Epoch AI: 14 tareas que nadie ha resuelto (aún)

¿Recuerdas aquellos tiempos gloriosos cuando bromeábamos sobre redes neuronales que no podían sumar dos números de tres dígitos sin alucinar? Esos tiempos han terminado oficialmente. Hemos pasado rápidamente de la era del "mira lo gracioso que es que el robot escriba poesía" a la era del "mira cómo el algoritmo intenta quebrar el fundamento del universo".

Aún a mediados de 2024, GPT-4 tropezaba con problemas de nivel de escuela secundaria, pero para finales de 2025, nuevos modelos comenzaron a resolver problemas de olimpiada como si fueran fáciles. Pero las olimpiadas siguen siendo problemas con respuestas conocidas. Los investigadores de Epoch AI decidieron que era hora de dejar de darle respuestas a las redes neuronales y lanzaron FrontierMath.

Esta es una lista de 14 problemas que nadie en el planeta ha resuelto.

La esencia del proyecto FrontierMath es probar la capacidad de la IA para generar conocimiento fundamentalmente nuevo. Estos no son ejercicios de libros de texto que se pueden encontrar en conjuntos de datos de entrenamiento. Cada uno de estos catorce problemas fue formulado por un científico investigador activo, cada uno fue intentado por al menos dos profesionales de alto nivel, y cada uno es digno de publicación en una revista científica de primer nivel. No hay pistas en internet y no hay algoritmos listos para usar. Estas son "manchas blancas" en el mapa de las matemáticas modernas que han sido ignoradas durante décadas o simplemente no pudieron ser superadas por las mentes humanas.

Veamos los detalles para entender la escala del desafío. Uno de los problemas concierne al grupo de Mathieu M23. A los matemáticos les encantan las simetrías, pero los grupos esporádicos son tales "monstruos matemáticos" que no encajan en ninguna serie general.

Para la mayoría de ellos, los científicos ya han encontrado polinomios con los correspondientes grupos de Galois, pero M23 sigue siendo el último bastión, una brecha en la investigación que ha estado en curso durante muchos años. Encontrar este polinomio significaría cerrar un capítulo completo del álgebra. Otro problema parece más simple solo a primera vista: necesitas crear un algoritmo que determine si un nudo puede desatarse en un solo movimiento.

Los topólogos llaman a esto "número de desanudación igual a uno". Esta es una pregunta fundamental en topología de baja dimensión que aún no tiene una respuesta clara.

¿Por qué es importante ahora? La industria de la IA ha llegado a un punto donde simplemente aumentar la cantidad de datos ya no produce un crecimiento explosivo en calidad. Hemos entrenado modelos para imitar el habla humana y compilar conocimiento existente, pero todavía estamos esperando el momento en que una red neuronal hace un descubrimiento científico.

Si un modelo resuelve aunque sea uno de estos problemas, no será simplemente un "logro tecnológico". Se convertirá en un resultado científico completo que va en una revista revisada por pares no por la emoción alrededor de la IA, sino por el valor de la solución en sí. Estamos hablando de transformar la IA de un motor de búsqueda avanzado en un colega de investigación de pleno derecho.

La conexión con eventos anteriores se puede rastrear claramente aquí. Después de que los modelos comenzaron a ganar masivamente pruebas como MATH o GSM8K, quedó claro que necesitamos nuevas herramientas de medición. FrontierMath es un intento de sentir el límite donde termina la memoria e comienza la inteligencia. Este es un desafío no solo para OpenAI o Anthropic, sino para todo el concepto de escalabilidad. Ahora no es suficiente tener el clúster de GPU más grande; necesitas un algoritmo capaz de razonamiento lógico profundo bajo condiciones de incertidumbre total. Esta es una prueba de resistencia para todas las promesas sobre "IA fuerte" o AGI.

¿Qué significa esto para nosotros? Estamos al borde de una situación donde la IA podría convertirse en la clave para resolver problemas en ciencia de materiales, criptografía o física cuántica a través de las matemáticas. Si una red neuronal tiene éxito con topología de nudos o grupos de Mathieu, podrá diseñar nuevas moléculas u optimizar cadenas de suministro a un nivel inaccesible para los humanos. Esto significaría que finalmente hemos obtenido una herramienta que es más inteligente que nosotros en los campos abstractos más complejos. Y la ironía aquí es que es posible que ni siquiera entendamos inmediatamente exactamente cómo la IA llegó a la solución, pero el resultado cambiará nuestra realidad física.

El punto clave: FrontierMath es el jefe final para la generación actual de redes neuronales. ¿Podrá algo como GPT-5 o Claude 4 cruzar esta barrera, o tendremos que esperar arquitecturas fundamentalmente nuevas?