La IA habría resuelto la conjetura de Ehrhart....

 La conjetura del volumen de Ehrhart es un problema de geometría convexa/discreta que pregunta algo aparentemente simple:

Si un cuerpo convexo $𝐾\subset {\mathbb{𝑅}}^{𝑛}$ tiene su baricentro en 0 y el único punto entero/lattice interior es precisamente $0$, ¿cuál es el volumen máximo posible?

La respuesta conjeturada por Ehrhart era:

$$\mathrm{vol}(𝐾)\le \frac{(𝑛+1{)}^{𝑛}}{𝑛!}$$

Y el caso extremo sería un simplex centrado, una especie de triángulo/tetraedro/simplex en dimensión $𝑛$. El nuevo resultado atribuido por OpenAI a su modelo interno Astra afirma haber demostrado esa cota exacta en toda dimensión. OpenAI publicó el resultado dentro de una colección de diez avances matemáticos, dice que los argumentos fueron generados por el modelo, preparados en manuscritos con intervención humana y después formalizados en Lean.

1. Qué significa la conjetura, en lenguaje simple

Imagina una figura convexa: sin agujeros, sin entrantes, como una bola deformada, un polígono, un poliedro, etc. Ahora impones dos restricciones:

Primera: su centro de masas está justo en el origen.

Segunda: dentro de la figura solo hay un punto de la red entera ${\mathbb{𝑍}}^{𝑛}$: el propio origen.

La pregunta es: ¿cuánto puede “hincharse” esa figura sin meter dentro otro punto entero?

Ehrhart sospechó que la figura de volumen máximo no sería una bola, ni un cubo, ni una figura simétrica, sino un simplex muy asimétrico pero perfectamente centrado. El artículo de OpenAI formula el teorema así: si $𝐾$ es un cuerpo convexo compacto de dimensión completa, con baricentro 0, y $\mathrm{int}(𝐾)\cap {\mathbb{𝑍}}^{𝑛}=\{0\}$, entonces su volumen es como máximo $(𝑛+1{)}^{𝑛}\mathrm{/}𝑛!$.

2. Por qué era difícil

La dificultad no era solo “calcular un volumen”. El problema mezclaba tres cosas que normalmente pertenecen a mundos distintos:

Geometría convexa: forma, volumen, baricentro.

Aritmética discreta: puntos enteros dentro de la figura.

Geometría compleja/analítica: funciones holomorfas, espacios de Bergman, ecuaciones de Monge–Ampère.

Los métodos clásicos daban cotas más débiles. Por ejemplo, argumentos basados en simetrización y el teorema de Minkowski podían producir algo del tipo $(𝑛+1{)}^{𝑛}$, pero faltaba el factor decisivo $1\mathrm{/}𝑛!$. Ese $𝑛!$ no era un detalle técnico: era la huella geométrica del simplex. Según las notas de OpenAI, los intentos de simetrización “olvidaban” cómo las $𝑛$ direcciones independientes encajan conjuntamente.

3. La idea clave de la IA: cambiar de lenguaje

La jugada importante fue no atacar directamente el cuerpo convexo $𝐾$, sino traducirlo a un problema de funciones.

El modelo usa una idea previa de Berman y Berndtsson: asociar al cuerpo convexo una función convexa suave $𝜑$, una especie de “potencial”, cuya geometría codifica el cuerpo $𝐾$. Más técnicamente, la función satisface una ecuación de Monge–Ampère y su gradiente transporta una medida log-cóncava hacia la medida de Lebesgue sobre $𝐾$. En la explicación de OpenAI, el avance fue darse cuenta de que esta estrategia no necesitaba que $𝐾$ fuera un politopo racional; podía aplicarse a un cuerpo convexo arbitrario.

Dicho más sencillo:

la IA convirtió una pregunta sobre “cuánto volumen cabe sin incluir puntos enteros” en una pregunta sobre “qué funciones holomorfas son integrables con cierto peso”.

Ese cambio de representación es lo decisivo.

4. Cómo entran los puntos enteros

Una vez construido el potencial $𝜑$, el argumento trabaja en el toro complejo abierto:

$$𝑋=({\mathbb{𝐶}}^{\ast }{)}^{𝑛}$$

Allí aparecen monomios de Laurent ${𝑧}^{𝑚}$, donde $𝑚\in {\mathbb{𝑍}}^{𝑛}$. Es decir: los puntos enteros de la red se convierten en exponentes de monomios.

El espacio de funciones relevantes en nivel $𝑘$, llamado ${𝐻}_{𝑘}$, queda generado por los monomios cuyos exponentes están dentro de $𝑘𝐾$. En la notación del manuscrito:

$${𝐻}_{𝑘}=\mathrm{span}\{{𝑧}^{𝑚}:𝑚\in {\mathbb{𝑍}}^{𝑛}\cap \mathrm{int}(𝑘𝐾)\}$$

Y aquí aparece una equivalencia preciosa: la hipótesis “el único punto entero interior de $𝐾$ es 0” se transforma en que el espacio de nivel 1 es solo el de las constantes:

$${𝐻}_1=\mathbb{𝐶}$$

Este paso es central: la restricción discreta del problema se convierte en una restricción funcional muy fuerte.

5. El “factor perdido” $1\mathrm{/}𝑛!$: conteo de jets

El gran obstáculo era explicar de dónde salía el $1\mathrm{/}𝑛!$. La IA lo encuentra en un sitio no obvio: en el conteo de jets, es decir, en el número de condiciones que impone a una función anularse hasta cierto orden en un punto.

Si una función holomorfa se anula hasta orden $𝑗$, desaparecen sus coeficientes de Taylor de grados bajos. El número de esas condiciones crece como el número de monomios de grado menor que $𝑗$ en $𝑛$ variables. Su término principal contiene precisamente un $1\mathrm{/}𝑛!$.

Esta es la parte bonita del argumento:

el $1\mathrm{/}𝑛!$ no sale de una estimación geométrica directa, sino del conteo combinatorio de coeficientes de Taylor en $𝑛$ variables.

Las notas de OpenAI dicen explícitamente que ese fue el “corazón numérico” de la investigación: el factor $1\mathrm{/}𝑛!$, invisible para los métodos de simetrización, aparece como el término dominante de la codimensión de los jets.

6. Dos pendientes que se comparan

El argumento construye una familia deformada de potenciales ${𝜓}_{𝑡}$, como si se moviera el sistema en un parámetro $𝑡$. A partir de ella define una función escalar $𝐿(𝑡)$, una especie de “energía” o “log-partición”.

La prueba se reduce a encerrar la pendiente inicial ${𝐿}_{+}^{\mathrm{\prime }}(0)$ entre dos desigualdades:

$$\frac{𝑛}{𝑛+1}(𝑛!𝑉{)}^{1\mathrm{/}𝑛}\le {𝐿}_{+}^{\mathrm{\prime }}(0)\le 𝑛$$

donde $𝑉=\mathrm{vol}(𝐾)$.

La primera desigualdad viene del conteo de jets, es decir, de la estructura discreta/lattice.

La segunda viene de un argumento analítico: una estimación tipo Schwarz en una bola compleja que se encoge. Como esa bola vive en dimensión real $2𝑛$, aparece el límite superior $𝑛$.

Al juntar ambas:

$$\frac{𝑛}{𝑛+1}(𝑛!𝑉{)}^{1\mathrm{/}𝑛}\le 𝑛$$

y de ahí se despeja:

$$𝑉\le \frac{(𝑛+1{)}^{𝑛}}{𝑛!}$$

Ese es exactamente el volumen conjeturado por Ehrhart.

7. Por qué esto es un ejemplo potente de IA matemática

No parece que la IA haya hecho solo fuerza bruta. Según los documentos publicados, el modelo habría hecho algo más parecido a investigación matemática real:

Primero, identificó que los métodos directos de geometría convexa perdían el factor $1\mathrm{/}𝑛!$.

Segundo, recuperó una línea inspirada en geometría tórica y análisis complejo.

Tercero, generalizó esa línea para cuerpos convexos arbitrarios, no solo politopos racionales.

Cuarto, encontró el mecanismo exacto: convertir puntos de red en monomios, usar espacios de Bergman, filtrar por orden de anulación y comparar pendientes mediante convexidad.

Quinto, el resultado fue formalizado en Lean, según el repositorio publicado por OpenAI. Eso no sustituye por completo la recepción por la comunidad matemática, pero sí eleva mucho el listón de verificabilidad frente a una simple “demostración en lenguaje natural”.

8. Traducción a pensamiento sistémico / RMS

Este caso encaja muy bien en marco de analisis RMS porque muestra una operación típica de pensamiento complejo:un problema no se resuelve dentro del nivel donde aparece, sino cambiando de representación y conectando sistemas distintos.

Aquí había un sistema geométrico visible:cuerpo convexo → volumen → baricentro → puntos enteros

Pero la solución aparece al conectarlo con otro sistema:

potenciales convexos → funciones holomorfas → espacios de Bergman → jets → convexidad analítica

En lenguaje RMS:

Recursos: cuerpo convexo, lattice, volumen, baricentro, potenciales, monomios, espacios funcionales.

Mecanismos: transporte Monge–Ampère, conteo de jets, kernel de Bergman, convexidad, estimaciones locales.

Sistema: una arquitectura matemática donde lo discreto, lo geométrico y lo analítico se traducen entre sí.

La enseñanza metodológica es fuerte: la IA no solo “calcula”; detecta que el bloqueo está en una mala arquitectura de representación. Los enfoques simétricos veían demasiado poco. El cambio sistémico fue pasar de “figuras y volúmenes” a “funciones, espacios y pendientes”.

Síntesis final

La IA habría resuelto la conjetura de Ehrhart demostrando que ningún cuerpo convexo centrado, con el origen como único punto entero interior, puede superar el volumen del simplex centrado. La clave no fue inflar o comparar cuerpos directamente, sino construir un puente entre geometría convexa, puntos enteros y análisis complejo. El factor decisivo $1\mathrm{/}𝑛!$, que los métodos geométricos perdían, apareció como conteo de condiciones de Taylor en $𝑛$ variables. Esa es la belleza del resultado: la forma extrema —el simplex— estaba escondida en la combinatoria de los jets

Los diez problemas

https://intafuturo.blogspot.com/2026/08/ia-y-matematicas-el-verdadero-salto-de.html

1. High-dimensional sphere packing — empaquetamiento de esferas en altas dimensiones.
2. Binary and spherical codes — códigos binarios y esféricos.
3. Non-sofic groups — existencia de grupos no sóficos.
4. Connes’s rigidity conjecture — conjetura de rigidez de Connes.
5. Arithmetic circuit complexity — complejidad de circuitos aritméticos.
6. Quantum parallel repetition — repetición paralela cuántica.
7. Closest Vector Problem — problema del vector más cercano.
8. Ehrhart’s volume conjecture — conjetura del volumen de Ehrhart.
9. Multicolor Ramsey numbers — números de Ramsey multicolor.
10. Compactness and degeneracy conjectures en teoría extremal de grafos.

OpenAI presenta los diez resultados como avances generados por una versión interna de Astra, después preparados en manuscritos y formalizados en Lean. 

La lista oficial incluye: empaquetamiento de esferas, códigos binarios/esféricos, grupos no sóficos, rigidez de Connes, circuitos aritméticos, repetición paralela cuántica, closest vector problem, conjetura de Ehrhart, Ramsey multicolor y extremal graph theory.

 High-dimensional sphere packing

. Idea clave: el problema geométrico de empaquetar esferas se traduce en un problema de Fourier y de incertidumbre de signo. El resultado determina el límite asintótico del método Cohn–Elkies y mejora el exponente general desde Kabatianskii–Levenshtein 1978.

. Binary and spherical codes
 Es el hermano natural del empaquetamiento de esferas. En vez de preguntar “cuántas esferas caben en un espacio continuo”, pregunta “cuántas palabras binarias o puntos sobre una esfera pueden separarse suficientemente entre sí”. OpenAI afirma mejoras exponenciales en cotas superiores para códigos binarios a distancia mínima prescrita y resultados análogos para códigos esféricos de alta dimensión.

 Connes’s rigidity conjecture
Aquí entramos en álgebras de von Neumann y teoría de grupos. La idea fuerte: refutar que ciertos grupos queden determinados de forma rígida por su álgebra de von Neumann. OpenAI afirma que construye infinitas familias de grupos con propiedad $𝑇$, no isomorfos entre sí, pero con la misma álgebra de von Neumann.

Arithmetic circuit complexity
Complejidad algebraica. Pregunta de fondo: ¿cuántos recursos necesita un circuito aritmético para calcular el permanente? Es el análogo algebraico de grandes problemas tipo P vs NP. OpenAI declara nuevas cotas inferiores, incluyendo una cota de fórmulas aritméticas del orden ${𝑛}^4\mathrm{/}\log 𝑛$.

Quantum parallel repetition
Teoría de juegos cuánticos y complejidad. La pregunta: si repites muchas veces un juego cuántico, ¿la probabilidad de ganar cae exponencialmente como en el caso clásico? OpenAI afirma un teorema de repetición paralela exponencial para juegos cuánticos bipartitos finitos.

Closest Vector Problem
Problema central en retículos/lattices: dado un retículo y un punto, encontrar el vector del retículo más cercano. Es importante en criptografía postcuántica. OpenAI afirma dureza de aproximación con factor polinómico para CVP euclídeo.

 Multicolor Ramsey numbers
Combinatoria extrema. Pregunta: ¿cuántos vértices necesitas para garantizar un triángulo monocromático si coloreas las aristas con muchos colores? OpenAI afirma una cota inferior superexponencial para números de Ramsey multicolor de triángulos.

Compactness and degeneracy conjectures en teoría extremal de grafos
También combinatoria extrema. Aquí la IA habría construido grafos bipartitos que refutan dos conjeturas: la de compactness de Erdős–Simonovits y una conjetura de degeneracy de Erdős.

Clave común de todos

La pauta que se repite es muy RMS:

La IA no resuelve solo calculando más; resuelve cambiando la arquitectura del problema.

En sphere packing cambia geometría por Fourier.
En códigos cambia separación discreta por programación lineal/esférica.
En grupos no sóficos cambia aproximabilidad finita por expansores y rigidez.
En Connes cambia identidad algebraica por construcción de grupos no isomorfos.
En circuitos cambia cálculo concreto por barreras estructurales.
En CVP cambia búsqueda geométrica por reducción de complejidad.
En Ramsey/grafos cambia azar/combinatoria por construcciones extremales.

Los modelos matemáticos generados por IA comienzan a generar conocimiento científico original, verificable y económicamente barato.

https://articulosclaves.blogspot.com/2026/08/los-modelos-matematicos-generados-por.html