Ser capaz de investigar un problema matemático con IA no equivale a estar cerca de resolverlo. La mejor oportunidad no está en atacar directamente uno de los siete problemas del milenio desde la matemática pura, sino en elegir uno cuya estructura puedas convertir en un sistema computacional de experimentación, búsqueda de patrones y verificación de pruebas.

Si vienes de la ingeniería de software, tienes ventajas: algoritmos, arquitectura de sistemas, depuración, automatización y experiencia con agentes de IA, además de una forma de trabajar útil aquí: partir de evidencias observables, formular hipótesis y profundizar solo donde los resultados lo exigen. La oportunidad real es encontrar una pregunta precisa dentro de uno de esos problemas, aprender la matemática necesaria y producir resultados que puedan verificarse de forma independiente.

Lo que cambió esta semana. El curso de Platzi compartido se publicó el 7 de octubre de 2026: 100 clases breves y unas 10 horas, centradas en preprints de investigación matemática producidos con IA (teoría de números, conjetura de Hodge, geometría algebraica, Birch y Swinnerton-Dyer). El 26 de octubre, OpenAI anunció tres nuevos resultados de sus modelos: uno relacionado con la conjetura de Kakeya y el análisis armónico, otro que afirma refutar la hipótesis del tiempo exponencial (ETH) y otro sobre la existencia matemática de teorías cuánticas de campos que incluye Yang–Mills. Se están sometiendo a análisis con especialistas externos. Ver el análisis de este anuncio.

La investigación no consiste solo en inventar una ecuación. También requiere:

• Descomponer un problema complejo en afirmaciones verificables.
• Diseñar experimentos que puedan refutar una hipótesis.
• Encontrar contraejemplos y comprobar límites.
• Formalizar razonamientos para que un sistema independiente pueda verificar una demostración.

Advertencia esencial: refutar ETH no resuelve automáticamente P versus NP, aunque ambas cuestiones están estrechamente relacionadas. Tampoco basta con que un modelo produzca una demostración para considerar que la comunidad matemática ha validado todos sus pasos y consecuencias.

La conjetura de Poincaré ya está resuelta. Siguen abiertos P versus NP, la hipótesis de Riemann, la conjetura de Hodge, Birch y Swinnerton-Dyer, Navier–Stokes y Yang–Mills con brecha de masa. El estado de cualquier solución recién anunciada debe verificarse en las fuentes oficiales y en su proceso de revisión.

• P versus NP. La conexión con la programación es directa: encontrar una solución frente a verificar que es correcta, algoritmos, complejidad, búsqueda y validación. Entrada: familias concretas de algoritmos, cotas de complejidad, reducciones y las barreras conocidas para demostrar P ≠ NP o P = NP. Objetivo inicial: un resultado nuevo y riguroso sobre un subproblema de complejidad, no resolver P versus NP de inmediato.
• Hipótesis de Riemann. Encaja con tu interés por los patrones. Trata de los ceros no triviales de la función zeta y su relación con la distribución de los primos. Puedes construir experimentos, verificar cálculos y estudiar resultados parciales, pero encontrar patrones numéricos no la demuestra. Es una opción si disfrutas más la teoría de números que los algoritmos.
• Birch y Swinnerton-Dyer. Conecta con la computación y la criptografía: puntos racionales de curvas elípticas y una función asociada. Exige bastante teoría de números algebraica y geometría aritmética. Alternativa si te atraen las curvas elípticas.
• Navier–Stokes. Tentador porque se pueden simular fluidos, pero simular una posible singularidad no demuestra su existencia. La dificultad está en el análisis de ecuaciones en derivadas parciales. Para quien quiera matemática aplicada y física computacional.
• Hodge y Yang–Mills. También admiten herramientas computacionales, pero sus barreras conceptuales son considerables si partes sin formación especializada.

Una idea adecuada para quien programa, empezando por P versus NP: un laboratorio que aproveche agentes, automatizaciones, herramientas de análisis y sistemas de verificación.

1. Seleccionar una pregunta concreta. Una conjetura o un resultado de complejidad computacional.
2. Investigar mediante IA. Revisar bibliografía, proponer enfoques, identificar supuestos y generar contraejemplos.
3. Experimentar de forma reproducible. Ejecutar código, probar casos límite y registrar resultados.
4. Verificar formalmente. Usar Lean u otro asistente de pruebas para lo que pueda expresarse en su lógica.
5. Evaluar de manera independiente. Comparar con la literatura y pedir revisión especializada antes de afirmar que hay un resultado nuevo.

No necesitas ser matemático profesional para empezar a construirlo, pero sí aprender lo necesario para entender las afirmaciones, reconocer razonamientos inválidos y evaluar qué merece más investigación. OpenAI ya publica pruebas formalizadas en Lean para facilitar la revisión independiente, lo que refuerza la idea de construir sistemas que permitan verificar y no solo generar respuestas convincentes.

Plan inicial de 30 días

Periodo	Objetivo
Semana 1	Fundamentos de complejidad computacional: P, NP, reducciones y problemas NP-completos.
Semana 2	Elegir un resultado publicado sobre P versus NP y reconstruirlo paso a paso con ayuda de IA.
Semana 3	Crear experimentos reproducibles y comprobar las afirmaciones con código y, si es posible, Lean.
Semana 4	Documentar qué se ha verificado, qué sigue sin entenderse y si hay una pregunta que merezca más investigación.

El criterio de éxito del primer mes no es resolver un problema del milenio, sino pasar de consumir explicaciones de IA a entender, reproducir y evaluar críticamente una demostración matemática real.

Para personalizar la ruta importa qué reto te atrae más: saber si un problema difícil admite un algoritmo más eficiente, descubrir patrones ocultos en los primos, entender fenómenos físicos o construir agentes de IA que descubran y verifiquen demostraciones. También importan tu base matemática y tu disposición a estudiar matemática universitaria avanzada desde los fundamentos.

Objetivo de la ruta: investigar problemas matemáticos abiertos con IA, con interés principal en los patrones de los números primos y disposición a estudiar matemática universitaria desde los fundamentos; con un problema o subproblema realista, bibliografía, herramientas y un plan verificable.

La ruta aprovecha la experiencia en programación y agentes de IA y lleva progresivamente hacia la matemática necesaria para investigar los primos. No empieces intentando demostrar la hipótesis de Riemann: empieza con una pregunta delimitada, computable y verificable. Si encuentras algo interesante, podrás conectarlo con problemas abiertos de teoría de números.

Un hueco entre primos consecutivos es la diferencia entre un primo y el siguiente: g_n = p_n+1 − p_n. Los primos gemelos son parejas como (11, 13), con diferencia 2; sigue sin demostrarse que existan infinitos.

El proyecto no consiste en contar primos por contar, sino en construir un sistema que investigue tres preguntas:

1. ¿Cómo cambia la distribución de los huecos al aumentar la escala numérica?
2. ¿Qué patrones aparecen en los huecos entre las propias parejas de primos gemelos?
3. ¿Qué diferencias hay entre los datos observados y las predicciones de modelos matemáticos conocidos?

El tercer punto es importante: una diferencia respecto a una predicción puede revelar un error de implementación, una aproximación insuficiente o un fenómeno que merece estudio. No es automáticamente un descubrimiento matemático.

Un subproblema con objetivo verificable: reproducir y verificar de manera independiente los cálculos finitos usados para estudiar patrones de huecos entre primos. Para los primos menores que 100.000 hay 9.592 primos y 1.224 parejas de primos gemelos; el mayor hueco consecutivo es 72. Tu primera entrega debe reproducir esos valores con un programa propio, contrastarlos con una segunda implementación y dejar una ejecución reproducible. No resuelve una conjetura, pero demuestra que tienes una infraestructura fiable.

Combina un camino de aprendizaje con otro de investigación aplicada.

Camino A · Patrones y estadística de primos (primeros tres meses). Huecos consecutivos, parejas gemelas y diferencias entre observaciones y predicciones teóricas. Pregunta orientadora: ¿qué propiedades estadísticas se mantienen al cambiar la escala y cuáles son artefactos de una muestra finita? Entregable: informe reproducible con datos, gráficos, pruebas estadísticas y revisión de las conjeturas existentes.

Camino B · Verificación de resultados recientes (después de adquirir bases). Cálculos finitos que intervienen en los resultados sobre huecos acotados entre primos. En trabajos recientes se han comunicado cotas de hasta 186 para huecos que aparecen infinitas veces, pero hay que distinguir los resultados publicados y revisados de las afirmaciones recientes aún pendientes de revisión independiente. Pregunta orientadora: ¿puedes reproducir, verificar y documentar un componente computacional de una demostración publicada o prepublicada? Entregable: código reproducible, aritmética exacta o intervalar cuando corresponda, pruebas automatizadas y una lista explícita de supuestos matemáticos.

El segundo camino es especialmente interesante para quien programa: una demostración avanzada incluye cálculos extensos, optimizaciones numéricas y objetos combinatorios cuya comprobación independiente es valiosa. No necesitas dominar toda la demostración para auditar un componente, pero debes delimitar con precisión qué has verificado.

No empieces por un libro avanzado de análisis complejo. Sigue esta progresión.

1. A Friendly Introduction to Number Theory (Joseph H. Silverman) · Fundamentos. Para construir argumentos matemáticos y trabajar con divisibilidad, congruencias, primos y conjeturas, sin especialización previa. Referencia.
2. Teoría analítica de números (apuntes de Harvard) · Segundo nivel. Distribución de los primos, la función contadora π(x), logaritmos y el teorema de los números primos. Curso universitario avanzado: conviene llegar con cálculo y álgebra bien asentados. Curso.
3. Additive Combinatorics (Terence Tao y Van Vu) · Investigación avanzada. Herramientas combinatorias para estructuras aditivas y patrones; útil para progresiones aritméticas de primos y huecos acotados. No es para empezar desde cero. Página del libro y capítulos.

Separa la experimentación matemática de la verificación de las demostraciones.

Herramienta	Función
Python + SymPy	Prototipos, generación de primos, cálculos y experimentos rápidos.
SageMath	Experimentos más avanzados de teoría de números y álgebra.
PARI/GP	Cálculos especializados de teoría de números.
Lean 4 + Mathlib	Formalizar y verificar demostraciones matemáticas.
Git + pruebas automatizadas	Reproducir resultados, comparar versiones y detectar regresiones.

Para aprender Lean, empieza por la documentación oficial y el juego Natural Number Game. Su núcleo verifica los términos de prueba, aunque eso no garantiza que hayas formulado correctamente el teorema que pretendías demostrar.

Arquitectura: si dominas Java y Spring Boot, úsalos para construir una API de experimentos y un dashboard web. Mantén el núcleo matemático en Python al principio, en lugar de reimplementar todas las bibliotecas en Java.

• Semanas 1–2 · Fundamentos y primera implementación. Divisibilidad, primos, congruencias, demostración por contradicción e inducción. Criba de Eratóstenes y verificación de los primeros valores conocidos de π(x).
• Semanas 3–4 · Reproducibilidad. Generar los huecos consecutivos, contar parejas gemelas, registrar huecos máximos y contrastar con fuentes independientes. Automatizar pruebas de regresión.
• Semanas 5–8 · Estadística y literatura. Comparar distribuciones en varios intervalos, normalizar las diferencias cuando corresponda, estudiar las predicciones conocidas y registrar qué observaciones ya explica la literatura.
• Semanas 9–12 · Una pregunta delimitada. Elegir una observación concreta, formular una afirmación precisa, buscar contraejemplos y consultar literatura académica. Intentar una demostración elemental si procede; si no, documentar qué resultado conocido haría falta para avanzar.

Usa un agente para proponer hipótesis, otro para buscar resultados previos y un verificador independiente para revisar los cálculos. Que trabajen sobre afirmaciones concretas, no sobre preguntas vagas como «descubre el secreto de los primos».

Prompt inicial para el agente de investigación

Actúa como asistente de investigación en teoría de números computacional.
Objetivo: estudiar la distribución de los huecos entre primos consecutivos y las parejas de primos gemelos.
1. Define formalmente cada magnitud que vas a calcular.
2. Implementa un experimento reproducible y proporciona pruebas unitarias.
3. Contrasta los resultados con valores de referencia independientes.
4. Separa explícitamente teoremas demostrados, conjeturas, observaciones empíricas y aproximaciones estadísticas.
5. Busca bibliografía académica anterior que pueda explicar cada patrón observado.
6. Para cada hipótesis, intenta encontrar contraejemplos antes de proponer una explicación.
7. No afirmes que un resultado es nuevo sin identificar la literatura pertinente.
8. Si propones una demostración, enumera los lemas utilizados y señala cualquier paso no justificado.
Entrega: código, resultados reproducibles, fuentes, hipótesis descartadas y una lista de preguntas matemáticas pendientes.

No cuando la IA dibuje una curva interesante ni cuando encuentres una regularidad en millones de primos. Te acercas a una contribución cuando puedes:

• Demostrar una afirmación nueva y precisa.
• Mejorar un resultado conocido bajo hipótesis claramente especificadas.
• Encontrar y corregir un error verificable en un cálculo o argumento publicado.
• Producir una verificación independiente útil de un resultado existente.
• Formular una conjetura con evidencia sólida, explicar su relación con resultados anteriores y delimitar qué falta para demostrarla.

La última puede ser una contribución exploratoria valiosa, pero no equivale a resolver un problema abierto.

Empieza con los huecos entre primos y las parejas gemelas, construye el laboratorio reproducible y estudia en paralelo teoría de números. Después de 8–12 semanas, evalúa si te interesa más la estadística de los patrones o la demostración formal. Esa decisión te permitirá elegir un subproblema auténtico en lugar de comprometerte prematuramente con una conjetura famosa.

La apuesta no es que la experiencia de programación sustituya décadas de investigación matemática, sino que los conocimientos de ingeniería, algoritmos y verificación pueden dar una entrada natural a la investigación matemática asistida por IA.