¿Qué es la optimización convexa, y una IA realmente cerró una brecha de 30 años?

Una discusión que se propagó rápidamente por foros de matemáticas la semana pasada giró en torno a la afirmación de que GPT-5.6, tras el anuncio de una prueba por parte de OpenAI, había ayudado a cerrar una pregunta de optimización convexa que llevaba décadas sin resolverse. Mientras la afirmación espera verificación, el tema de fondo —qué es realmente la optimización convexa y por qué importa— se convirtió en un nuevo foco de curiosidad para mucha gente que lo descubría por primera vez.

La optimización convexa es una de las ramas más prácticas de las matemáticas y la informática. Dicho de forma sencilla, se ocupa de hallar el mejor valor (el más pequeño o el más grande) de una función bajo ciertas restricciones, pero específicamente en los casos en que esa función es «convexa», es decir, cuando su gráfica tiene forma de cuenco. Esa forma garantiza a los matemáticos que existe una solución y que tiene un único punto óptimo, que es precisamente lo que hace tratable el problema.

Aunque el campo suena abstracto, aparece en casi todos los rincones de la vida cotidiana. Entrenar un modelo de IA, planificar una ruta de vuelo, equilibrar una cartera de inversión, gestionar una red eléctrica: todo esto puede, en el fondo, reducirse a un problema de optimización convexa. La eficiencia con la que se resuelven esos problemas condiciona directamente el rendimiento de esos sistemas.

Pero algunos rincones de la optimización convexa siguen genuinamente abiertos. Para ciertas clases de problemas, la velocidad teórica máxima a la que se puede alcanzar una solución ha ocupado a los matemáticos durante décadas. La afirmación que circula en redes sociales se refiere precisamente a ese tipo de límite: una cota superior o inferior que había resistido toda demostración durante años y que, según se afirma, fue cerrada con un boceto de prueba generado con ayuda de un modelo de IA.

Los matemáticos suelen abordar este tipo de anuncios con cautela, porque un boceto de prueba generado por IA sigue siendo solo una afirmación hasta que se verifica formalmente. En el pasado, pruebas generadas automáticamente que parecían convincentes a primera vista resultaron, tras un examen más detallado, contener sutiles errores lógicos.

Aun así, el episodio en sí ilustra cómo ha cambiado el papel de los modelos de IA en la investigación matemática. Hace unos años, estos modelos podían sobre todo reproducir teoremas conocidos o realizar cálculos sencillos; ahora los investigadores los usan cada vez más como una especie de colaborador de investigación, capaz de proponer bocetos de prueba o estrategias para problemas genuinamente sin resolver.

Detrás de ese cambio hay una mejora en la capacidad de los modelos para seguir de forma más coherente cadenas largas de razonamiento lógico de varios pasos. Los matemáticos subrayan que lo importante no es si un modelo «sabe» la respuesta correcta, sino si puede generar, paso a paso, la cadena lógica que realmente lleva hasta ella.

Parte de la comunidad matemática considera que herramientas como esta podrían transformar radicalmente en el futuro la forma de abordar problemas abiertos, un futuro en el que una IA podría sugerir un camino de demostración que un investigador humano hubiera pasado por alto. Otros responden que la verificación formal debe seguir estando firmemente en manos de los matemáticos humanos, ya que existe una diferencia significativa entre que una prueba «parezca correcta» y que realmente lo sea.

Si la afirmación se sostiene quedará más claro en las próximas semanas, a medida que expertos del campo examinen el boceto de prueba línea por línea. En matemáticas, ese proceso suele llevar meses, a veces años.

Sea cual sea el resultado, el episodio ha recordado a un público amplio lo central que resulta en realidad un campo en apariencia abstracto como la optimización convexa, y con qué rapidez está cambiando el papel de la IA en la investigación matemática.