El matemático Terence Tao publicó el 9 de septiembre una serie de mensajes en Mathstodon sobre algo que la comunidad académica está perdiendo desde que las herramientas de IA entraron en la investigación matemática: encontrar un problema abierto verdaderamente valioso se está volviendo escaso.
Según él, los buenos problemas abiertos —los que pueden dar lugar a trabajos posteriores— se están extrayendo de una manera no renovable. Añade un punto todavía más incisivo: que se filtre el rumor de que alguien está trabajando en cierto problema puede bastar para atraer una cantidad masiva de cómputo de IA que se adelante a resolverlo, agotando esa línea de investigación antes de que se desarrolle plenamente; en sus palabras, esto está invirtiendo una tradición de ciencia abierta que se remonta siglos atrás.
El gradiente de dificultad se está aplanando
La descripción técnica que ofrece Tao es la de un gradiente de dificultad. En un campo de investigación sano, los problemas se distribuyen por niveles: hay ejercicios de nivel introductorio, problemas de nivel de doctorado, otros que requieren herramientas nuevas, y un conjunto de grandes preguntas todavía sin resolver. Los investigadores se guían por este gradiente para decidir hacia dónde ir, y también lo usan para orientar a sus estudiantes.
Las herramientas de IA han aplanado este gradiente en muchas áreas. Un problema que antes habría requerido tres meses y otro que habría requerido tres años ahora pueden resolverse ambos en la misma tarde, o quedar ambos sin resolver, sin una línea divisoria reconocible entre ellos. Señala que actualmente no existe una frontera clara que separe los problemas "resolubles por IA" de los "difíciles para la IA".
Este punto se ve amplificado por otro hecho: las empresas de IA, por lo general, no publican resultados negativos ni revelan el proceso una vez obtenida una solución. El exterior solo ve los casos de éxito, no los problemas que se intentaron y no salieron. La publicación de Tao no nombra a ninguna empresa en concreto ni ofrece una lista concreta de los problemas "agotados"; ambos puntos, por ahora, no se pueden verificar. Sin datos sobre los fracasos, la comunidad académica ni siquiera puede juzgar qué tipo de problemas siguen siendo seguros.
De lo abierto a lo cerrado
Una consecuencia colateral que menciona ya puede observarse: parte de los matemáticos ha empezado a dejar de hacer públicas sus líneas centrales de investigación.
Durante siglos, la práctica habitual de la academia fue intercambiar ideas lo antes posible: presentar trabajos a medio hacer en seminarios, colgar razonamientos incompletos en plataformas de preprints, escribir conjeturas en blogs. La premisa de este hábito era que, aunque otros lo supieran, difícilmente podrían resolverlo con rapidez, y uno todavía tenía tiempo de terminarlo. Esa premisa ahora la ha roto la capacidad de cómputo.
La propuesta de Tao es desplazar un peldaño el criterio de evaluación: para ciertos problemas, no bastaría con dar la respuesta, sino que habría que analizar también el proceso de resolución y la estructura de dificultad implicada. Convertir en sí mismo el "por qué este problema es difícil" en un resultado publicable es una forma de reconstruir el gradiente que se ha aplanado.
Relación con su artículo de agosto
En agosto, Tao convirtió su charla pública en el Congreso Internacional de Matemáticos en un artículo de doce páginas en arXiv sobre el exceso de demostraciones: suponiendo que la IA ya sea capaz de hacer matemáticas de nivel de investigación, la comunidad se enfrentaría a una producción tan voluminosa que nadie podría leerla por completo.
Esta nueva serie de mensajes en Mathstodon mira hacia el otro extremo. El artículo anterior se preocupaba por el lado de la producción; este se preocupa por el lado de la entrada, de dónde vienen los problemas. Juntando ambos, describe una tubería con problemas en los dos extremos a la vez: río arriba, los buenos problemas se consumen demasiado rápido; río abajo, las demostraciones se acumulan hasta el punto de que nadie puede verificarlas.
Impacto en China
La comunidad matemática china podría sentir este mecanismo de forma más directa. Primero, la proporción de equipos nacionales que discuten sus líneas de investigación en plataformas de preprints abiertas y redes sociales lleva años en aumento, y no pocos grupos usan arXiv como su primer canal de publicación. Segundo, las instituciones capaces de movilizar cómputo de inferencia a gran escala para rastrear problemas abiertos están concentradas en un puñado de empresas, y la mayoría de los investigadores chinos se encuentran del lado de los usuarios de ese cómputo, no en una posición de asignarlo.
A nivel operativo concreto, lo que podría verse afectado es la elección de tema de los estudiantes de posgrado. Si un doctorando dedica tres años a un problema y, en el segundo año, el modelo de alguna empresa lo resuelve en una semana, no está claro cómo contabilizar esos tres años: los sistemas de evaluación de grados de las universidades aún no contemplan una cláusula para ello. En el último año ya han surgido varias disputas sobre autoría y prioridad, y todavía no hay precedente para resolver este tipo de conflictos.
El propio Tao no ofrece una propuesta a nivel institucional; se limita a decir que la comunidad matemática necesita repensar qué es lo que debería premiarse. Si esta afirmación logra impulsar cambios concretos en las reglas de evaluación se sabrá en uno o dos años: si las revistas empiezan a aceptar artículos cuya principal aportación sea el análisis de dificultad, señal de que ese camino ha funcionado; si no, la contracción de la discusión abierta continuará.
Fuentes: publicaciones de Terence Tao en Mathstodon, arXiv, CocoLoop, blog de Simon Willison; las expresiones "se están extrayendo de una manera no renovable" y el hecho de que las líneas de investigación dejen de hacerse públicas se citan siguiendo el texto original en inglés; la parte sobre el impacto en China es una inferencia editorial.