProof y AlphaGeometry 2 han resuelto, según se informa, 4 de los 6 problemas planteados en la Olimpiada Matemática Internacional (IMO) de este año, alcanzando así un puntaje similar al de una medalla de plata. Aunque aplaudimos este logro, siempre hay matices importantes que considerar cuando se trata de los logros de la IA.
¿Cómo funcionan AlphaProof y AlphaGeometry 2?
El lado lógico: AlphaProof
AlphaProof es un sistema que utiliza un enfoque de aprendizaje por refuerzo para demostrar enunciados matemáticos en Lean, un lenguaje de formalización matemática. Esto supone que el sistema no solo resuelve problemas, sino que también se entrena generando y verificando millones de pruebas, cada vez adentrándose en problemas más complejos. Imagínate practicar un deporte donde cada vez que lo practicas también estás formando tu propio campo de entrenamiento.
El genio geométrico: AlphaGeometry 2
Por otro lado, AlphaGeometry 2 es la evolución de un modelo previo de Google, ahora potenciado por un modelo de lenguaje basado en Gemini y entrenado con una gran cantidad de datos adicionales. Antes de la competición de este año, AlphaGeometry 2 ya alcanzaba una tasa de éxito del 83% en problemas de geometría histórica de la IMO de los últimos 25 años, comparado con el 53% de su predecesor. ¡Y lo más impresionante! Este año resolvió el problema de geometría en tan solo 19 segundos después de recibir la versión formalizada.
El ojo crítico de Timothy Gowers
Sin embargo, Sir Timothy Gowers ofrece una perspectiva más matizada sobre estos modelos de Google DeepMind. Reconoce el logro como «muy por encima de lo que los probadores de teoremas automáticos habían hecho antes», pero señala matices clave. A diferencia de los humanos que deben resolver los problemas en un tiempo limitado, el programa precisó mucho más tiempo para algunos problemas, incluso más de 60 horas. «Si los competidores humanos hubiesen tenido ese tiempo por problema, sin duda habrían obtenido mejores puntuaciones», escribió Gowers.
Lo que hemos aprendido y lo que queda por avanzar
Un punto crucial que Gowers señala es que los problemas fueron traducidos al lenguaje formal Lean por humanos antes de que el modelo de IA empezara su trabajo. Aunque la inteligencia artificial llevó a cabo el razonamiento matemático central, este paso inicial, llamado «autoformalización», fue realizado manualmente. Esto nos deja preguntándonos si realmente estamos cerca de un punto donde los matemáticos sean prescindibles, aunque Gowers cree que aún estamos a un par de descubrimientos de distancia de ello.
¿El futuro de la investigación matemática?
A pesar de sus limitaciones actuales, Gowers especula que estos sistemas de IA podrían convertirse en valiosas herramientas de investigación. «Podríamos estar cerca de tener un programa que permita a los matemáticos obtener respuestas a una amplia variedad de preguntas, siempre y cuando esas preguntas no sean demasiado complicadas», señala. Este tipo de asistencia, aunque no logre resolver problemas abiertos de forma autónoma, sería de gran utilidad para la investigación matemática.
Este avance nos recuerda lo lejos que ha llegado la tecnología y lo que está por venir. La inteligencia artificial sigue desafiando nuestras expectativas y nos lleva a preguntarnos cuál será el próximo gran descubrimiento. Si te interesa seguir explorando el fascinante mundo de la IA, te invitamos a explorar más sobre IA en nuestro sitio web.
