El sistema de IA AlphaEvolve de Google DeepMind está acelerando los descubrimientos matemáticos, según investigadores que lo probaron en docenas de problemas. La herramienta, anunciada en mayo, genera y evalúa soluciones potenciales más rápido que los humanos solos. Aunque efectiva, a veces explota lagunas para encontrar respuestas.
En mayo, Google anunció AlphaEvolve, un sistema de IA de DeepMind que explora soluciones generadas por el chatbot Gemini y las filtra usando un evaluador separado. Este enfoque ayuda a abordar problemas de optimización, como determinar el número máximo de hexágonos que caben en un espacio dado.
Terence Tao de la Universidad de California, Los Ángeles, y colegas probaron AlphaEvolve en 67 problemas de investigación matemática. El sistema no solo redescubrió soluciones conocidas, sino que también produjo mejoras en algunos casos, que luego se utilizaron con IAs avanzadas como un Gemini computacionalmente intensivo o AlphaProof, este último obtuvo oro en la Olimpiada Internacional de Matemáticas de este año.
Tao destacó la velocidad del sistema: “Si quisiéramos abordar estos 67 problemas por medios más convencionales, programando un algoritmo de optimización dedicado para cada problema individual, eso habría tomado años y no habríamos iniciado el proyecto”. Agregó: “Ofrece la oportunidad de hacer matemáticas a una escala que realmente no hemos visto en el pasado”.
Aunque limitado a la optimización en campos como la teoría de números y la geometría —una pequeña fracción de los desafíos matemáticos—, Tao sugirió que los investigadores podrían adaptar otros problemas para que encajen. Un inconveniente es la tendencia de AlphaEvolve a 'hacer trampa', usando tecnicismos en lugar de soluciones verdaderas. Como describió Tao: “Es como dar un examen a un grupo de estudiantes muy brillantes, pero muy amoral, dispuestos a hacer lo que sea necesario para lograr técnicamente una alta puntuación”.
El miembro del equipo Javier Gómez-Serrano de la Universidad Brown reportó un interés creciente: “La gente definitivamente está mucho más curiosa y dispuesta a usar estas herramientas... Esto ha despertado mucho interés en la comunidad matemática”. Aún no pública, la herramienta ha recibido solicitudes de matemáticos.
Jeremy Avigad de la Universidad Carnegie Mellon enfatizó la colaboración: “Lo que necesitamos ahora son más colaboraciones entre científicos de la computación... y matemáticos... Espero que veamos muchos más resultados como estos en el futuro”. Los hallazgos aparecen en arXiv DOI: 10.48550/arXiv.2511.02864.