ИИ решает задачи Эрдёша: почему легендарные проблемы математики поддаются нейросетям

Las redes neuronales han logrado sus mayores éxitos matemáticos precisamente en los problemas de Paul Erdős — el iconoclasta matemático húngaro de mediados del siglo XX que dejó tras de sí cientos de problemas sin resolver. Según Quanta Magazine del 3 de agosto de 2026, los investigadores analizan ahora en detalle qué hace atractivos los problemas de Erdős para la IA — con el fin de comprender cómo las redes neuronales transformarán el resto de las matemáticas.

Quién Fue Erdős y Por Qué Sus Problemas Son Famosos

Paul Erdős (1913–1996) fue uno de los matemáticos más prolíficos de la historia: más de 1.500 artículos científicos en coautoría con más de 500 colegas, y miles de problemas abiertos que él formuló. Erdős llevaba un estilo de vida nómada, trasladándose de universidad en universidad, y ofrecía un premio en metálico por cada solución — de $10 a $10.000 según la dificultad. Muchos problemas permanecieron sin resolver hasta entrado el siglo XXI.

Los problemas de Erdős poseen varias características distintivas:

• Formulación concisa: la mayoría de los problemas se enuncian en 2–3 oraciones
• Naturaleza combinatoria: predominantemente teoría de números y teoría de grafos
• Respuesta concreta y verificable: una construcción existe o no existe
• «Dificultad elegante»: un enunciado simple oculta una demostración profunda

Esta combinación, según los matemáticos entrevistados por Quanta Magazine, es precisamente lo que hace que los problemas de Erdős sean adecuados para la IA moderna.

¿Por

Qué los Problemas de Erdős Ceden ante las Redes Neuronales?

La razón principal es que la estructura de los problemas de Erdős se alinea bien con el funcionamiento de los sistemas de demostración formal. Verificadores como Lean y Coq permiten a la IA proponer una hipótesis y comprobar paso a paso la corrección de cada afirmación. Sin ese mecanismo, las redes neuronales pueden generar demostraciones que suenan convincentes pero son matemáticamente incorrectas — una limitación que durante mucho tiempo restringió el uso de la IA en la ciencia.

Los problemas combinatorios con un criterio claro de sí/no son especialmente convenientes: el modelo recorre estrategias, construye ejemplos y busca contraejemplos sin el riesgo de acumular errores en los pasos intermedios. En 2024, el sistema AlphaProof de Google DeepMind resolvió cuatro de los seis problemas de la Olimpiada Internacional de Matemáticas (IMO 2024) — varios de ellos eran del tipo combinatorio característico de la tradición de Erdős.

¿Qué Cambiará Esto en las Matemáticas?

Según los investigadores citados por Quanta Magazine, los problemas de Erdős se han convertido en una piedra de toque para todas las matemáticas. Al comprender exactamente por qué esta clase de problemas cede ante las redes neuronales, los científicos podrán trazar un mapa: dónde la IA ayudará a los matemáticos en los próximos años, y dónde la intuición humana seguirá siendo insustituible.

Según el análisis de

Quanta Magazine, al estudiar los problemas de Erdős, los matemáticos buscan efectivamente respuesta a una pregunta más general: qué propiedades hacen que un problema matemático sea resoluble por máquina en principio.

Permanece abierta la pregunta de si el mismo enfoque funciona en áreas menos formalizadas: geometría algebraica, topología, problemas que requieren la creación de conceptos fundamentalmente nuevos. En esas áreas, la intuición del investigador sigue siendo insustituible por ahora, y los matemáticos lo subrayan.

Qué Significa Todo Esto

Los éxitos de la IA en los problemas de Erdős son una señal de un cambio cualitativo en las matemáticas: las redes neuronales pasan de la asistencia computacional a cerrar problemas que han permanecido abiertos durante décadas. Comprender exactamente dónde se sitúa el límite de las capacidades de la IA en la ciencia es uno de los principales retos de investigación para los años venideros.