Un investigador pasó año y medio intentando demostrar la hipótesis de Riemann con Claude y Lean, pero no lo logró
El investigador independiente Vladímir Radkévich pasó año y medio intentando demostrar la hipótesis de Riemann con Claude y Lean, pero un multiplicador creciente se comía toda la ganancia, igual que si acelerara una operación en el código y la preparación de los datos se ralentizara en la misma medida. Según cuenta, el 20 de noviembre de 2026 Levent Alpöge demostró la hipótesis, también con Claude; Lean y Mathlib confirmaron la verificación. La conclusión: una cadena de IA necesita un verificador estricto, porque de lo contrario produce cálculos convincentes sin resultado.
Procesado por IA desde Habr AI; editado por Hamidun News
A veces uno pasa una semana optimizando código, cada cambio parece razonable, las pruebas están en verde y el tiempo de ejecución no cambia. Algo se come en silencio toda la ganancia. Así fue, más o menos, el año y medio de trabajo del investigador independiente Vladímir Radkévich, que junto a los modelos Claude y Codex y al sistema de verificación Lean intentó demostrar la hipótesis de Riemann. No lo consiguió. Sin embargo, escribió en Habr un análisis detallado de cómo se ve una idea «casi funcional» y por qué es tan fácil engañarse, tanto a una persona como a una IA, con los propios cálculos.
Una advertencia previa: todo lo que sigue se basa en el relato del autor; no lo hemos verificado de forma independiente. El texto original en Habr es la primera parte de una serie de tres, y en nuestro material solo está disponible esa parte, así que sobre la segunda y la tercera entrega solo podemos juzgar por el anuncio del propio autor.
Dónde se perdía la ganancia
El autor describe una avería típica. Para reducir el error a cero, ampliaba la ventana de cálculo: pensaban que cuanto más amplia fuera, más precisa sería la estimación. Los cálculos eran correctos, también las desigualdades auxiliares, y parte se comprobó en el ordenador. Entonces se vio que al ampliar la ventana crecía un multiplicador, que consumía exactamente lo que se había ganado. Varias páginas de cálculos convincentes y, al final, cero avance.
Para un desarrollador es un escenario conocido: se acelera una operación, pero la preparación de datos para ella se vuelve más lenta en la misma cantidad. La ganancia local es real; la general, nula. Por eso el autor aconseja plantear de antemano a cualquier idea nueva una pregunta incómoda: dónde está escondido su coste y si no resultará igual a la ganancia.
Cómo convertir la hipótesis en un problema «casi de ML»
La hipótesis de Riemann afirma que todos los ceros no triviales de la función zeta están sobre una misma recta vertical en el centro de la franja. Las computadoras han verificado billones de ceros, y todos caen sobre esa recta. Pero la palabra «todos» no se sustituye por un número grande de ejemplos: el siguiente cero podría ser el primero incorrecto.
El proyecto de Radkévich se llama NymanBeurling, por el criterio de Nyman–Beurling. Traduce la pregunta sobre los ceros en una pregunta de aproximación. A partir de las partes fraccionarias de los números se construye una familia de funciones «irregulares» en el intervalo de 0 a 1.
Imagínelas como ondas sonoras cortas: se puede subir el volumen de cada una y cambiar su signo. La tarea es sumar con ellas una línea plana, la constante uno, de modo que el error por mínimos cuadrados tienda a cero. En la versión de Báez-Duarte, el criterio dice: la hipótesis es cierta si, y solo si, ese error tiende a cero.
Suena casi a aprendizaje automático: ajustar los coeficientes y ver cómo cae el error. Pero por qué sumar ondas dice algo sobre los ceros de la función zeta, el autor lo explica en un razonamiento aparte. Si existiera un cero «incorrecto», habría un instrumento que no percibe ninguno de los bloques de construcción, pero sí percibe el objetivo.
Ese instrumento es estable, y por tanto no sería posible acercarse al objetivo.
Además, hubo errores simples. Por descuido se incluyó en la «base linealmente independiente» una función idénticamente igual a cero, y en la matriz apareció una fila nula.
Qué hizo Lean y qué conviene tomar
En Lean, un enunciado se escribe como un tipo, y una demostración, como un valor de ese tipo. Un núcleo especial comprueba que el valor esté construido según reglas permitidas. Para un programador, es la diferencia entre una interfaz y una implementación, solo que la implementación debe ser un testigo de la verdad y no una función que devuelve true. Si Lean acepta una demostración, funciona para todos los objetos que cumplen las condiciones; no es posible romperla «en la siguiente entrada».
Pero la verificación tiene un límite: el sentido de las definiciones y de las condiciones debe seguir entendiéndolo una persona. El autor advierte de inmediato que eso lo tendrán que comprobar «en carne propia».
Los roles se repartían así. Radkévich elegía las preguntas, discutía las construcciones e intentaba unir los resultados en un todo. Claude y Codex proponían argumentos, escribían código, buscaban errores unos en otros y también se equivocaban. Empezaron en agosto de 2025, y la crónica principal corresponde a enero–octubre de 2026.
El final de la historia, según el autor, es este: el 20 de noviembre de 2026 la hipótesis fue demostrada por otra persona, Levent Alpöge, también en pareja con Claude. Publicó una biblioteca en Lean de unos 17 millones de líneas, y el 21 de noviembre las comunidades de Lean y Mathlib publicaron una declaración conjunta: la demostración y el enunciado están verificados. El propio Radkévich no repitió la verificación por máquina y no afirma haber entendido los 17 millones de líneas.
La conclusión práctica para quienes construyen agentes y cadenas largas de modelos es que, sin un árbitro externo y estricto, estos producen páginas convincentes sin resultado. En esta historia, el verificador formal funcionó como un conjunto riguroso de pruebas: no inventa la solución, pero muestra con honestidad qué se obtuvo realmente. El repositorio del proyecto sigue cerrado; el autor concede acceso previa solicitud.
- 22 nov 2026Un desarrollador backend sin experiencia en Unity creó un juego 3D con un agente de IA: las suscripciones cuestan 112 $
- 22 nov 2026El científico jefe de OpenAI propone un límite de velocidad para la IA: la perplejidad de GPT-4 era 0,91 y ahora está por debajo de 0,8
- 22 nov 2026Un veterano de DeepSeek publica el código de Linger: un agente de IA local que responde hasta 5 veces más rápido
- 22 nov 2026Las acciones de Anthropic caen un 8,5% en su primer día completo de cotización y casi regresan al precio de salida a bolsa de 83 $
Preguntas frecuentes sobre la noticia
Dónde se perdía la ganancia?
El autor describe una avería típica. Para reducir el error a cero, ampliaba la ventana de cálculo: pensaban que cuanto más amplia fuera, más precisa sería la estimación. Los cálculos eran correctos, también las desigualdades auxiliares, y parte se comprobó en el ordenador. Entonces se vio que al ampliar la ventana crecía un multiplicador, que consumía exactamente lo que se había ganado. Varias páginas de cálculos convincentes y, al final, cero avance.
Cómo convertir la hipótesis en un problema «casi de ML»?
La hipótesis de Riemann afirma que todos los ceros no triviales de la función zeta están sobre una misma recta vertical en el centro de la franja. Las computadoras han verificado billones de ceros, y todos caen sobre esa recta. Pero la palabra «todos» no se sustituye por un número grande de ejemplos: el siguiente cero podría ser el primero incorrecto. El proyecto de Radkévich se llama NymanBeurling, por el criterio de Nyman–Beurling. Traduce la pregunta sobre los ceros en una pregunta de aproximación.
¿Qué se sabe sobre Qué hizo Lean y qué conviene tomar?
En Lean, un enunciado se escribe como un tipo, y una demostración, como un valor de ese tipo. Un núcleo especial comprueba que el valor esté construido según reglas permitidas. Para un programador, es la diferencia entre una interfaz y una implementación, solo que la implementación debe ser un testigo de la verdad y no una función que devuelve true. Si Lean acepta una demostración, funciona para todos los objetos que cumplen las condiciones; no es posible romperla «en la siguiente entrada».
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.