El rápido avance de los modelos de lenguaje de gran tamaño (LLMs) ha introducido una nueva era para la investigación matemática. Estos sistemas han demostrado la capacidad de generar pruebas complejas, como aquellas que involucran las ecuaciones de Navier–Stokes y la hipótesis cuasi-Riemanniana. Sin embargo, a medida que estas herramientas se integran más en el ecosistema científico, plantean preguntas fundamentales sobre la naturaleza de la comprensión humana y el futuro del progreso matemático. La tensión central reside entre una 'era dorada', donde la IA empodera a una nueva generación de científicos para explorar fronteras previamente inalcanzables, y una 'era oscura', donde la producción científica aumenta pero se concentra de una manera que resulta ajena a la cognición humana.
Un obstáculo técnico significativo en esta transición es el problema de la 'traducción'. Si bien los LLMs pueden generar pruebas correctas en lenguajes formales como Lean —un asistente de pruebas que permite a las computadoras verificar argumentos—, las traducciones a lenguaje natural de estas pruebas a menudo se vuelven cada vez más desordenadas y menos fieles a medida que crece la complejidad de la prueba. Esto crea un escenario en el que una máquina podría producir una prueba formal correcta que sea demasiado larga o compleja para que un humano la lea o interprete directamente. Esta limitación resalta una distinción crucial en el campo: las matemáticas no son simplemente una colección de problemas resueltos, sino un artefacto cultural humano arraigado en cómo los humanos cognizan el espacio, el tiempo y la cantidad. Sin la comprensión humana, el valor de una prueba puede reducirse a un mero punto de referencia para el rendimiento de la IA en lugar de una contribución al conocimiento humano.
Más allá de la mera generación de pruebas, la oportunidad más significativa para la IA puede residir en la 'matematización': el acto de inventar nuevos lenguajes matemáticos y marcos conceptuales para hacer que la realidad sea inteligible. Históricamente, los avances de figuras como Newton, Riemann y Grothendieck se definieron por su capacidad para crear estos nuevos marcos. Si bien sigue siendo incierto si los LLMs pueden realizar este nivel de invención conceptual, la capacidad de automatizar la 'mercancía' de la verificación de pruebas podría liberar a los humanos para concentrarse en estas tareas creativas de mayor nivel. Sin embargo, este cambio también requiere una reevaluación de la autoría y la revisión por pares. A medida que el trabajo generado por IA se basa en vastos cuerpos de literatura humana, la comunidad matemática debe desarrollar nuevos sistemas para asegurar que el crédito se atribuya correctamente y que la cultura matemática compartida siga siendo accesible y significativa para los investigadores humanos.