OpenAI publica 722 artículos de matemáticas escritos por IA

El 6 de octubre OpenAI publicó 722 artículos de matemáticas preparados por una IA. Entre ellos hay trabajos con pruebas relacionadas con la cuasi-hipótesis de Riemann. Como referencia: una subdisciplina matemática entera produce cada año cientos de publicaciones, obra de miles de personas, y aquí un volumen comparable ha llegado en un único paquete. Ese mismo día, medios chinos, entre ellos Jiqizhixin, empezaron a hablar de RSI, la automejora recursiva: según sus datos, uno de los equipos de origen chino ya habría completado un ciclo cerrado y escalable. En el fragmento disponible no hay detalles sobre ese equipo, así que a continuación separamos lo que está confirmado de lo que sigue siendo una declaración.

Qué se sabe del lanzamiento

Los hechos son modestos, pero de peso. Fecha: 6 de octubre. Volumen: 722 artículos. Temática: matemáticas, incluidas pruebas relacionadas con la cuasi-hipótesis de Riemann. Esto no es la resolución de la hipótesis de Riemann propiamente dicha, y la fuente no lo afirma. No se pueden equiparar ambos resultados: se trata de un planteamiento emparentado, pero más débil.

Quien se ha pronunciado con más contundencia es Christian Szegedy, extécnico de Google y cofundador de xAI. Según él, las cumbres a las que los matemáticos subían durante toda su vida, la máquina puede alcanzarlas «llegando en avión». Enseguida añadió una salvedad: las matemáticas no llegan a su fin, lo que cambia es la propia forma de investigar. Szegedy lleva tiempo trabajando en autoformalización, es decir, en traducir las matemáticas a una forma verificable por máquina, de modo que su valoración procede de un profesional del campo y no de un observador externo.

Dónde entra el RSI

La sigla RSI designa un ciclo en el que el modelo mejora sus propios resultados o su propio entrenamiento, y la siguiente iteración arranca desde un punto más alto. Las matemáticas son un terreno casi ideal para ese ciclo: una prueba tiene un criterio formal de validez y la respuesta puede comprobarse sin intervención humana. Si la verificación es automática, el ciclo de generación y selección se cierra y escala con la capacidad de cómputo.

Eso es justamente lo que, a juzgar por el titular, afirma haber «completado» el equipo chino mencionado. El texto no detalla qué modelos usa, cuántas GPU emplea ni qué porcentaje de pruebas falsas descarta la verificación. Sin esas cifras, la declaración sigue siendo una referencia orientativa y no un resultado medido.

Lo que sabemos y lo que no:

• Fecha de publicación: 6 de octubre de 2026.
• Volumen del lanzamiento: 722 trabajos.
• Temática: matemáticas, incluidas pruebas en torno a la cuasi-hipótesis de Riemann.
• Revisión experta independiente de los 722 artículos: no hay datos.
• Proporción de trabajos verificados formalmente (en Lean o similares): no se indica.
• Métricas del equipo chino (modelos, cómputo, número de iteraciones del ciclo): no se han revelado.

Qué hacer con esta noticia

Primero: no confundir volumen con calidad. 722 artículos no demuestran nada por sí solos mientras revisores y verificadores formales no analicen una muestra. Un indicador razonable es la proporción de trabajos cuyas pruebas han superado la verificación automática, no el número de títulos de la lista.

Segundo: fijarse en quién verifica. Si los resultados más sólidos llegan con verificación formal, será una señal de que el ciclo «generación, verificación, selección» funciona en la práctica. Si no, estaremos más bien ante hipótesis presentadas como artículos.

Tercero: para investigadores y desarrolladores de agentes, la conclusión es práctica. Los ámbitos con verificación automática barata (matemática formal, parte de la programación, código verificable) serán los primeros en los que los esquemas de tipo RSI aporten una ganancia real. Donde el criterio de validez es difuso, como en biología, economía o derecho, ese ciclo acabará dependiendo de una persona.

Y una última cosa. Conviene leer en sentido literal las palabras de Szegedy sobre el cambio en la «forma de investigar»: el matemático del futuro formulará problemas y evaluará resultados con más frecuencia, en lugar de deducir cada paso a mano. Lo que venga después dependerá de lo abiertamente que OpenAI y los equipos chinos muestren los datos en los que se apoyan sus afirmaciones.