ChatGPT resuelve un misterio que la humanidad llevaba medio siglo intentando descifrar — y la clave estaba en una sola frase

Un problema matemático en el que se había trabajado sin éxito durante más de 50 años fue resuelto inesperadamente por un modelo de lenguaje de OpenAI. El nuevo GPT-5.6 Sol construyó una demostración de la hipótesis del doble recubrimiento cíclico de grafos, y los desarrolladores publicaron el resultado al mismo tiempo que el lanzamiento abierto del modelo. Cabe destacar que una de las condiciones del éxito no fue una nueva idea matemática, sino simplemente... el prompt correcto para la inteligencia artificial.

La hipótesis del doble recubrimiento cíclico surgió ya en los años setenta. Varios matemáticos plantearon independientemente que casi cualquier grafo posee cierta estructura, pero nadie consiguió demostrar la afirmación para todos los casos posibles. A lo largo de las décadas los investigadores resolvieron solo ejemplos puntuales.

A pesar del nombre coloquial, en este problema un grafo no tiene relación con diagramas. En matemáticas un grafo es un conjunto de vértices conectados por aristas. Ese tipo de construcciones se usan para describir rutas de transporte, redes informáticas, relaciones sociales, circuitos eléctricos y multitud de otros sistemas en los que importan las relaciones entre objetos.

Un ciclo es un camino cerrado que comienza y termina en un mismo vértice sin interrumpirse durante el trayecto. El doble recubrimiento cíclico es un conjunto especial de tales ciclos en el que cada arista del grafo aparece exactamente en dos rutas cerradas. A primera vista la condición parece artificial, pero problemas como este ayudan a comprender mejor la estructura de redes complejas y las propiedades de los grafos que subyacen a distintos ámbitos de la matemática y la informática.

La nueva demostración afirma que cualquier grafo que cumpla las condiciones de la hipótesis puede cubrirse con no más de ocho ciclos escogidos adecuadamente. La excepción la constituyen los grafos que contienen grandes regiones conectadas entre sí por una única arista. Los autores del artículo comparan esa situación con dos ciudades que solo están unidas por una carretera.

Según los especialistas, lo inesperado no fue solo el resultado en sí, sino también la forma de obtenerlo. La demostración no se basa en un aparato matemático conceptualmente nuevo. En su lugar, el modelo combinó y desarrolló de forma secuencial métodos que ya habían aparecido en investigaciones previas. En esencia, la red neuronal logró extraer de los enfoques conocidos más de lo que habían conseguido los humanos.

Este caso llevó a los matemáticos a preguntarse si muchos de los famosos problemas abiertos son realmente tan difíciles como suele considerarse. A veces un problema conserva durante años la reputación de prácticamente irresoluble, aunque la solución resulta ser mucho más corta y sencilla de lo esperado.

También existe un efecto psicológico. Cuando a un problema se le pone la etiqueta de «muy difícil», los investigadores tienden a cambiar gradualmente de dirección. Los jóvenes especialistas también lo eligen menos para sus trabajos, porque la probabilidad de éxito parece demasiado baja. Como resultado, el problema permanece durante décadas sin nuevas aproximaciones, aunque la solución adecuada pueda estar muy cerca.

OpenAI, junto con la publicación de la demostración, divulgó el texto del prompt que recibió el modelo. Este mostró lo inusuales que a veces pueden ser las instrucciones necesarias para resolver problemas matemáticos complejos.

Los desarrolladores no se limitaron a pedir simplemente que se encontrara una demostración. Encargaron al modelo dividir el trabajo entre 64 agentes independientes que investigaran en paralelo distintas direcciones y compartieran resultados intermedios. Ese esquema ya se utiliza para reducir el número de errores, demostraciones falsas y referencias fabricadas que a veces afectan a los grandes modelos de lenguaje.

En la instrucción se prohibió expresamente al modelo responder que la tarea aún se considera no resuelta y por tanto buscar una demostración es inútil. En OpenAI partieron de la base de que los modelos de lenguaje con frecuencia adoptan conclusiones de los datos de entrenamiento y prefieren repetir la opinión aceptada en lugar de buscar por su cuenta una solución nueva.

La parte más inusual del prompt fue la exigencia de no precipitarse en las conclusiones. Indicaron al modelo dedicar al problema al menos ocho horas antes de pensar en dar por terminada la tarea o en reconocer la derrota. Formalmente, la inteligencia artificial no reflexionó ocho horas seguidas en el sentido humano, pero la instrucción hizo que el sistema realizara muchas más comprobaciones intermedias y no se detuviera tras los primeros intentos fallidos.

A juicio de los matemáticos, ese comportamiento coincide bien con la práctica de uso de los actuales grandes modelos de lenguaje. En muchos casos llegan demasiado pronto a la conclusión de que es imposible encontrar una demostración, especialmente si saben que durante años la comunidad no ha resuelto el problema. Instrucciones bien formuladas pueden obligar al modelo a continuar la búsqueda pese a las dificultades.

En los últimos años las demostraciones matemáticas se usan cada vez más como una de las formas más rigurosas de comprobar la capacidad de razonamiento de la inteligencia artificial. A diferencia de las pruebas habituales, aquí no basta con ofrecer una respuesta verosímil: cada paso debe seguir lógicamente del anterior y la demostración final debe resistir la verificación independiente.

Si el resultado se confirma de forma definitiva, el trabajo será otro ejemplo de la aplicación de modelos de lenguaje en la matemática fundamental —junto a las tareas habituales de búsqueda y generación de texto. Al mismo tiempo, la historia de la hipótesis del doble recubrimiento cíclico muestra que el éxito depende no solo de las capacidades del propio modelo, sino también de la habilidad de la persona para formular la tarea y organizar el proceso de búsqueda de la solución.