{"id":66135,"date":"2026-08-12T18:40:07","date_gmt":"2026-08-12T18:40:07","guid":{"rendered":"https:\/\/overcentral.com\/es\/?p=66135"},"modified":"2026-08-12T18:40:07","modified_gmt":"2026-08-12T18:40:07","slug":"claude-avance-hipotesis-riemann","status":"publish","type":"post","link":"https:\/\/overcentral.com\/es\/claude-avance-hipotesis-riemann\/","title":{"rendered":"Claude supera l\u00edmite matem\u00e1tico del 41,6% al 67,2% en hip\u00f3tesis de Riemann"},"content":{"rendered":"

Claude, el modelo de inteligencia artificial de Anthropic<\/a>, ha logrado un avance inesperado en un problema derivado de la hip\u00f3tesis de Riemann<\/a>, uno de los grandes enigmas matem\u00e1ticos del \u00faltimo siglo y medio. En un experimento sin precedentes, la IA elev\u00f3 un l\u00edmite matem\u00e1tico clave del 41,6 % al 67,2 %, un salto cuantitativo que los matem\u00e1ticos humanos no hab\u00edan conseguido en d\u00e9cadas. Lo extraordinario del caso no es solo el resultado, sino el proceso: un empleado de Anthropic sin formaci\u00f3n en matem\u00e1ticas avanzadas logr\u00f3 guiar al modelo con instrucciones tan simples como \u00absigue adelante\u00bb y \u00abcree en ti mismo\u00bb.<\/p>\n

Qu\u00e9 es la hip\u00f3tesis de Riemann y por qu\u00e9 lleva 165 a\u00f1os sin resolverse<\/h2>\n

Formulada en 1859 por el matem\u00e1tico alem\u00e1n Bernhard Riemann, la hip\u00f3tesis de Riemann es un problema sobre la distribuci\u00f3n de los n\u00fameros primos. Riemann propuso que todos los ceros no triviales de la funci\u00f3n zeta tienen parte real igual a 1\/2. D\u00e9cadas de trabajo han confirmado este comportamiento para miles de millones de ceros, pero una prueba general sigue siendo esquiva. El Clay Mathematics Institute<\/a> la incluy\u00f3 entre sus siete Problemas del Milenio, con un premio de un mill\u00f3n de d\u00f3lares para quien logre demostrarla o refutarla. A d\u00eda de hoy, ni los matem\u00e1ticos m\u00e1s brillantes ni las mejores inteligencias artificiales han conseguido cerrar el caso.<\/p>\n

El desaf\u00edo no es solo t\u00e9cnico: la hip\u00f3tesis tiene profundas implicaciones en teor\u00eda de n\u00fameros, criptograf\u00eda y f\u00edsica. Cualquier progreso, por parcial que sea, representa un hito. Lo que logr\u00f3 Claude fue avanzar en uno de los resultados derivados de la hip\u00f3tesis \u2014un l\u00edmite inferior sobre ciertas propiedades\u2014 que llevaba d\u00e9cadas estancado.<\/p>\n

El experimento de Anthropic: 650 ideas fallidas y una insistencia humana<\/h2>\n

Jarred Sumner, empleado de Anthropic sin formaci\u00f3n espec\u00edfica en matem\u00e1ticas avanzadas, decidi\u00f3 poner a prueba una variante experimental de Claude. Su primera instrucci\u00f3n fue directa: que intentara resolver la hip\u00f3tesis de Riemann sin m\u00e1s restricciones. El modelo gener\u00f3 y prob\u00f3 650 ideas. Ninguna funcion\u00f3. Sin embargo, Sumner no se detuvo ah\u00ed.<\/p>\n

\u00abNo te rindas, IA\u00bb, fue su mensaje reiterado durante el siguiente d\u00eda y medio. Claude escribi\u00f3 cientos de scripts en Python y realiz\u00f3 comprobaciones num\u00e9ricas sistem\u00e1ticas. Fue entonces cuando dos de los subagentes que se activaron en el proceso encontraron ideas que permit\u00edan avanzar en uno de los resultados derivados de la hip\u00f3tesis, un campo que tambi\u00e9n llevaba d\u00e9cadas progresando muy lentamente. La clave estaba en conectar trabajos recientes de varios matem\u00e1ticos que hab\u00edan investigado el problema por separado, sin que nadie hubiera detectado antes que esas herramientas pod\u00edan combinarse.<\/p>\n

El papel de la persistencia: \u00bfpor qu\u00e9 funcion\u00f3 \u00abcree en ti mismo\u00bb?<\/h3>\n

Durante buena parte del proceso, las intervenciones de Sumner se limitaron a decirle al modelo frases como \u00absigue adelante\u00bb y \u00abcree en ti mismo\u00bb. Algunos observadores se\u00f1alaron que esto no tiene que ver con la autoestima de una m\u00e1quina, sino con el permiso impl\u00edcito para consumir m\u00e1s c\u00f3mputo a pesar de los fracasos repetidos. Al no poner un l\u00edmite nuevo tras cada intento fallido, el modelo pudo explorar caminos que de otro modo habr\u00edan quedado truncados. Hay quien afirma que esta teor\u00eda no tiene mucho sentido, pero los hechos son tozudos: el resultado lleg\u00f3.<\/p>\n

Del 41,6 % al 67,2 %: qu\u00e9 significa ese salto cuantitativo<\/h2>\n

El l\u00edmite sobre el que Claude trabaj\u00f3 es una cota inferior en un resultado derivado de la hip\u00f3tesis de Riemann. Sin entrar en el detalle t\u00e9cnico (que el propio modelo explic\u00f3 en un documento validado posteriormente), se trata de la proporci\u00f3n de casos o propiedades que se pueden afirmar con certeza bajo ciertas condiciones de la funci\u00f3n zeta. Durante d\u00e9cadas, ese l\u00edmite se hab\u00eda movido muy lentamente, con avances de apenas unos puntos porcentuales cada varios a\u00f1os. Que una IA lo elevara del 41,6 % al 67,2 % en una sola sesi\u00f3n de trabajo representa un progreso de a\u00f1os \u2014quiz\u00e1 d\u00e9cadas\u2014 comprimido en menos de 48 horas.<\/p>\n

El paso de 650 ideas fallidas a un hallazgo concreto ilustra la naturaleza del trabajo matem\u00e1tico asistido por IA: el modelo no descubri\u00f3 una teor\u00eda completamente nueva, sino que recorri\u00f3 vastas colecciones de literatura cient\u00edfica para detectar conexiones que los humanos no hab\u00edan logrado ver. Es un patr\u00f3n que comienza a repetirse en investigaciones cient\u00edficas de todo tipo.<\/p>\n

C\u00f3mo Claude conect\u00f3 los puntos entre trabajos de matem\u00e1ticos humanos<\/h3>\n

Para lograr el avance, Claude combin\u00f3 resultados de diversos matem\u00e1ticos que hab\u00edan trabajado sobre la hip\u00f3tesis de Riemann en los \u00faltimos a\u00f1os. La novedad del modelo fue detectar que todas esas herramientas desarrolladas por expertos humanos se pod\u00edan ensamblar para superar el l\u00edmite anterior. No se trat\u00f3 de una idea radicalmente nueva, sino de una s\u00edntesis inteligente que ning\u00fan investigador individual hab\u00eda realizado.<\/p>\n

Este tipo de patr\u00f3n \u2014la IA como conectora de conocimiento fragmentado\u2014 est\u00e1 empezando a emerger en campos como la biolog\u00eda computacional, la f\u00edsica de materiales y, ahora, las matem\u00e1ticas puras. La capacidad de procesar miles de art\u00edculos, mantener el contexto de cada uno y buscar intersecciones no evidentes es un talento genuinamente complementario al del investigador humano.<\/p>\n

31 millones de tokens y una validaci\u00f3n matem\u00e1tica rigurosa<\/h2>\n

El experimento consumi\u00f3 recursos computacionales masivos. Las dos sesiones de Claude Code que se utilizaron generaron 31 millones de tokens de salida. Aunque Anthropic no detall\u00f3 el coste econ\u00f3mico exacto, la cifra da una idea de la magnitud de c\u00f3mputo involucrada.<\/p>\n

Despu\u00e9s de encontrar el resultado, los agentes de Claude no se limitaron a darlo por bueno. Intentaron desmontarlo activamente, buscaron contraejemplos, descargaron 54 estudios relacionados en arXiv para comprobar que nadie hubiera publicado esa idea previamente, y luego volvieron a demostrar la proposici\u00f3n desde cero. Dos matem\u00e1ticos de Anthropic estudiaron la prueba resultante mediante la plataforma Lean, un asistente de verificaci\u00f3n formal, y la validaron. Ese proceso de revisi\u00f3n interna es tan importante como el hallazgo mismo, porque garantiza que el resultado no es un espejismo estad\u00edstico ni una coincidencia num\u00e9rica.<\/p>\n

Lean: la red de seguridad que certifica el trabajo de la IA<\/h3>\n

Lean es un sistema de verificaci\u00f3n de pruebas matem\u00e1ticas asistido por ordenador. Permite escribir demostraciones en un lenguaje formal que la m\u00e1quina puede comprobar paso a paso, eliminando el margen de error humano o de interpretaci\u00f3n. Que los matem\u00e1ticos de Anthropic validaran la prueba de Claude mediante Lean es una se\u00f1al de que el resultado se sostiene sobre fundamentos s\u00f3lidos. No es la primera vez que se usa Lean para certificar hallazgos de IA, pero s\u00ed una de las aplicaciones m\u00e1s ambiciosas hasta la fecha.<\/p>\n

Implicaciones para la investigaci\u00f3n matem\u00e1tica: \u00bfestamos ante un nuevo tipo de matem\u00e1tico?<\/h2>\n

Puede que Claude no sea, de momento, el matem\u00e1tico m\u00e1s genial del mundo. Pero tanto \u00e9l como otros modelos que est\u00e1n asombrando en el campo de las matem\u00e1ticas est\u00e1n dejando algo claro: pueden comportarse como investigadores infatigables, capaces de consumir enormes cantidades de literatura para encontrar conexiones \u00fatiles. La hip\u00f3tesis de Riemann sigue infranqueable, pero la IA sigue confirmando que su capacidad bruta puede sernos de mucha ayuda.<\/p>\n

El contraste con hitos anteriores es revelador. En 1997, Deep Blue redefini\u00f3 el ajedrez al vencer a Garry Kasparov. Hoy, OpenAI y Anthropic apuntan a algo similar con las matem\u00e1ticas: no solo resolver problemas, sino descubrir caminos que los humanos no hab\u00edan explorado. La diferencia es que las matem\u00e1ticas son un dominio mucho m\u00e1s amplio y complejo que el ajedrez, y los modelos actuales a\u00fan tropiezan con problemas de razonamiento profundo y generalizaci\u00f3n.<\/p>\n

Preguntas frecuentes sobre el avance de Claude en la hip\u00f3tesis de Riemann<\/h3>\n

\u00bfQu\u00e9 significa exactamente que Claude haya pasado del 41,6 % al 67,2 %?<\/strong>
Significa que, en un resultado derivado de la hip\u00f3tesis de Riemann \u2014una cota inferior sobre ciertas propiedades de la funci\u00f3n zeta\u2014 la IA logr\u00f3 elevar el l\u00edmite conocido desde el 41,6 % hasta el 67,2 %. Es decir, ahora se puede afirmar con certeza que, bajo las condiciones establecidas, un 67,2 % de los casos cumplen la propiedad, frente al 41,6 % anterior. Es un avance cuantitativo significativo en un problema que llevaba d\u00e9cadas estancado.<\/p>\n

\u00bfClaude ha resuelto la hip\u00f3tesis de Riemann?<\/strong>
No. La hip\u00f3tesis de Riemann sigue sin demostrarse ni refutarse. El avance se produjo en uno de sus resultados derivados, no en la hip\u00f3tesis central. Anthropic se\u00f1al\u00f3 expl\u00edcitamente que no espera que las t\u00e9cnicas encontradas ayuden a resolver el problema original.<\/p>\n

\u00bfC\u00f3mo logr\u00f3 Claude este avance sin ser un matem\u00e1tico experto?<\/strong>
El modelo combin\u00f3 trabajos recientes de varios matem\u00e1ticos humanos que hab\u00edan investigado el problema por separado. Claude detect\u00f3 que esas herramientas pod\u00edan integrarse para superar el l\u00edmite anterior. No cre\u00f3 teor\u00eda nueva, sino que identific\u00f3 una conexi\u00f3n que nadie hab\u00eda visto. El proceso fue guiado por un empleado sin formaci\u00f3n matem\u00e1tica avanzada, Jarred Sumner, que simplemente insisti\u00f3 en que el modelo siguiera intent\u00e1ndolo.<\/p>\n

\u00bfQu\u00e9 papel jug\u00f3 la validaci\u00f3n con Lean?<\/strong>
Dos matem\u00e1ticos de Anthropic usaron la plataforma Lean para verificar formalmente la prueba generada por Claude. Lean permite escribir demostraciones en un lenguaje que la m\u00e1quina comprueba paso a paso, eliminando errores humanos. La validaci\u00f3n confirm\u00f3 que el resultado es correcto y no un artefacto estad\u00edstico.<\/p>\n

\u00bfCu\u00e1nto cost\u00f3 este experimento en t\u00e9rminos de recursos?<\/strong>
Se generaron 31 millones de tokens de salida en dos sesiones de Claude Code. Anthropic no revel\u00f3 el coste econ\u00f3mico exacto, pero la cifra indica un uso masivo de capacidad computacional. Adem\u00e1s, los agentes descargaron 54 estudios de arXiv para verificar que nadie hubiera publicado la idea antes.<\/p>\n

La IA como investigadora incansable: el patr\u00f3n que se repite en ciencia<\/h2>\n

El caso de Claude y la hip\u00f3tesis de Riemann no es aislado. En otros campos, la inteligencia artificial est\u00e1 empezando a demostrar que puede actuar como una fuerza de exploraci\u00f3n sistem\u00e1tica, recorriendo bibliotecas enteras de conocimiento en busca de combinaciones no evidentes. En biolog\u00eda, ha identificado nuevas dianas farmacol\u00f3gicas; en f\u00edsica de materiales, ha sugerido compuestos con propiedades inesperadas; en matem\u00e1ticas, est\u00e1 ayudando a resolver conjeturas que llevaban d\u00e9cadas abiertas.<\/p>\n

Lo que distingue a estos sistemas no es la creatividad en el sentido humano \u2014no generan marcos te\u00f3ricos completamente nuevos\u2014, sino la persistencia y la capacidad de mantener contexto sobre miles de documentos. Un investigador humano tarda a\u00f1os en especializarse en una sub\u00e1rea; una IA puede leer todos los art\u00edculos publicados sobre esa sub\u00e1rea en cuesti\u00f3n de horas y detectar patrones que nadie hab\u00eda anotado.<\/p>\n

El rol del humano en la ecuaci\u00f3n: de matem\u00e1tico experto a entrenador de persistencia<\/h3>\n

El experimento de Anthropic revela un cambio sutil pero profundo en la din\u00e1mica de la investigaci\u00f3n asistida por IA. Jarred Sumner no era un matem\u00e1tico experto, pero entend\u00eda c\u00f3mo interactuar con el modelo para mantenerlo en la pista. Su contribuci\u00f3n no fue t\u00e9cnica, sino estrat\u00e9gica: decidir cu\u00e1ndo insistir, cu\u00e1ndo dar permiso para consumir m\u00e1s recursos, cu\u00e1ndo decir \u00abcree en ti mismo\u00bb. Esa habilidad \u2014gestionar la perseverancia de una m\u00e1quina\u2014 puede convertirse en una competencia valiosa en los laboratorios del futuro.<\/p>\n

Algunos cr\u00edticos se\u00f1alan que atribuir emociones a la IA es un antropomorfismo enga\u00f1oso, y que lo que realmente hizo Sumner fue eliminar los l\u00edmites de c\u00f3mputo que el propio sistema se impone tras fracasos repetidos. Desde esa perspectiva, el prompt \u00abcree en ti mismo\u00bb no es m\u00e1s que una forma coloquial de decir \u00abreintenta con m\u00e1s recursos\u00bb. Sea cual sea la explicaci\u00f3n, el resultado es el mismo: se logr\u00f3 un avance que llevaba d\u00e9cadas resisti\u00e9ndose.<\/p>\n

El futuro de la IA en matem\u00e1ticas: \u00bfhacia una colaboraci\u00f3n simbi\u00f3tica?<\/h2>\n

La hip\u00f3tesis de Riemann sigue siendo una frontera infranqueable, pero el experimento de Anthropic sugiere que la IA puede ser una herramienta poderosa para progresar en sus derivados y en problemas similares. La combinaci\u00f3n de exploraci\u00f3n masiva, conexi\u00f3n de literatura dispersa y verificaci\u00f3n formal con Lean apunta a un ecosistema donde humanos y m\u00e1quinas colaboran de forma simbi\u00f3tica: los humanos establecen la direcci\u00f3n y la persistencia; las m\u00e1quinas ejecutan la exploraci\u00f3n y la s\u00edntesis.<\/p>\n

No se trata de reemplazar a los matem\u00e1ticos, sino de amplificar su alcance. Un investigador humano puede tener una intuici\u00f3n brillante, pero le llevar\u00e1 meses o a\u00f1os probar todas sus consecuencias. Una IA puede tomar esa intuici\u00f3n, explorar sus ramificaciones en miles de direcciones y devolver al humano las conexiones m\u00e1s prometedoras. El tiempo de ciclo se comprime, y lo que antes requer\u00eda toda una carrera acad\u00e9mica puede ahora lograrse en semanas.<\/p>\n

El verdadero impacto del avance de Claude no est\u00e1 en el 67,2 % \u2014una cifra que probablemente ser\u00e1 superada pronto\u2014, sino en la demostraci\u00f3n de que un modelo de lenguaje, guiado por un no experto, puede contribuir de forma significativa a un problema matem\u00e1tico de primer nivel. Si la tendencia contin\u00faa, podr\u00edamos estar asistiendo al nacimiento de una nueva forma de hacer matem\u00e1ticas, donde la genialidad sigue siendo humana, pero la persistencia es m\u00e1quina.<\/p>\n","protected":false},"excerpt":{"rendered":"

Claude, el modelo de inteligencia artificial de Anthropic, ha logrado un avance inesperado en un problema derivado de la hip\u00f3tesis de Riemann, uno de los grandes enigmas matem\u00e1ticos del \u00faltimo siglo y medio. En un experimento sin precedentes, la IA elev\u00f3 un l\u00edmite matem\u00e1tico clave del 41,6 % al 67,2 %, un salto cuantitativo que […]<\/p>\n","protected":false},"author":2,"featured_media":66138,"comment_status":"closed","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"fifu_image_url":"https:\/\/raw.githubusercontent.com\/medeiroslima\/overcentral-images\/main\/images\/ocie_1786560025751.jpg","fifu_image_alt":"Claude supera l\u00edmite matem\u00e1tico del 41,6% al 67,2% en hip\u00f3tesis de Riemann","footnotes":""},"categories":[5],"tags":[],"class_list":["post-66135","post","type-post","status-publish","format-standard","has-post-thumbnail","category-tecnologia"],"fifu_image_url":"https:\/\/raw.githubusercontent.com\/medeiroslima\/overcentral-images\/main\/images\/ocie_1786560025751.jpg","fifu_image_alt":"Claude supera l\u00edmite matem\u00e1tico del 41,6% al 67,2% en hip\u00f3tesis de Riemann","_links":{"self":[{"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/posts\/66135","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/comments?post=66135"}],"version-history":[{"count":2,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/posts\/66135\/revisions"}],"predecessor-version":[{"id":66137,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/posts\/66135\/revisions\/66137"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/media\/66138"}],"wp:attachment":[{"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/media?parent=66135"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/categories?post=66135"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/overcentral.com\/es\/wp-json\/wp\/v2\/tags?post=66135"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}