Epoch AI: 14 problemas que nadie ha resuelto (todavía)

¿Recuerdas aquellos buenos tiempos en los que nos reíamos de las redes neuronales porque no sabían sumar dos números de tres cifras sin alucinar? Esa época ha terminado oficialmente. Hemos pasado a toda velocidad de la era de «mira qué gracia tiene el robot escribiendo poemas» a la de «mira cómo el algoritmo intenta descifrar los cimientos del universo».

A mediados de 2024, GPT-4 todavía tropezaba con problemas de nivel de secundaria, y a finales de 2025 los nuevos modelos ya resolvían problemas de olimpiada como quien pela pipas. Pero las olimpiadas siguen siendo problemas con respuestas conocidas. Los investigadores de Epoch AI decidieron que había llegado el momento de dejar de dar chuletas a las redes neuronales y lanzaron FrontierMath: una lista de 14 problemas que nadie en el planeta ha resuelto.

El objetivo de FrontierMath es poner a prueba la capacidad de la IA para generar conocimiento radicalmente nuevo. No se trata de ejercicios de manual que puedan aparecer en los datos de entrenamiento. Cada uno de estos catorce problemas lo formuló un científico en activo, al menos dos profesionales de alto nivel intentaron resolverlo y todos merecerían publicarse en una revista científica de primer nivel. No hay pistas en internet ni algoritmos listos para usar. Son «espacios en blanco» en el mapa de las matemáticas actuales que las mentes humanas han ignorado o, sencillamente, no han logrado superar durante décadas.

Veamos los detalles para entender la magnitud del reto. Uno de los problemas tiene que ver con el grupo de Mathieu M23. A los matemáticos les encantan las simetrías, pero los grupos esporádicos son una especie de «monstruos matemáticos» que no encajan en ninguna serie general.

Para la mayoría de ellos ya se han encontrado polinomios con los grupos de Galois correspondientes, pero M23 sigue siendo el último bastión, un hueco en una línea de investigación que lleva años en marcha. Encontrar ese polinomio supondría cerrar todo un capítulo del álgebra. Otro problema solo parece más sencillo a primera vista: hay que diseñar un algoritmo que determine si un nudo puede deshacerse con un único movimiento.

Los topólogos lo llaman «unknotting number igual a uno». Es una cuestión fundamental de la topología de baja dimensión que todavía no tiene una respuesta clara.

¿Por qué importa precisamente ahora? La industria de la IA ha llegado a un punto en el que aumentar sin más la cantidad de datos ya no produce saltos explosivos de calidad. Hemos enseñado a los modelos a imitar el lenguaje humano y a recopilar el conocimiento existente, pero seguimos esperando el momento en que una red neuronal haga un descubrimiento científico.

Si un modelo resuelve aunque sea uno de estos problemas, no será un simple «logro tecnológico». Será un resultado científico en toda regla, que llegará a una revista con revisión por pares no por el bombo en torno a la IA, sino por el valor de la propia solución. Hablamos de transformar la IA de un buscador avanzado en un auténtico colega investigador.

La conexión con lo ocurrido hasta ahora es evidente. Cuando los modelos empezaron a superar en masa pruebas como MATH o GSM8K, quedó claro que necesitábamos nuevas herramientas de medición. FrontierMath intenta localizar la frontera donde termina la memoria y empieza la inteligencia. Es un desafío no solo para OpenAI o Anthropic, sino para todo el paradigma del escalado. Ya no basta con tener el mayor clúster de tarjetas gráficas: hace falta un algoritmo capaz de razonamiento lógico profundo en condiciones de incertidumbre total. Es una prueba de fuego para todas las promesas sobre la «IA fuerte» o AGI.

¿Qué significa esto para nosotros? Estamos a las puertas de un escenario en el que la IA podría convertirse, a través de las matemáticas, en la clave para resolver problemas de ciencia de materiales, criptografía o física cuántica. Si una red neuronal logra dominar la teoría de nudos o los grupos de Mathieu, podrá diseñar nuevas moléculas u optimizar cadenas logísticas a un nivel inalcanzable para los humanos. Significaría que por fin tenemos una herramienta más inteligente que nosotros en los campos abstractos más complejos. Y la ironía es que quizá ni siquiera entendamos de inmediato cómo llegó la IA a la solución, pero el resultado cambiará nuestra realidad física.

Lo esencial: FrontierMath es el jefe final para la generación actual de redes neuronales. ¿Podrá un hipotético GPT-5 o Claude 4 superar esta barrera, o tendremos que esperar a arquitecturas radicalmente nuevas?