En una tribuna publicada en el número 19 de ActuIA, Axel Cypel se cuestiona sobre la capacidad de la inteligencia artificial para producir teoría. Las recientes contribuciones de la IA a las matemáticas dan a esta pregunta un nuevo alcance: ¿producir un resultado inédito basta para establecer que la máquina piensa?
El autor opone dos maneras de producir conocimiento. Por un lado, el aprendizaje automático, que procede por inducción, es decir, por generalización a partir de ejemplos. Por otro, la teoría, que puede hacer emerger nuevos conceptos. Se apoya en las grandes teorías físicas, desde la mecánica galileana al modelo estándar, que no siguieron este método. Las ondas gravitacionales, predichas por la teoría de la relatividad general de Einstein, solo fueron buscadas porque la teoría las anunciaba, señala, en lo que se llama el método hipotético-deductivo. También retoma la expresión del físico Étienne Klein, para quien el gesto teórico actúa como un «cabrestante ontológico».
El texto recoge la pregunta que le fue planteada durante la entrega del Premio Roberval, el 7 de diciembre de 2024, donde su libro Voyage au bout de l’IA fue designado ganador en la categoría Gran Público. Su interlocutora declaró entonces: «como investigadora […], fui construida como una IA». Axel Cypel recuerda, por su parte, que la IA se distingue del pensamiento humano por la forma en que aprende: un ser humano no necesita ver un millón de gatos para reconocer un gato.
Resultados matemáticos recientes
Una nota de la redacción, fechada en octubre de 2026, esclarece la pregunta a la luz de la actualidad. El 26 de octubre de 2026, OpenAI anunció una refutación de la hipótesis del tiempo exponencial, una conjetura de informática teórica. Anthropic publicó por su parte un resultado atribuido a un modelo de investigación Claude. Ambos laboratorios proporcionaron formalizaciones en Lean, un asistente de pruebas, es decir, un software que permite verificar una demostración paso a paso. OpenAI organizó además un examen de su resultado con investigadores externos.
Una refutación de este tipo se basa en la construcción de un algoritmo y la demostración de sus propiedades. Si se confirma, constituye un resultado teórico original. Google Research describió por su parte estructuras matemáticas descubiertas con AlphaEvolve, integradas en demostraciones que permitieron establecer nuevos resultados.
Una prueba no lo dice todo sobre su origen
Axel Cypel subraya que el modelo aprendido por una IA no es una copia de sus datos de entrenamiento, sino una síntesis abstracta. Su uso puede producir una interpolación, es decir, un punto que no figuraba en la base de aprendizaje. Queda por saber si se trata de una creación. El autor estima que no existe, a priori, ninguna razón para excluir que una IA fuerte, capaz de producir un proceso de pensamiento, pueda existir algún día. Juzga en cambio dudoso que el machine learning pueda producir una.
Una prueba válida establece un resultado, pero ella sola no dice cuál es la naturaleza del proceso que la produjo. Por eso el autor no propone zanjar este debate. Más bien invita a usar la IA para producir nuevas respuestas y a «conjugar esta fuerza con la nuestra para encontrar, por qué no, nuevas teorías».
