En un momento decisivo para la inteligencia artificial y las ciencias matemáticas, Axiom, una startup de investigación en IA dedicada, ha anunciado la resolución exitosa de cuatro problemas matemáticos previamente no resueltos. El avance, impulsado por su motor neurosimbólico (neuro-symbolic engine) de propiedad exclusiva AxiomProver, marca un alejamiento significativo de la aproximación estadística típica de los modelos de lenguaje de gran tamaño (Large Language Models, LLMs). En su lugar, demuestra la capacidad de un razonamiento riguroso, creativo y verificado formalmente a un nivel de investigación.
El anuncio, realizado el 4 de febrero de 2026, ha causado un gran impacto en la comunidad académica. Entre los problemas resueltos se encuentra una conjetura compleja en geometría algebraica que había estancado a los expertos durante cinco años, junto con una prueba novedosa relacionada con los trabajos de Srinivasa Ramanujan. Este desarrollo sugiere que la IA ya no es meramente una herramienta para el cálculo o la clasificación de datos, sino que ha evolucionado hasta convertirse en un colaborador capaz de realizar descubrimientos genuinos.
El más destacado de estos logros se refiere a un obstáculo específico en la geometría algebraica que involucra diferenciales: elementos del cálculo utilizados para medir la distancia a lo largo de superficies curvas. Hace cinco años, los matemáticos Dawei Chen y Quentin Gendron se encontraron con un bloqueo teórico al intentar clasificar ciertas estructuras geométricas. Su argumento dependía de una "fórmula extraña" de la teoría de números que no podían ni probar ni justificar, lo que les obligó a publicar sus hallazgos como una conjetura en lugar de un teorema.
La resolución llegó durante un encuentro fortuito en una conferencia de matemáticas en Washington, D.C., en enero de 2026. Ken Ono, un renombrado matemático y ejecutivo recientemente nombrado en Axiom, fue abordado por Chen con respecto al problema estancado. Según los informes, Ono presentó a Chen una prueba completa y verificada formalmente a la mañana siguiente.
"Todo encajó de forma natural después de eso", comentó Chen en una entrevista tras la publicación de la prueba en el repositorio arXiv. "Lo que AxiomProver encontró fue algo que todos los humanos habían pasado por alto".
La IA había identificado una conexión sutil entre el problema de geometría algebraica y un fenómeno numérico estudiado originalmente en el siglo XIX. A diferencia de los LLM estándar que podrían "alucinar" un vínculo que suena plausible pero es matemáticamente inválido, AxiomProver generó una prueba y verificó simultáneamente su exactitud utilizando Lean, un lenguaje de programación especializado para matemáticas formales.
La innovación central de Axiom reside en su arquitectura. Mientras que los modelos generativos (generative models) como GPT-4 o Gemini destacan en la predicción del siguiente token en una secuencia basada en vastos datos de entrenamiento, a menudo tienen dificultades con la estricta consistencia lógica requerida para las matemáticas avanzadas. AxiomProver utiliza un enfoque neurosimbólico (neuro-symbolic approach), combinando el reconocimiento intuitivo de patrones de las redes neuronales con el rígido andamiaje lógico de los demostradores de teoremas formales.
Carina Hong, la cofundadora de Axiom de 24 años y arquitecta principal del sistema, diseñó AxiomProver para tratar las matemáticas no como texto, sino como un sistema de restricciones y reglas lógicas. Al integrarse con Lean, el sistema asegura que cada paso de una prueba generada sea matemáticamente válido antes de ser aceptado.
Este bucle de "generar y verificar" permite a la IA explorar rutas de solución novedosas que los matemáticos humanos podrían pasar por alto debido al sesgo cognitivo o a la gran complejidad de los cálculos requeridos. En el caso de la conjetura de Fel —otro de los cuatro problemas resueltos—, AxiomProver ideó de forma autónoma una prueba de principio a fin. Este problema se refería a las sicigias (syzygies), expresiones matemáticas que describen relaciones entre polinomios, e involucraba inesperadamente fórmulas encontradas en los cuadernos del legendario matemático indio Srinivasa Ramanujan.
La siguiente tabla resume los avances específicos logrados por AxiomProver en este reciente anuncio, contrastando la complejidad de las tareas con los resultados.
Tabla 1: Logros matemáticos clave de AxiomProver (febrero de 2026)
| Problema/Desafío | Campo | Resultado de AxiomProver |
|---|---|---|
| Conjetura Chen-Gendron | Geometría algebraica y teoría de números | Vínculo del siglo XIX identificado; Prueba formal completa |
| Conjetura de Fel | Sicigias (Álgebra conmutativa) | Prueba autónoma de extremo a extremo; Conexión con Ramanujan encontrada |
| Competencia Putnam 2025 | Matemáticas de pregrado | Puntuación perfecta de 12/12 (Puntuación media humana: 0-1) |
| Problema de topología no especificado | Topología | Prueba novedosa generada (Detalles pendientes de revisión por pares) |
Las implicaciones de este éxito se extienden mucho más allá de los teoremas específicos demostrados. Para la industria de la IA en general, el éxito de Axiom valida la fuerte inversión en modelos de "razonamiento" (reasoning) sobre modelos puramente "generativos".
El desempeño de la startup en el Putnam 2025, comúnmente considerada la competencia de matemáticas de pregrado más difícil de América del Norte, sirve como un punto de referencia para este cambio. Mientras que los modelos anteriores tenían dificultades para obtener incluso unos pocos puntos, se informa que AxiomProver logró una puntuación perfecta de 12/12. Esta hazaña implica un nivel de versatilidad en la resolución de problemas que se generaliza bien más allá de los conjuntos de datos de entrenamiento específicos.
Sin embargo, la reacción académica sigue siendo cautelosamente optimista. Si bien la velocidad y la precisión de las pruebas son innegables, persisten las preguntas sobre la "explicabilidad". Una prueba verificada formalmente en Lean garantiza su corrección, pero no siempre es legible para los humanos ni "reveladora" en el sentido tradicional.
Figuras prominentes en el campo han opinado al respecto. Terence Tao, un medallista Fields que ha abogado durante mucho tiempo por la integración de la IA en las matemáticas, sugirió que estos resultados indican que la IA está alcanzando hitos significativos antes de lo previsto. Por el contrario, investigadores de inteligencia artificial general (Artificial General Intelligence, AGI) como Ben Goertzel han sostenido que, si bien estos son superlogros "específicos", el salto a la inteligencia creativa general sigue siendo un desafío para el horizonte 2027–2028.
El avance de Axiom señala una transición en el papel de la IA en la ciencia: de ser un motor de búsqueda o asistente de código a un investigador principal. La startup, que ha atraído a talentos como François Charton y Hugh Leather, aspira a construir un "razonador superinteligente que se mejora a sí mismo".
Para las instituciones y empresas, la tecnología demostrada por AxiomProver tiene aplicaciones potenciales en:
Como señaló Ken Ono, la colaboración entre la intuición humana y la precisión de las máquinas no ha hecho más que empezar. "La IA aún no ha resuelto la hipótesis de Riemann", dijo Ono a los periodistas, refiriéndose a uno de los problemas no resueltos más famosos. "Pero ha encontrado respuestas a preguntas que han dejado perplejos a los expertos durante años. Es un comienzo".
Este desarrollo sitúa a Axiom a la vanguardia del sector "Math-AI", diferenciándose de la competencia centrada en los chatbots, y establece un nuevo estándar de lo que es computacionalmente posible en el siglo XXI.
GPT-5.2 de OpenAI demuestra una capacidad revolucionaria para resolver problemas matemáticos de Erdős que estaban sin resolver. Desde Navidad, 15 problemas pasaron de abiertos a resueltos con la participación de IA.
OpenAI comienza a probar anuncios en los niveles Gratis y Go de ChatGPT a partir de enero de 2026; los anuncios aparecerán en la parte inferior de las respuestas. Los suscriptores Premium seguirán sin anuncios.
La startup de IA en salud OpenEvidence, a menudo llamada 'ChatGPT para médicos', duplica su valoración hasta 12.000 millones de dólares tras una ronda de financiación Serie D de 250 millones de dólares liderada por Thrive Capital y DST Global.
El director de Google DeepMind, Demis Hassabis, advierte que el actual aumento de la inversión en IA muestra señales de una burbuja, con valoraciones de algunas startups desconectadas de la realidad.
El recientemente creado Superintelligence Labs de Meta alcanza un hito importante al entregar sus primeros modelos de IA internos apenas seis meses después de su creación, mientras el CTO Andrew Bosworth apunta a 2026-2027 como un periodo decisivo para la IA de consumo.
