Terence Tao sobre la IA cotidiana en matemáticas: Generación y verificación de hipótesis
Terence Tao, ganador de la Medalla Fields, utiliza la IA a diario en su investigación matemática. El costo de generar ideas ha caído a cero, pero la verificación sigue siendo un cuello de botella. Los modelos resuelven problemas simples de la lista de Erdős con una probabilidad del 1-2%, requiriendo supervisión humana para cuestiones complejas.
Generación de ideas en la era de Kepler
La IA genera miles de hipótesis con alta temperatura, similar a Kepler examinando teorías sobre el Sistema Solar. La mayoría es ruido, pero en conjuntos de datos con verificación confiable (como las observaciones de Tycho Brahe), emergen señales útiles. Tao enfatiza: sin datos, las ideas permanecen en la categoría de basura. El libro de Kepler "Harmonices Mundi" contenía la tercera ley del movimiento planetario entre especulaciones sobre notas celestiales—un ejemplo clásico de señal en el ruido.
En desarrollo, esto se manifiesta en generación de código: los LLM producen variantes más rápido de lo que se pueden revisar. Las pruebas automatizadas verifican sintaxis, pero la corrección semántica y la alineación con la tarea requieren análisis humano.
Quién es Terence Tao y por qué importan sus perspectivas
Tao trabaja en teoría de números, combinatoria, análisis armónico, ecuaciones diferenciales y matrices aleatorias. Primera publicación a los 15 años, Medalla Fields a los 31. Como practicante sin intereses comerciales, evalúa la IA basándose en resultados reales. En una entrevista con Dwarkesh Patel (20 de marzo de 2026), Tao analiza la IA a través del lente del método científico histórico.
- Áreas clave de la experiencia de Tao: teoría de números, combinatoria, análisis armónico.
- Ventaja de su opinión: sin motivación financiera, enfoque en la práctica.
- Comparación con líderes de IA: Amodei y Altman promueven productos, Tao promueve reputación.
El colapso de los costos de generación de ideas
La IA ha hecho que generar ideas sea tan barato como internet hizo la comunicación. Anteriormente, la ciencia se centraba en ideas brillantes (Arquímedes, Newton). Ahora, miles de hipótesis por minuto abruman la revisión por pares. Las revistas se ahogan en envíos de IA; el sistema antiguo no puede hacer frente.
Para desarrolladores: la IA acelera la codificación, pero la acumulación de solicitudes de extracción crece. CI/CD detecta errores básicos pero no garantiza resolver el problema correcto. Tao destaca el papel de verificadores como Tycho Brahe: 20 años de datos precisos hicieron posibles las leyes de Kepler.
Resultados en problemas de Erdős: Estadísticas sin ilusiones
La IA ha resuelto unos 50 de los 1100 problemas de Erdős, algunos abiertos durante décadas. Después de un auge—una meseta: los modelos encuentran observaciones menores o soluciones conocidas, pero no nuevos avances.
- Probabilidad de éxito por problema: 1-2%.
- La escala compensa la baja precisión.
- Sesgo de selección: Twitter muestra victorias, ignorando el 98% de fracasos.
Metáfora de Tao: la IA es un robot que salta 2 metros más alto que un humano. Conquista picos bajos pero no escala crestas. Con actualizaciones del modelo—un nuevo auge, luego meseta.
La práctica de Tao: Acelerando tareas auxiliares
Una predicción de 2023 se cumplió: la IA es un coautor confiable. Los artículos de Tao se han vuelto más ricos: más código, gráficos, experimentos. Las revisiones de literatura son más profundas, el formato LaTeX más rápido (el agente ajusta corchetes). Sin IA—5 veces más lento.
Pero el núcleo—resolver problemas complejos—está en papel. Los artículos son más amplios y ricos, pero no más profundos.
En desarrollo similarmente:
- Aceleración: código repetitivo, refactorización, pruebas, documentación.
- Sin cambios: arquitectura, descomposición de dominio, selección de enfoque.
Astucia vs Inteligencia
Tao distingue astucia artificial (saltar a una meta) de inteligencia artificial (progreso iterativo). Los modelos son astutos: resuelven problemas de décadas de una vez. Pero sin memoria de sesión, aprendizaje acumulativo. Cada iteración comienza desde cero.
En matemáticas, las soluciones son meses de pasos construyéndose unos sobre otros. La IA no construye cadenas. Analogía en ingeniería: codificar vs diseñar sistemas con restricciones.
Un cambio copernicano en la comprensión de la inteligencia
La inteligencia humana no es el centro. La IA muestra otros tipos de cognición: fuerte en saltos, débil en cadenas. Reevaluando tareas: multiplicar números es difícil para humanos, fácil para máquinas; demostrar teoremas—lo opuesto.
La amenaza a la serendipia
Tao notó la pérdida de aleatoriedad: los motores de búsqueda dan resultados precisos, sin hallazgos adyacentes en una biblioteca. Zoom eliminó conversaciones no planificadas. La IA optimiza filtrando ruido—pero la serendipia surge de él. Tao introdujo caos intencionalmente para inspiración.
Lo importante:
- La IA genera hipótesis baratamente, pero la verificación es el cuello de botella.
- Éxito en problemas de Erdős: probabilidad del 1-2%, la escala importa.
- Aceleración 5x en tareas auxiliares, 0 en el núcleo.
- Los modelos son astutos, no inteligentes: sin progreso acumulativo.
- Riesgo de perder serendipia en un mundo optimizado.
— Editorial Team
Aún no hay comentarios.