Jiuzhang Yunji entra en el desafío matemático de Tao tras la carta de 28 medallistas Fields

Veintiocho medallistas Fields firmaron el 11 de septiembre de 2026 una misma declaración, «Grave desalineación de la IA en matemáticas». Justo un mes después, el 13 de octubre, la china Jiuzhang Yunji (九章云极) anunció que participa en el desafío matemático de Terence Tao y expuso su postura: el aprendizaje por refuerzo debe convertirse en la nueva infraestructura básica de AI for Science. La coincidencia temporal resulta curiosa, pero el fragmento disponible del material no permite juzgar ni el formato de la competición ni los resultados de la empresa.

Qué escribieron los matemáticos

El tono de la carta es inusualmente duro para el ámbito académico. Los firmantes sostienen que las empresas de IA utilizan la resolución de problemas matemáticos como benchmark de sus propias capacidades y consideran esta práctica «perjudicial para la ciencia matemática y para la comunidad matemática». Su tesis principal, hasta donde se ve al inicio del material, es que resolver un problema es solo un medio y un indicador indirecto. Las matemáticas funcionan de otra manera: consisten en construir comprensión, teorías y lenguaje. El fragmento disponible se interrumpe antes de terminar la argumentación, así que reconstruir sus detalles sería pura conjetura.

Para la industria, la señal es incómoda. Los problemas de nivel olímpico y de investigación han sido durante los últimos dos años el escaparate de los laboratorios. Cuando 28 personas con el máximo galardón de la profesión afirman que ese escaparate induce a error, resulta más difícil replicar con cifras.

La respuesta de Jiuzhang Yunji

La empresa no ha optado por la defensiva, sino por entrar en una competición que dirige uno de los matemáticos más respetados de la actualidad. El lema que aparece en el titular del material es este: hacer del aprendizaje por refuerzo la nueva infraestructura de AI4S.

La lógica se entiende sin esfuerzo, aunque se trata de nuestra interpretación y no de una cita de la compañía. Las matemáticas tienen algo de lo que carecen la mayoría de los campos científicos: verificabilidad. Si una demostración puede comprobarse de forma automática, por ejemplo en un sistema formal como Lean, se obtiene una señal de recompensa clara para el RL. A partir de ahí, todo se reduce a ingeniería: orquestar miles de ejecuciones paralelas, planificar GPU, almacenar trayectorias, construir entornos con verificadores. Por su posicionamiento, Jiuzhang Yunji vende precisamente esa capa: no un modelo concreto, sino una plataforma en la que se pueden lanzar experimentos de este tipo.

Lo que se sabe hasta ahora:

• Fecha de la carta: 11 de septiembre de 2026, con 28 medallistas Fields como firmantes.
• Título de la declaración: «Inteligencia artificial en matemáticas: una grave desalineación».
• Objeción clave: los problemas usados como benchmark perjudican a las matemáticas y a su comunidad.
• Participante en el desafío de Tao: Jiuzhang Yunji, anuncio del 13 de octubre de 2026.
• Línea declarada: el RL como infraestructura de AI for Science.
• No se ha revelado: las reglas, el número de problemas resueltos, el volumen de cómputo ni el método de verificación.

Qué vigilar a partir de ahora

Por ahora es una declaración de posicionamiento, no un resultado. Conviene evaluarla con varios criterios. ¿Publicará la empresa su protocolo: qué problemas, cuántos intentos, qué recursos? ¿Se verificarán las soluciones de manera formal o por parte de personas, y quién lo hará exactamente? ¿Dirá algo sobre la utilidad para los matemáticos en activo, y no solo sobre el porcentaje de problemas cerrados? Eso es justo lo que la carta sitúa en primer plano.

Para los ingenieros y los compradores de infraestructura de IA, la conclusión es práctica. Si construyes pipelines de RL para ciencia, lo más valioso del desafío matemático no es la clasificación, sino la combinación ya lista de «entorno, verificador y rollout escalable». Se puede trasladar a la química, la ciencia de materiales y la programación demostrable, donde la comprobación también es automatizable. Y si estás eligiendo proveedor, no pidas una tabla de benchmarks, sino un informe reproducible con el coste en horas de GPU y la descripción de la verificación. La crítica de los medallistas Fields apunta precisamente a que una tabla sin más no demuestra nada.