Anuncio precipitado: Alessandro Masullo GRH

Un anuncio precipitado de 940 páginas de una supuesta prueba “solo humana” de la Hipótesis Generalizada de Riemann, en la que se trabajó durante 12 años, apareció justo después de que Anthropic publicara una prueba asistida por IA, lo que desató un intenso debate sobre prioridad, crédito y confianza. Los comentaristas discuten si los aparentes errores del manuscrito humano son corregibles, cuán significativa es una formalización Lean de 250.000 páginas frente a una prueba más corta y comprensible, y qué cuenta como prueba válida o primera prueba para grandes premios y la historia. Debajo de esto hay preocupaciones más amplias: que los LLM comerciales puedan ingerir en secreto investigaciones en curso, que los matemáticos se vean obligados a publicar antes o a depender de herramientas de IA que no controlan, y que la naturaleza del trabajo matemático y del reconocimiento esté siendo remodelada por modelos de frontera.

Borrador humano de GRH y momento

  • Se publicó apresuradamente, tras un anuncio de GRH/RH asistido por IA, un borrador de ~900 páginas, “enteramente humano”, de GRH/RH, en el que se trabajó durante ~12 años.
  • El borrador está claramente incompleto en algunos lugares (por ejemplo, falta la sección introductoria) y llevaba meses circulando en privado entre matemáticos senior.
  • Muchos ven el momento elegido como un intento de evitar quedar eclipsado o ser acusado de copiar el resultado de la IA; otros encuentran molestas las publicaciones “yo también” tras grandes pruebas de IA.

Corrección y críticas tempranas

  • Varios comentaristas informan que distintos LLM y lectores humanos encontraron rápidamente aparentes errores, lagunas o pasos dudosos; incluso el propio borrador reconoce que aún necesita trabajo.
  • No está claro si estos problemas son menores y corregibles o si rompen el argumento de forma fundamental.
  • Algunos critican el “lo pegué en un LLM y dice que está mal” como comentario de baja calidad; otros sostienen que los LLM son ahora verificadores de pruebas de primera pasada muy eficaces.

Prioridad, crédito e incentivos académicos

  • Hay un fuerte debate sobre si el autor “debió publicarlo antes” frente a la norma tradicional de esperar una prueba pulida y verificada, especialmente en un problema tan famoso como RH/GRH.
  • Los matemáticos temen tanto que otros humanos les adelanten como que ahora lo haga la IA, lo que empuja hacia publicaciones más tempranas y menos pulidas.
  • Tensión entre valorar la elegancia y la perspicacia de las pruebas humanas y valorar la corrección formal en primer lugar (por ejemplo, enormes certificados en Lean).

Papel de la IA, datos de entrenamiento y ética

  • Existe una sospecha generalizada de que los LLM comerciales pueden ingerir trabajo confidencial o semiprivado (por ejemplo, borradores subidos, correos electrónicos, acceso de agentes a archivos locales), “blanqueando” potencialmente ideas en pruebas asistidas por IA.
  • Otros califican esto de especulación infundada, señalando diferencias metodológicas reportadas entre las pruebas asistidas por IA y las humanas.
  • Profunda desconfianza hacia las casillas de “no entrenamos con tus datos”; se piden modelos locales/de pesos abiertos y garantías de privacidad más sólidas.

Impacto en las matemáticas y adaptaciones propuestas

  • Emociones encontradas: entusiasmo por los avances rápidos frente a la desesperación de que años de esfuerzo humano puedan verse eclipsados en semanas de trabajo asistido por IA.
  • Temor a que el descubrimiento puramente humano se esté volviendo obsoleto; algunos sostienen que la investigación básica debería adoptar herramientas de IA, mientras que otros quieren dominios “solo humanos” protegidos.
  • Sugerencias: publicar resultados intermedios, fechar o hashear el trabajo en curso, usar sistemáticamente la IA para auditar pruebas y reformar los sistemas de becas/crédito para una era dominada por la IA.