El GPT-5.6 Sol Ultra de OpenAI resuelve una conjetura matemática de 50 años de antigüedad
El modelo de razonamiento más reciente de OpenAI, GPT-5.6 Sol Ultra, supuestamente ha logrado un avance histórico en la teoría de grafos al resolver una conjetura matemática que permanecía abierta desde la década de 1970. Mediante el aprovechamiento de una persistencia computacional extrema y una arquitectura multiagente, el modelo produjo una demostración completa en menos de una hora.
Resolviendo el misterio de la teoría de grafos
La conjetura en cuestión aborda una pregunta fundamental en la teoría de grafos: si se puede encontrar un conjunto de ciclos en cualquier red de vértices y aristas que recorra cada arista individual exactamente dos veces. Aunque los matemáticos han encontrado soluciones parciales para casos específicos durante las últimas cinco décadas, una demostración general ha resultado esquiva.
Thomas Bloom, matemático de la Universidad de Manchester, describió la demostración como "corta, elemental y que podría haber sido descubierta en la década de 1980". Curiosamente, la solución no requirió la invención de teorías matemáticas completamente nuevas; en su lugar, sintetizó hábilmente herramientas existentes y marcos matemáticos conocidos.
El poder de la persistencia de las máquinas
Surge una pregunta crítica: si las matemáticas eran "elementales", ¿por qué los humanos no lograron resolverlas durante 50 años? Bloom sugiere que la solución requería un pequeño giro contraintuitivo en el razonamiento. Los matemáticos humanos suelen seguir caminos lógicos que, al fallar, conducen a la conclusión de que el problema es irresoluble.
En contraste, GPT-5.6 Sol Ultra exhibe un nivel de "persistencia de máquina". No experimenta el sesgo cognitivo del desánimo. En su lugar, el modelo explora continuamente variaciones mínimas en la lógica y el etiquetado hasta que se identifica un camino exitoso. Esta capacidad de aplicar fuerza bruta a las permutaciones lógicas sin el "encogimiento de hombros de la derrota" permitió a la IA sortear los bloqueos mentales que estancaron a los investigadores humanos.
Ingeniería de prompts avanzada y arquitectura multiagente
El éxito de Sol Ultra no fue simplemente el resultado de una inteligencia bruta, sino de una ingeniería de prompts altamente sofisticada. Para asegurar que el modelo no recurriera por defecto al "no lo sé", los investigadores utilizaron una serie de directivas estrictas:
- Suposición forzada: El prompt obligó al modelo a asumir que existe una demostración completa, evitando que declarara que la conjetura no estaba resuelta.
- Aislamiento de información: Se le prohibió al modelo buscar en internet para verificar si el problema ya había sido resuelto.
- Pruebas adversarias multiagente: Se utilizó un sistema de 64 agentes. Muchos se mantuvieron "a oscuras" sobre qué enfoque lógico estaba funcionando para garantizar un razonamiento independiente, mientras que agentes adversarios examinaron las demostraciones candidatas en busca de errores específicos, como caminos cerrados identificados incorrectamente.
El debate sobre la creatividad de la IA y la citación
El avance ha reavivado el debate sobre si los LLM son verdaderamente "creativos" o simplemente recombinadores sofisticados de conocimiento existente. Bloom señaló que las ideas centrales de la demostración se remontan a un artículo de 1983 de Bermond, Jackson y Jaeger. Criticó a OpenAI por no citar este trabajo previo, señalando que los artículos generados por IA a menudo utilizan estrategias existentes sin la atribución adecuada.
Si bien la comunidad científica aún espera la verificación matemática completa, este evento señala un cambio en el panorama de la IA. Los modelos de IA a gran escala se están desplegando cada vez más para abordar problemas científicos abiertos, lo que podría revelar soluciones que siempre han estado al alcance de los humanos.
Conclusiones clave
- Persistencia sobre complejidad: La IA resolvió un problema de larga data no inventando nuevas matemáticas, sino aplicando teorías existentes con un nivel de variación lógica incansable del que carecen los humanos.
- Las restricciones estrictas impulsan los resultados: El uso de prompts "adversarios" y la prohibición de búsquedas en internet obligaron al modelo a encontrar una solución en lugar de proporcionar una respuesta estándar de "no resuelto".
- El desafío de la atribución: El incidente resalta una creciente preocupación en la investigación de la IA con respecto a la falta de citación adecuada cuando los modelos recombinan literatura científica existente.