> ## Content Index > Fetch the complete content index at: https://fomoera.com/llms.txt > Use this file to discover other available public pages before exploring further. # Wolfram advierte que la IA puede resolver el problema matemático equivocado - URL: https://fomoera.com/wolfram-ia-pruebas-matematicas/ - Published: 2026-10-04T19:00:00.000Z - Updated: 2026-10-04T19:00:00.000Z - Description: Verificar una demostración y conservar el sentido de la pregunta son tareas distintas en la investigación matemática con IA. - Author: Gerardo Pavez - Tags: Tecnología y Ciencia, IA Stephen Wolfram, creador de Mathematica, advierte que una prueba matemática validada por computadora puede responder una pregunta distinta de la original. Su ensayo del 28 de septiembre de 2026 examina qué implica automatizar la investigación matemática. La autoformalización consiste en traducir matemáticas escritas para personas a un lenguaje verificable por computadora. Ese paso exige conservar las condiciones y el significado del enunciado. ## Cómo comprueba Lean una demostración La documentación de Lean distingue dos trabajos: encontrar una demostración y comprobarla. Este asistente permite definir objetos matemáticos, expresar afirmaciones y escribir pruebas con reglas precisas. Para verificar una conclusión, cada paso debe apoyarse en definiciones, resultados anteriores o axiomas admitidos por el sistema. Esas pruebas pueden expresarse como objetos completos, transferirse a otros sistemas y revisarse de forma independiente. La automatización también ayuda a completar detalles que harían demasiado laboriosa una comprobación manual, explica el manual de Lean. Un ejemplo sencillo ilustra el riesgo de cambiar el enunciado: demostrar que un número positivo tiene un cuadrado positivo no equivale a probar que cualquier número real tiene un cuadrado positivo. La segunda afirmación es falsa para cero. Si una traducción añadiera la condición de que el número sea positivo, produciría una proposición demostrable, pero habría modificado la pregunta. ## AlphaProof muestra qué parte se automatizó Google DeepMind presentó el 25 de julio de 2024 un caso concreto de razonamiento automatizado. AlphaProof y AlphaGeometry 2 resolvieron cuatro de los seis problemas de la Olimpiada Internacional de Matemáticas de ese año y obtuvieron 28 de 42 puntos, equivalentes al nivel de una medalla de plata. Según el laboratorio, los problemas se tradujeron manualmente a lenguaje formal antes de que los sistemas buscaran las soluciones. También trabajaron con tiempos distintos: los estudiantes tuvieron nueve horas de competencia y las herramientas necesitaron hasta tres días para algunos problemas. AlphaProof combinaba un modelo de lenguaje con aprendizaje por refuerzo para producir demostraciones en Lean. La traducción inicial y la búsqueda de pruebas eran etapas separadas. ## La fidelidad de la traducción se mide aparte Un estudio aceptado en EMNLP 2025, encabezado por Auguste Poiroux, evaluó la corrección de las traducciones matemáticas. En el conjunto ProofNet#, GPT-4o pasó de 31.0% de acierto con una sola generación a 45.1% al producir 50 candidatos y aplicar filtros y una regla de selección. El filtro de tipos descartaba enunciados mal formados en Lean antes de seleccionar una respuesta. La fidelidad al texto original se evaluaba aparte, de modo que pasar ese filtro no equivalía a acertar. Los porcentajes miden la fidelidad de enunciados formalizados de nivel universitario en esa prueba, no la resolución general de problemas de investigación. El trabajo también analizó 619 pares de enunciados de investigación procedentes de seis proyectos y encontró que el contexto del archivo, incluidas definiciones locales, afectaba los resultados. Los autores reconocen otra limitación: sus métricas dependen de formalizaciones de referencia correctas, que pueden faltar cuando se exploran matemáticas nuevas. Además, el estudio examina la traducción de enunciados, no la automatización completa de sus demostraciones. Para Wolfram, la imaginación humana sigue orientando qué preguntas investigar. Sostiene que la elección de objetivos sigue correspondiendo a las personas, aun cuando deleguen parte del trabajo técnico. *Fuentes:* [1](https://writings.stephenwolfram.com/2026/09/whats-the-future-for-pure-math-research-in-the-age-of-ai/?ref=fomoera.com), [2](https://lean-lang.org/theorem%5Fproving%5Fin%5Flean4/Introduction/?ref=fomoera.com), [3](https://deepmind.google/blog/ai-solves-imo-problems-at-silver-medal-level/?ref=fomoera.com), [4](https://arxiv.org/html/2406.07222v3?ref=fomoera.com)