Claude Mythos de Anthropic sería la IA más reciente en abordar un problema histórico de Erdős

Otro supuesto avance matemático de la IA llega con rapidez

El ciclo competitivo en la matemática de frontera basada en IA se está acelerando. Justo después de que OpenAI supuestamente refutara la conjetura de distancia unitaria de Erdős, empleados de Anthropic ahora afirman que Claude Mythos también puede resolver el mismo problema, según The Decoder.

La afirmación sigue siendo exactamente eso: un resultado reportado y descrito por personal de Anthropic y comentado públicamente en X. Eso importa, porque sitúa la historia en una categoría cada vez más común en la investigación avanzada de IA: avances técnicos significativos que circulan primero entre laboratorios, ingenieros y matemáticos en ejercicio antes de que un artículo institucional completo o una verificación independiente más amplia zanje la cuestión.

Aun con esa salvedad, el desarrollo informado es significativo. La conjetura de distancia unitaria de Erdős permanece abierta desde 1946. Si varios sistemas de frontera pueden ahora encontrar vías de solución viables para un problema de geometría combinatoria de larga data, la historia relevante ya no es una sola demostración llamativa. Es la posibilidad de que los modelos avanzados estén empezando a mostrar valor repetible en problemas de investigación difíciles.

Qué habría hecho Anthropic, según lo informado

Según el texto fuente, Anthropic utilizó una configuración de prueba construida después de que la IA resolviera otro problema de Erdős. El sistema involucraba instancias aisladas de Claude Code con acceso a Mythos, que recibían el problema, exploraban vías de solución y luego pasaban hallazgos resumidos a otras instancias que trabajaban de forma independiente. Ese detalle es importante porque desplaza la conversación de un solo prompt hacia un flujo de trabajo agéntico.

En otras palabras, el logro reportado no se presenta como una respuesta pura y aislada de un modelo de lenguaje. Se parece más a un entorno de investigación coordinado: múltiples instancias del modelo, descomposición del problema, resumen e iteración comparativa de enfoques. Eso hace que el resultado sea menos una demostración pulida y más un anticipo de cómo podría desarrollarse en la práctica el trabajo matemático asistido por IA.

La fuente también dice que Mythos a menudo tomó una ruta distinta a la del modelo de OpenAI. Si eso es correcto, sugiere algo aún más interesante que una simple duplicación. Las estrategias de solución independientes se acercan más al valor real de investigación que limitarse a reproducir una línea de razonamiento ya conocida.

Por qué importa la comparación

El artículo señala que el matemático Daniel Litt habría descrito el resultado de Anthropic como “un poco peor” que el de OpenAI, aunque también dijo que Mythos encontró la solución de OpenAI. Es un recordatorio útil de que no todas las pruebas son iguales. En matemáticas, la elegancia, la compresión y la novedad conceptual importan junto con la corrección.

Aun así, la conclusión estratégica no es que la demostración de un laboratorio fuera más bonita que la de otro. Es que varios laboratorios parecen creer ahora que sus sistemas pueden enfrentarse a problemas matemáticos abiertos a un nivel mucho más alto que generaciones anteriores. Cuando eso se vuelve repetible, el frente ya no es “¿Puede una IA hacer esto?” sino “¿Con qué frecuencia, de manera cuán independiente y con qué grado de supervisión humana?”

The Decoder también menciona el reciente anuncio de Google DeepMind de que un sistema asistido por IA resolvió nueve problemas de Erdős usando Lean, un lenguaje formal de demostración. Esa comparación afina una distinción importante en el trabajo matemático actual con IA. Algunos sistemas dependen en gran medida de entornos de verificación formal; otros se evalúan más por su razonamiento en lenguaje natural y su exploración agéntica. El campo todavía no ha decidido qué estilo revela mejor la capacidad bruta.

El cambio más amplio

Lo que hace que esta historia tenga peso no es solo la conjetura concreta. Es la velocidad de las afirmaciones posteriores. Los problemas abiertos en matemáticas solían funcionar como marcadores claros del límite entre el razonamiento humano y el de las máquinas. Ese límite ahora parece más poroso, especialmente cuando los laboratorios combinan modelos de frontera con herramientas de orquestación que les permiten ramificarse, comparar, resumir y reintentar.

Seguirá habiendo una gran diferencia entre un éxito de laboratorio reportado y un sistema de investigación estable y ampliamente confiable. La verificación, la revisión por pares y la reproducibilidad siguen siendo esenciales. Pero el patrón es difícil de ignorar: los laboratorios de IA ya no presentan solo mejoras en benchmarks o asistentes de consumo pulidos. Cada vez más, presentan sus sistemas como contribuyentes al trabajo avanzado del conocimiento.

Si estas afirmaciones continúan sosteniéndose, los titulares sobre matemáticas con IA dejarán de ser anomalías raras y empezarán a parecer una categoría de investigación emergente por derecho propio.

• Empleados de Anthropic afirman que Claude Mythos puede resolver la conjetura de distancia unitaria de Erdős.
• La configuración reportada usó múltiples instancias coordinadas de Claude Code en lugar de un simple prompt único.
• La historia más amplia es el ritmo acelerado del trabajo asistido por IA en problemas matemáticos abiertos desde hace mucho tiempo.

Este artículo se basa en la cobertura de The Decoder. Leer el artículo original.