El Problema Con Cómo Trabajan los Matemáticos
La investigación matemática es uno de los esfuerzos intelectuales más exigentes en la actividad humana — y, de muchas maneras, uno de los menos automatizados. Mientras que los sistemas de AI han transformado la codificación, la escritura y el análisis de datos, las estructuras formales de las matemáticas superiores han permanecido en gran medida fuera de su alcance. Las pruebas deben verificarse mediante lógica rigurosa; los patrones en estructuras abstractas no ceden al reconocimiento de patrones estadísticos que hace útiles los grandes modelos de lenguaje para el texto. Una startup llamada Axiom Math cree que ha encontrado una manera de cambiar esto, y esta semana lanzó una herramienta gratuita para matemáticos que pone una capacidad significativa de descubrimiento de patrones en una sola laptop.
La herramienta, llamada Axplorer, es una versión democratizada de PatternBoost — un algoritmo desarrollado por Francois Charton, un científico investigador ahora en Axiom quien anteriormente trabajó en Meta. En 2024, Charton utilizó PatternBoost ejecutándose en miles de nodos de supercomputadora durante tres semanas para resolver un problema centenario en teoría de grafos llamado el problema de Turan cuatro-ciclos. Axplorer puede lograr ese resultado en dos horas y media en una Mac Pro.
Qué Hace Axplorer
El algoritmo subyacente de Axplorer funciona a través de un ciclo iterativo de búsqueda clásica y aprendizaje de redes neuronales. Comienza generando una gran cantidad de soluciones candidatas aleatorias a un problema matemático y reteniendo las de mejor desempeño. Una red neuronal transformer se entrena entonces en esos ejemplos exitosos para aprender qué propiedades caracterizan una buena solución. En la siguiente ronda, la red entrenada genera candidatos mejorados que sirven como semillas para otra fase de búsqueda clásica. Las dos fases se alternan, con cada ronda produciendo soluciones progresivamente mejores.
La idea clave es que la red neuronal no necesita entender las matemáticas en ningún sentido profundo. Solo necesita reconocer patrones estructurales en las soluciones encontradas hasta ahora y usar esos patrones para guiar la generación de mejores candidatos. A través de muchas iteraciones, esto produce soluciones que la búsqueda clásica por sí sola sería poco probable encontrar — particularmente en problemas con espacios de búsqueda enormes donde la exploración aleatoria es computacionalmente intratable.
El Problema de Turan y Lo Que Revela
El problema de Turan cuatro-ciclos pregunta: dado un conjunto de puntos, ¿cuántas aristas puedes dibujar entre ellos sin crear ningún bucle de cuatro puntos? El problema toca estructuras profundas en combinatoria y teoría de grafos que son relevantes para el análisis de redes reales — gráficos de redes sociales, cadenas de suministro y estructuras de enlaces de motores de búsqueda. Había resistido solución durante aproximadamente un siglo antes de que PatternBoost lo resolviera en 2024.
Que PatternBoost requiriera una supercomputadora masiva no fue una barrera para Meta, que opera infraestructura de esa escala rutinariamente. Pero fue una barrera para esencialmente cada matemático en el mundo que podría querer aplicar un enfoque similar a sus propios problemas abiertos. Al diseñar Axplorer para ejecutarse en una estación de trabajo de nivel consumidor, Axiom ha cambiado la distribución del acceso a esta clase de AI matemática.
Quién Está Detrás de Axiom Math
La empresa fue fundada por Carina Hong, una joven de 24 años que dejó Stanford después de estudiar en MIT y Oxford. Axiom se lanzó desde el sigilo en 2024 con $64 millones en financiamiento inicial a una valoración de $300 millones, liderada por B Capital. Además de Charton, el equipo investigador incluye a Aram Markosyan, un experto en seguridad y equidad de AI.
La visión de Hong para la empresa se extiende mucho más allá de Axplorer. Encontrar soluciones no es todo lo que hacen los matemáticos — las matemáticas son exploratorias y experimentales, ha dicho. A veces los conocimientos provienen de detectar patrones que no se habían detectado antes, y tales descubrimientos pueden abrir ramas completamente nuevas de las matemáticas. La ambición a largo plazo declarada de Axiom es lo que llama superinteligencia matemática — AI que no solo puede resolver problemas conocidos sino contribuir al descubrimiento de nuevas estructuras matemáticas.
Axplorer Es Gratuito y Está Disponible Ahora
Axiom ha lanzado Axplorer como una herramienta gratuita disponible para cualquier matemático que pueda instalarla. La decisión refleja una estrategia deliberada: al distribuir la herramienta ampliamente en la comunidad académica, Axiom puede recopilar comentarios, identificar qué clases de problemas maneja bien el algoritmo, y construir credibilidad dentro de una comunidad que tiende a ser escéptica de las empresas de AI comerciales.
El producto separado de la empresa, AxiomProver, que se enfoca en la generación y verificación de pruebas formales, ya ha encontrado soluciones a cuatro problemas matemáticos previamente sin resolver. La combinación de una herramienta de descubrimiento de patrones y un verificador de pruebas representa un par complementario de capacidades que refleja las dos fases de la investigación matemática: generar conjeturas y luego probarlas rigurosamente.
Hacia Dónde Se Dirige la AI Matemática
Axiom está entrando en un campo que ha visto inversión significativa y varios resultados históricos. AlphaProof y AlphaGeometry de DeepMind han demostrado que AI puede resolver problemas al nivel de la Olimpiada Matemática Internacional. Pero los problemas de estilo de competencia, por muy difíciles que sean, son una porción estrecha de las matemáticas. El objetivo más ambicioso — contribuir a la investigación abierta en áreas como teoría de números, topología algebraica, o combinatoria — sigue siendo en gran medida inexplorado.
El enfoque de Axiom, que enfatiza el descubrimiento de patrones y la búsqueda iterativa en lugar de la prueba de teoremas de extremo a extremo, puede ser más adecuado para la fase exploratoria de la investigación matemática que la fase de verificación. Si puede generar conocimientos matemáticos genuinamente novedosos sigue siendo una pregunta abierta. Pero el hecho de que ahora pueda ejecutarse en una laptop en lugar de una supercomputadora es, en sí mismo, un paso significativo hacia responderlo.
Este artículo se basa en reportes de MIT Technology Review. Leer el artículo original.
