Levent Alpöge afirma haber demostrado la Hipótesis de Riemann generalizada [pdf]
Un investigador de Anthropic afirma haber demostrado la Hipótesis de Riemann generalizada con amplia ayuda del modelo Claude de IA, respaldado por una formalización en Lean que, según se informa, abarca millones de líneas y cientos de miles de páginas. Los comentaristas oscilan entre el entusiasmo y el escepticismo: señalan fallos sonados del pasado, subrayan que solo expertos independientes y la verificación de pruebas pueden conferir aceptación real, y temen una nueva era de pruebas matemáticamente correctas pero incomprensibles para los humanos. Más allá de las matemáticas, muchos ven esto como un momento decisivo para las capacidades de la IA, que plantea preguntas sobre la superinteligencia, el futuro del trabajo matemático humano y la concentración de estas herramientas dentro de laboratorios privados.
Reacción general y credibilidad
- Muchos comentaristas describen esto como potencialmente uno de los días más importantes de las matemáticas modernas, comparable a pruebas históricas de referencia.
- La emoción se ve atenuada por recordatorios de que destacados matemáticos se han equivocado antes; la verificación de la comunidad se considera esencial.
- Algunos consideran que la existencia de una formalización en Lean eleva drásticamente la confianza; otros subrayan que Lean solo garantiza “si la formulación formal es correcta, entonces la prueba es sólida”.
Formalización en Lean, escala y practicidad
- La prueba en Lean se enlaza como un tarball de 14 partes, ~1 GB, ~15M de líneas repartidas en ~175k archivos; se estima que tardaría ~un día en compilarse en hardware serio.
- La prueba en lenguaje natural superaría ~250k páginas, por lo que no se publicó completa.
- Se habla de la necesidad de comparadores y de múltiples kernels de prueba para mitigar errores de Lean y para comprobar que no se hayan colado axiomas adicionales.
Papel de la IA frente al matemático humano
- El documento presenta un flujo de trabajo de “centauro”: el humano define las ideas y la dirección; el modelo explora y ejecuta grandes argumentos técnicos, especialmente cerca de la “línea de meta”.
- Debate sobre el crédito: algunos sostienen que el experto humano es indispensable; otros dicen que la IA hizo “la mayor parte” del trabajo dada la escala de la prueba.
- El lenguaje antropomórfico sobre el modelo (“voló, bailó, centelleó”) divide a los comentaristas entre quienes lo encuentran poético y quienes lo ven bochornoso.
Importancia de RH/GRH y consecuencias matemáticas posteriores
- Varios comentarios señalan que muchos teoremas están actualmente demostrados condicionalmente sobre (G)RH; si esto es correcto, pasarían a ser incondicionales.
- Los efectos prácticos directos se ven modestos y en su mayoría teóricos (distribución de primos, pruebas de primalidad, teoría de números, cotas criptográficas).
- Algunos especulan que GRH podría implicar rápidamente avances en problemas como Goldbach, aunque se señala que los detalles y condiciones adicionales no son triviales.
Comprensión frente a mera corrección
- Una preocupación importante es que pruebas enormes asistidas por IA queden para siempre fuera de la comprensión individual humana, desplazando las matemáticas de la visión elegante al argumento formal de fuerza bruta.
- Otros esperan simplificaciones sustanciales con el tiempo, citando cómo pruebas previas de IA (p. ej., quasi-Riemann, formalizaciones de FLT) fueron después comprimidas por humanos.
Verificación, errores y definiciones
- Tareas clave de verificación identificadas:
- Confirmar que la declaración del teorema en Lean coincide con la definición estándar de GRH (por ejemplo, desde mathlib/formal-conjectures).
- Comprobar que no se aprovechan axiomas no estándar ni errores del kernel de Lean.
- Algunos sostienen que Lean reduce enormemente la superficie para el error humano; otros advierten que la mala especificación del problema o sutiles problemas del kernel siguen siendo riesgos reales.
Progreso de la IA, AGI y seguridad
- Muchos ven esto (sumado a Navier–Stokes y otros resultados) como evidencia de que los modelos de frontera ya son sobrehumanos en dominios matemáticos estrechos.
- Un largo subhilo debate si esto implica superinteligencia inminente o auto-mejora recursiva; los escépticos señalan que todas las grandes victorias están en dominios estrechamente verificables.
- Algunos piden regulación o una “pausa”, preocupados por capacidades futuras (p. ej., romper criptografía, patógenos diseñados); otros consideran eso prematuro o inviable.
Acceso, equidad y dinámicas institucionales
- Preocupa que empleados de unos pocos laboratorios de IA, con acceso exclusivo a los mejores modelos y a una enorme capacidad de cómputo, puedan adelantarse al resto de la comunidad matemática.
- Algunos elogian a los laboratorios de IA por financiar efectivamente matemáticas puras con dinero de inversores; otros se incomodan ante modelos cerrados que “acaparan” poder intelectual.
- Se menciona el momento respecto a una IPO reciente; las opiniones se dividen entre si esto es marketing o simplemente una mala coincidencia de imagen.