Tabla de contenido
Recompensas verificables: cómo la IA aprendió a demostrar
Aprendizaje por refuerzo con recompensas verificables: por qué una IA refutó una conjetura de 1946. El mecanismo, los límites y cómo explicárselo a tu hijo.
Las recompensas verificables en IA son la clave de un resultado rarísimo de este año. El método, llamado en inglés RLVR, entrena un modelo premiándolo solo cuando un verificador automático confirma que su respuesta es correcta, en lugar de premiarlo cuando una persona la califica como buena. La distinción suena menor. En mayo de 2026, un modelo de razonamiento de OpenAI refutó la conjetura de la distancia unitaria de Erdős, un problema abierto desde 1946, usando herramientas de la teoría algebraica de números que no tienen relación obvia con la geometría. Nueve matemáticos lo revisaron. Tim Gowers dijo que si un humano hubiera escrito ese artículo, él habría recomendado su aceptación.
El mismo modelo produjo la solución correcta en apenas la mitad de los intentos repetidos.
Puntos clave
- Este método premia al modelo según un verificador automático (¿la cuenta cierra?, ¿el código pasa las pruebas?) en lugar de una calificación de preferencia humana. Se nombró como método en el artículo Tulu 3 de Lambert et al., noviembre de 2024.
- La recompensa es binaria y barata de calcular, así que se puede correr millones de veces. Por eso funciona en matemáticas y programación, y no funciona para la calidad de un ensayo.
- El resultado de Erdős (OpenAI, 20 de mayo de 2026) es el pago más claro hasta ahora: un contraejemplo genuino a una conjetura de 1946, revisado por nueve matemáticos. Sébastien Bubeck reportó que el modelo acertó en cerca del 50% de los intentos.
- El fracaso anterior importa: siete meses antes, la afirmación de que GPT-5 había resuelto 10 problemas abiertos de Erdős se retractó cuando las “soluciones” resultaron existir ya en la literatura.
- Para los chicos, esto es una lección sobre qué tipos de respuestas se pueden revisar automáticamente y cuáles necesitan una persona, distinción genuinamente útil para la tarea.
Qué es exactamente, y en qué se diferencia del RLHF
Empecemos por lo anterior. El aprendizaje por refuerzo con retroalimentación humana (RLHF) entrena un modelo haciendo que personas califiquen respuestas. Alguien ve dos respuestas, dice cuál es mejor, y un modelo de recompensa aprende a predecir la preferencia humana. Así los modelos aprendieron a ser útiles, amables y legibles.
Si quieres el panorama previo, nuestra guía sobre cómo aprende la IA con redes neuronales cubre la etapa anterior. El RLHF tiene un techo. La preferencia humana es caro, lenta y ruidosa. Peor: los humanos somos malos detectando errores sutiles en demostraciones matemáticas largas, así que un modelo optimizado con calificaciones humanas aprende a producir matemáticas convincentes en lugar de matemáticas correctas.
Las recompensas verificables cambian al juez. En lugar de una persona, usa un programa que pueda verificar la respuesta. El método se nombró en Lambert et al., “Tulu 3: Pushing Frontiers in Open Language Model Post-Training”, publicado en noviembre de 2024 por el Allen Institute for AI, donde aparece junto al ajuste supervisado y al DPO como uno de tres enfoques de posentrenamiento.
El mecanismo es lo bastante simple para explicárselo a un niño de doce años:
- Dale al modelo un problema con respuesta conocida y verificable.
- Deja que genere una solución.
- Pasa la respuesta por un verificador. ¿Coincide el resultado? ¿El código pasa las pruebas? ¿La demostración compila en Lean? Recompensa = 1. Si no, recompensa = 0.
- Actualiza el modelo para que el comportamiento premiado sea más probable.
- Repite unos millones de veces.
La propiedad crucial es que el paso 3 casi no cuesta nada y no involucra a ninguna persona. Se puede correr a escala enorme, y la recompensa no es cuestión de gusto. Una demostración compila o no compila.
Qué produjo eso: el resultado de Erdős y sus asteriscos
Paul Erdős planteó la conjetura de la distancia unitaria en 1946. En mayo de 2026, OpenAI anunció que un modelo de razonamiento de propósito general, no un sistema matemático especializado, la había refutado construyendo un contraejemplo.
El detalle que hace que los matemáticos presten atención es el cómo. Según el relato de Science News del 8 de junio de 2026, el modelo construyó su contraejemplo con herramientas de álgebra y teoría de números, campos que Melanie Matchett Wood (Harvard) señaló que parecen no tener relación con el problema de geometría discreta en cuestión. Transferir maquinaria entre subcampos distantes es el tipo de movida que se lee como intuición y no como reconocimiento de patrones.
La verificación fue en serio. Nueve matemáticos revisaron la solución en un artículo acompañante. Quanta Magazine reportó el 3 de agosto de 2026 que Tim Gowers dijo: “si un humano hubiera escrito el artículo… habría recomendado su aceptación”. Noga Alon, Melanie Wood y Thomas Bloom también respaldaron el trabajo. La frase de Bloom: “La IA nos está ayudando a explorar más a fondo la catedral de las matemáticas que construimos durante siglos”.
Ahora los asteriscos, y son tres.
Confiabilidad. El investigador de OpenAI Sébastien Bubeck reportó que al correr el mismo pedido varias veces, el modelo “produjo la solución correcta en el 50 por ciento de esos ensayos”. Una moneda al aire.
Transparencia. Science News señaló que OpenAI no reveló cuánto tiempo pasó el modelo trabajando, y que los datos que respaldan las afirmaciones de confiabilidad no se publicaron ni pasaron revisión por pares.
La retractación previa. Siete meses antes, un ejecutivo de OpenAI afirmó que GPT-5 había encontrado soluciones a 10 problemas de Erdős sin resolver. No era cierto. Las soluciones ya existían en la literatura matemática; el modelo las había redescubierto. La publicación se retractó tras las críticas de Yann LeCun y Demis Hassabis, como documentó TechCrunch el 20 de mayo de 2026.
Bloom planteó la preocupación más profunda: “Un gran problema es que la IA la está usando mucha gente que no es matemática… ningún humano lo ha leído”. Y aparte: “¿Quién va a poder revisar esto?”, sobre demostraciones de cientos de páginas. Las recompensas verificables resuelven el problema de entrenamiento y crean un problema de lectura.
Por qué la verificabilidad lo decide todo
Esta es la frase que hace clic: solo puedes entrenar así en tareas donde una máquina puede distinguir lo correcto de lo incorrecto.
Es una línea nítida, y explica el progreso desigual de los últimos dos años. Las matemáticas de competencia mejoraron enormemente: varios sistemas de IA fueron calificados con puntaje perfecto en la IMO 2026 de Shanghái. La generación de código mejoró enormemente. La calidad de un ensayo, el juicio histórico y la sintonía emocional mejoraron mucho menos, porque no existe verificador para ellos.
La línea también explica por qué los asistentes de demostración como Lean importan tanto ahora. Lean convierte una demostración matemática en código que compila o no compila, lo que transforma una tarea no verificable en una verificable. La herramienta Aristotle, de Harmonic, hace certificación de demostraciones por una vía parecida.
Una nota honesta más: la cobertura de Quanta enfatiza que la práctica actual es prompting iterativo y colaboración humana, no verificación totalmente automática. Una metodología descrita: pedirle una solución a un modelo, pasar el resultado a una instancia nueva para que la revise, repetir hasta que salga algo utilizable. Los humanos validan, simplifican y generalizan. Los modelos generan candidatos, no demostraciones terminadas.
¿Y en América Latina?
Hay un puente directo con las olimpiadas de matemáticas de la región. La Olimpiada de Mayo, la Olimpiada Iberoamericana y las olimpiadas nacionales de México (OMM), Argentina (OMA), Perú y Colombia funcionan exactamente con el principio de las recompensas verificables: el problema tiene respuesta correcta, un jurado la revisa y no hay opinión de por medio. Un estudiante que entrena para la OMM ya vive dentro de ese sistema, y explicárselo en esos términos vuelve el concepto inmediato.
Hay algo más importante todavía. Los datos de PISA 2025 de la OCDE, publicados el 8 de septiembre de 2026, mostraron caídas de matemáticas en varios países de la región. Al mismo tiempo, las herramientas de IA se volvieron mucho mejores precisamente en la parte verificable (cálculo, álgebra, código) y apenas mejores en la parte no verificable (argumentar, evaluar una fuente, escribir con criterio). Dicho de otra forma: la IA está cubriendo bien el terreno donde la máquina puede corregirse sola, y dejando intacto el terreno donde hace falta un lector humano. Ese segundo terreno es exactamente donde las pruebas dicen que la región necesita ganar, y es el que conviene practicar en casa.
Cómo enseñarle esto a tu hijo
La idea a instalar es “¿quién o qué decide si acertaste?”. Esa pregunta sirve mucho más allá de la IA.
De 5 a 8 años: el juego de los dos jueces
Jueguen dos rondas. Ronda uno: tu hijo hace un dibujo y tú dices si está bueno. Ronda dos: tu hijo adivina un número que escribiste en un papel, y el papel dice sí o no. Pregúntale cuál ronda fue más justa y por qué. Ponle nombre: “La segunda tenía un verificador. Las computadoras aprenden más rápido en juegos con verificador, y por eso son mejores en matemáticas que en dibujar algo hermoso”. Cinco minutos y ya tiene la distinción central.
De 9 a 12 años: clasificar la tarea
Si tu hijo entrena para una olimpiada, nuestra nota sobre cuándo acelerar en matemáticas complementa esto. Toma la tarea real de tu hijo de esta semana y clasifica cada punto en dos montones: “una máquina podría revisar esto” (aritmética, ortografía, opción múltiple, código que corre) y “una persona tiene que juzgarlo” (¿fue convincente el ensayo?, ¿fue expresivo el dibujo?, ¿quedó clara la explicación?). Después explícale que la IA mejoró muchísimo en el primer montón en los últimos dos años, en parte por este método, y solo un poco en el segundo. Pídele que prediga cuál de sus materias va a cambiar más por la IA en cinco años.
De 13 en adelante: construir un verificador
Que tu hijo escriba un verificador. Puede ser una función de cinco líneas en Python que reciba una respuesta y devuelva verdadero o falso, una fórmula de hoja de cálculo o incluso una rúbrica escrita con criterios de aprobado/reprobado sin ambigüedad. Después que intente escribir un verificador para algo que se resiste, como “¿está bien argumentado este párrafo?”. El fracaso es el punto. Que cierre leyendo la nota de Quanta e identificando un lugar donde el que verificó fue una persona y no un programa.
La pregunta que debes hacer: “¿Podría una computadora saber si tu respuesta está bien sin preguntarle a una persona? Si no, ¿por qué no?”
Tipo de recompensa por tarea: qué se puede entrenar así y qué no
| Tipo de recompensa | Quién o qué juzga | Tarea de ejemplo | ¿Se entrena bien? | Por qué |
|---|---|---|---|---|
| Verificable (coincidencia exacta) | Un programa que compara con la respuesta conocida | Matemáticas de competencia, aritmética | Sí | Binaria, instantánea, gratis de calcular |
| Verificable (ejecución) | Un conjunto de pruebas que corre el código | Escribir una función que pase las pruebas | Sí | Lo mismo, con el compilador como juez |
| Verificable (demostración formal) | Un asistente como Lean | Demostrar un teorema formalmente | Sí, y creciendo | Compila o no; sin opinión de por medio |
| Verificable (restricción) | Un revisor de reglas | ”Responde en exactamente 3 viñetas” | Sí | Seguir instrucciones precisas es verificable |
| Preferencia humana (RLHF) | Personas calificando pares de respuestas | Ser útil, amable, legible | En parte | Caro, lento y ciego a errores sutiles |
| No verificable | Nadie coincide en el estándar | ”¿Este ensayo conmueve?” “¿Este arte es bueno?” | No | No existe verificador automático |
La última fila no es una brecha temporal. Es una diferencia de categoría. Un niño que entiende esa fila entiende por qué la ayuda de IA para escribir se siente más fluida que correcta.
Qué hacer en casa
Pregunta “¿cuál es el verificador?” antes de confiar en una respuesta
Para un problema de matemáticas, el verificador puede ser sustituir la respuesta y comprobar. Para una afirmación factual, buscar una fuente primaria. Para un ensayo, puede que no haya verificador, lo que significa que el juicio se queda con tu hijo. Hacerlo explícito construye el hábito que más importa.
Usa el 50% como ancla
El resultado de Erdős funcionó cerca de la mitad de las veces. Es la estadística más útil que una familia puede cargar sobre la IA de frontera: incluso los resultados celebrados son poco confiables por intento. Haz la misma pregunta dos veces y compara. Si difieren, aprendiste algo.
Premia la revisión, no la respuesta
Si tu hijo usa IA para la tarea, celebra el momento en que detecta un error, no el momento en que entrega una respuesta terminada. Es este mismo método aplicado a la crianza, y es la versión del concepto que de verdad cambia el comportamiento.
Ten a mano la historia de la retractación
La afirmación sobre GPT-5 y los problemas de Erdős que resultó ser redescubrimiento de literatura es una mejor historia didáctica que el éxito. Muestra que un anuncio confiado de un laboratorio grande puede estar equivocado, que los expertos lo detectaron y que la corrección fue pública.
Lo que no debes hacer
No le digas a tu hijo que la IA “resolvió” un problema famoso de matemáticas y punto. Refutó una conjetura específica, una vez, reproducible cerca de la mitad de las veces, verificada por nueve humanos, en un campo donde la afirmación anterior de la misma empresa se había retractado. Todo eso es más interesante que la versión simplificada, y todo eso es cierto.
Qué observar en los próximos 3 meses
- Semana 4: tu hijo puede clasificar cinco tareas en “revisable por máquina” y “necesita una persona” y explicar una de las clasificaciones.
- Señales de alerta en el mes 2: trata una respuesta de IA sobre una pregunta no verificable con la misma confianza que una de aritmética. O dejó de revisar porque el modelo “ya hace bien las matemáticas”.
- Autoevaluación del mes 3: pregúntale qué es un verificador y que describa uno que podría construir para una materia que esté estudiando. Una respuesta funcional, aunque sea tosca, significa que lo entendió.
Preguntas frecuentes
¿Cuál es la diferencia con el RLHF?
El RLHF usa calificaciones de preferencia humana como señal de recompensa; este método usa un verificador automático. El RLHF volvió a los modelos agradables y útiles. Las recompensas verificables los volvieron mucho mejores en tareas con respuesta correcta, porque la recompensa es binaria, instantánea y gratis de calcular a escala.
¿De verdad una IA refutó una conjetura matemática de 1946?
Sí, con matices. OpenAI anunció el 20 de mayo de 2026 que un modelo de razonamiento general produjo un contraejemplo a la conjetura de la distancia unitaria de Erdős, revisado por nueve matemáticos. Tim Gowers dijo que habría recomendado su aceptación si lo hubiera escrito un humano. El modelo reprodujo el resultado en cerca del 50% de los ensayos.
¿Por qué este método no mejora igual la escritura?
Porque no existe un verificador automático de si un párrafo es bueno. Este método necesita un programa que devuelva correcto o incorrecto sin una persona. La gramática se puede revisar. Lo persuasivo no. Por eso las ganancias fueron tan desiguales entre materias.
¿Significa que mi hijo ya no necesita aprender demostraciones?
Al contrario. Alguien tiene que leer y revisar lo que estos sistemas producen, y la preocupación explícita de Thomas Bloom es que los resultados de IA los usa cada vez más gente que no puede verificarlos. La capacidad de seguir y evaluar un argumento se volvió más valiosa, no menos.
¿Qué es Lean y por qué aparece tanto?
Lean es un asistente de demostración: software donde una demostración matemática se escribe como código que compila o falla. Convierte la revisión de demostraciones de un juicio humano en una comprobación de máquina, lo que la hace compatible con este tipo de entrenamiento y le da a los humanos una forma confiable de auditar demostraciones producidas por IA.
Sobre el autor
Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.
Fuentes
- Lambert, N., Morrison, J., Pyatkin, V., et al. (2024). “Tulu 3: Pushing Frontiers in Open Language Model Post-Training.” arXiv:2411.15124. https://arxiv.org/abs/2411.15124
- Science News. (2026, 8 de junio). “AI guardrails and the Erdős math problem.” https://www.sciencenews.org/article/ai-guardrails-erdos-math-problem
- Quanta Magazine. (2026, 3 de agosto). “Why the Legendary Erdős Problems Are Falling to AI.” https://www.quantamagazine.org/why-the-legendary-erdos-problems-are-falling-to-ai-20260803/
- TechCrunch. (2026, 20 de mayo). “OpenAI claims it solved an 80-year-old math problem, for real this time.” https://techcrunch.com/2026/05/20/openai-claims-it-solved-an-80-year-old-math-problem-for-real-this-time/
- Snell, C., Lee, J., Xu, K., y Kumar, A. (2024). “Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters.” arXiv:2408.03314. https://arxiv.org/abs/2408.03314
- OCDE. (2026, 8 de septiembre). “PISA 2025: Students’ reading and mathematics performance declined sharply across the OECD.” https://www.oecd.org/en/about/news/press-releases/2026/09/pisa-2025-students-reading-and-mathematics-performance-declined-sharply-across-the-oecd.html
- International Mathematical Olympiad. (2026). “IMO 2026, Shanghái.” https://www.imo-official.org/editions/2026/
