La IA encuentra un contraejemplo a una conjetura de teoría de grafos de 30 años

La IA plantea un desafío a una afirmación de larga data en teoría de grafos

Una conjetura de 30 años de antigüedad en teoría de grafos habría caído después de que un sistema de IA generara un contraejemplo en cuestión de horas. Según New Scientist, Dmitry Rybin, cofundador de la start-up de IA Autokernel, utilizó ChatGPT 5.6 Pro para buscar un contraejemplo estructurado a la conjetura de Dinitz-Garg-Goemans, un resultado que había permanecido como una pregunta abierta en combinatoria y optimización durante décadas.

El informe dice que Rybin usó cuatro indicaciones en total, con menos de 60 palabras, y que el modelo pasó unas 5,5 horas buscando antes de devolver una construcción que muestra que la conjetura es falsa. Si el contraejemplo resiste el escrutinio de expertos, el episodio marcaría otro momento notable en un patrón que avanza con rapidez: los sistemas de IA no solo ayudan con el trabajo rutinario de demostración o la manipulación simbólica, sino que cada vez más están revelando objetos nuevos que cambian el estatus de preguntas matemáticas establecidas.

Ese cambio importa porque los contraejemplos ocupan un lugar especial en matemáticas. Un teorema puede sobrevivir años de comprobación en muchos casos particulares, pero una sola excepción válida basta para derrumbar la afirmación general. En campos donde la intuición se construye a partir de patrones en ejemplos más pequeños, encontrar el primer objeto que rompe una regla puede ser inesperadamente difícil. Es exactamente el tipo de problema de búsqueda en el que la exploración automatizada a gran escala puede tener ventaja.

Qué intentaba decir la conjetura

La conjetura de Dinitz-Garg-Goemans pertenece a la teoría de grafos, el estudio de redes construidas a partir de vértices y aristas. New Scientist describe la afirmación mediante una analogía logística. Imagina envíos que salen de un almacén hacia varios destinos. En una versión del problema, los envíos pueden dividirse en partes más pequeñas y enrutarse de forma independiente. La conjetura proponía que esta configuración flexible podía convertirse en otra disposición en la que los envíos permanecieran indivisibles, sin aumentar el costo total.

Ese tipo de afirmación resulta atractiva porque sugiere que una optimización real y desordenada a veces puede reducirse a formas más limpias y fáciles de analizar. De ser cierta, la conjetura habría implicado un puente fiable entre escenarios de flujo dividido y no dividido. En cambio, el contraejemplo informado indica que ese puente no siempre existe. En algún lugar de la estructura de estas redes, hay casos en los que prohibir la división sí cambia la economía de una manera que la conjetura decía que no ocurriría.

Para los especialistas, eso no significa que todo el campo se derrumbe. Significa que el frente se afina. Ahora los investigadores pueden preguntar dónde falla la conjetura, si aún sobreviven versiones restringidas y qué clases de grafos preservan el comportamiento deseado. Una conjetura falsa a menudo crea tanto trabajo productivo como una verdadera, porque obliga al campo a reemplazar un principio amplio pero inexacto por un mapa más preciso.

Por qué este caso está llamando la atención

Parte de la reacción proviene de la aparente sencillez de las indicaciones. Rybin dijo a X, según cita New Scientist, que había pasado muchas semanas pensando el problema por su cuenta. Sin embargo, las indicaciones descritas en el artículo eran mínimas: una instrucción inicial para encontrar un contraejemplo innovador, seguida de solicitudes repetidas para seguir buscando. Ese contraste se ha vuelto central en la historia. El interés no es solo que una IA estuviera implicada, sino que la interfaz visible para el usuario pareciera tan ordinaria mientras la búsqueda computacional subyacente quizá estaba haciendo algo no trivial.

Es importante esa distinción. Una indicación breve no significa que el proceso de razonamiento fuera simple. Significa que el usuario no tuvo que diseñar manualmente un flujo de trabajo formal denso para dirigir al sistema hacia una búsqueda útil. A medida que mejoran las herramientas de IA, el cuello de botella podría pasar de especificar cada paso a formular el objetivo matemático correcto, comprobar rigurosamente la salida y traducir los objetos generados por la máquina en formas que una comunidad investigadora pueda verificar y aprovechar.

New Scientist también señala que esta es la segunda vez en una semana que se atribuye a la IA el derribo de una conjetura de larga data. El artículo sitúa el nuevo resultado de teoría de grafos junto a un contraejemplo anterior generado por IA a la conjetura jacobiana y remite a un modelo de OpenAI que, según se informa, resolvió en mayo una conjetura de décadas de antigüedad planteada por Paul Erdos. En conjunto, estos episodios sugieren que el momento actual no es una curiosidad aislada, sino parte de una aceleración más amplia de las matemáticas asistidas por máquinas.

Por qué la teoría de grafos puede ser especialmente vulnerable a sorpresas

Chris Bowman-Scargill, de la Universidad de York, dijo a New Scientist que existe una broma recurrente en matemáticas: toda conjetura en teoría de grafos es falsa. El humor refleja un desafío estructural real. En teoría de grafos, un comportamiento que parece estable en ejemplos pequeños puede cambiar bruscamente cuando se añaden uno o dos vértices. Eso hace que el reconocimiento informal de patrones sea menos fiable que en áreas donde los ejemplos de bajo rango tienden a reflejar con mayor fidelidad las estructuras más grandes.

En ese entorno, los sistemas automatizados son naturalmente útiles. Pueden ir más allá del rango que los humanos inspeccionan casualmente, enumerar casos a escala y buscar construcciones extrañas que no parecen intuitivas a primera vista. Un matemático puede tener una buena intuición conceptual de por qué una afirmación debería ser cierta, mientras que una máquina puede poner a prueba sin descanso si esa intuición sobrevive en rincones más extraños del espacio.

La lección probable no es que los matemáticos se vuelvan obsoletos. Más bien, su papel cambia. Los humanos siguen decidiendo qué preguntas importan, evaluando la importancia de una construcción, identificando la razón estructural por la que funciona y convirtiendo una salida computacional en bruto en una narrativa matemática sólida. Pero el panorama de búsqueda está cambiando. Cuando las máquinas pueden mostrar ejemplos decisivos con mayor rapidez y más frecuencia, la formulación de conjeturas puede volverse más disciplinada y más adversarial, con investigadores que esperan una verificación agresiva por parte de la máquina desde etapas más tempranas de una idea.

Qué sigue

La pregunta inmediata es la verificación. Un supuesto contraejemplo solo cambia el registro matemático después de que los expertos confirmen que el objeto realmente viola la conjetura bajo las condiciones formales exactas. New Scientist presenta el resultado como un avance importante, pero su importancia a largo plazo dependerá de cómo la comunidad lo valide, lo interprete y lo amplíe.

Si el resultado se sostiene, reforzará una tendencia que muchos investigadores ya están luchando por asimilar. La IA está pasando de asistente a colaboradora en el trabajo orientado al descubrimiento, especialmente en dominios donde el espacio de búsqueda es grande pero la condición de éxito es nítida. Las matemáticas son un caso de prueba particularmente visible porque, en principio, las salidas pueden verificarse con precisión. Eso facilita separar el entusiasmo de la sustancia más que en muchos otros campos intelectuales.

Aun así, el efecto social puede ser mayor que la sola conjetura. Una generación de matemáticos se enfrenta ahora a la posibilidad de que una información valiosa surja de sistemas activados en lenguaje natural, ejecutándose durante horas y devolviendo objetos que los humanos no pensaron en construir. Ya produzca inquietud, entusiasmo o ambas cosas, eso marca un cambio significativo en cómo puede ocurrir el descubrimiento.

Este artículo se basa en la cobertura de New Scientist. Leer el artículo original.