Un modelo de inteligencia artificial aún no publicado habría refutado la hipótesis del tiempo exponencial, una conjetura que durante más de dos décadas ha sustentado miles de artículos en informática teórica, teoría de grafos y biología computacional. El hallazgo fue reportado por la compañía que desarrolló el modelo el 16 de octubre, y al día siguiente ya había sido traducido a Lean, un lenguaje formal que permite a las máquinas verificar cada paso de una demostración matemática.

La hipótesis del tiempo exponencial se vincula directamente con el problema P vs NP, uno de los siete Problemas del Milenio —de los cuales solo uno ha sido resuelto hasta la fecha— y que ofrece un millón de dólares a quien lo resuelva. La conjetura sostenía que, incluso con los mejores algoritmos disponibles, el tiempo necesario para resolver los problemas computacionales más complejos crece de forma exponencial con cada variable adicional. De confirmarse su refutación, muchos de los supuestos teóricos que han validado esa barrera de dificultad tendrían que ser revisados desde sus fundamentos.

Tres resultados bajo escrutinio externo

Además de la refutación de la hipótesis del tiempo exponencial, la compañía presentó otros dos resultados: la demostración de la conjetura del suavizado local, planteada en 1991 por el matemático Christopher Sogge —que analiza cómo se suavizan las ondas al promediarse en el tiempo— y la validación matemática de la existencia de la teoría de Yang-Mills, un marco fundamental en la física de partículas. Los tres hallazgos han sido clasificados como "datos de investigación en bruto", una denominación que implica que aún no han superado el proceso de revisión por pares.

Para la verificación de la refutación de la hipótesis del tiempo exponencial, la compañía convocó a Russell Impagliazzo y Ramamohan Paturi, de la Universidad de California en San Diego —dos de los autores originales de la conjetura—, junto con Ryan Williams, investigador del MIT. La decisión de involucrar a los propios creadores de la hipótesis como árbitros es metodológicamente significativa: añade credibilidad al proceso, pero también expone el resultado a un escrutinio particularmente riguroso.

Implicaciones para la investigación científica con IA

Cada uno de estos tres resultados, de ser confirmados de forma independiente, representaría un aporte suficiente para sostener una carrera académica completa. Que un sistema de IA los haya generado en un período comprimido de tiempo plantea preguntas estructurales sobre el ritmo al que la inteligencia artificial puede producir conocimiento matemático verificable, y sobre los mecanismos institucionales necesarios para validarlo.

El caso también ilustra una tensión emergente en la intersección entre IA y ciencia: la velocidad de generación de hipótesis supera con creces la capacidad actual de verificación humana. Establecer protocolos robustos de revisión externa —como los grupos independientes que la compañía ha solicitado formar— se convierte en un requisito operativo, no solo en una formalidad académica. La credibilidad de estos avances dependerá, en última instancia, de la solidez de ese proceso de validación.