Estoy especialmente de acuerdo con la opinión de Terence Tao: en la etapa actual, el uso más adecuado de la IA no es utilizar directamente el modelo de IA más potente para resolver los problemas matemáticos más difíciles, sino que un uso más amplio y práctico podría ser aprovechar esas herramientas de IA de rendimiento medio para ayudar a los matemáticos a acelerar la realización de tareas de investigación básica que son tediosas pero esenciales. Hace unos días escuché a alguien de CVS compartir que la farmacia CVS está muy ocupada, pero la mayor parte del tiempo se desperdicia en cosas tediosas, como contar pastillas, porque la cantidad de pastillas para cada paciente es diferente. Se necesitan dos farmacéuticos profesionales: uno se encarga de colocar la cantidad especificada de pastillas en el frasco y el otro se encarga de verificar que la cantidad de pastillas en el frasco sea correcta. Un grupo de farmacéuticos altamente capacitados y con educación superior pasa mucho tiempo en estas tareas todos los días. Por eso, recientemente han automatizado este proceso utilizando IA + robots, liberando a los farmacéuticos para que se dediquen a cosas más importantes. En mi uso diario de la IA, es algo similar; no necesariamente puede ayudarme a resolver muchos problemas técnicos, pero puedo utilizar la IA para desarrollar algunas herramientas pequeñas, o simplemente utilizando palabras clave específicas, puedo hacer muchas tareas tediosas, lo que ya puede aumentar enormemente mi eficiencia general. --- La traducción del texto original se encuentra en los comentarios.

Terence Tao: Mis reflexiones sobre la reciente aplicación de la IA en el campo de las matemáticas Recientemente, he llegado a la conclusión de que la aplicación más efectiva de la inteligencia artificial (IA) en el campo de las matemáticas a corto plazo no necesariamente consiste en utilizar los modelos de IA más potentes para resolver los problemas matemáticos más difíciles. Por supuesto, de vez en cuando vemos algunos casos de éxito excepcionales, pero estos a menudo requieren una gran cantidad de recursos computacionales y la dedicación de expertos de primer nivel. La forma más amplia y práctica de uso podría ser precisamente aprovechar esas herramientas de IA de rendimiento moderado para ayudar a los matemáticos a acelerar la realización de tareas de investigación básica que son tediosas pero esenciales. Estas tareas aparentemente triviales pueden ser realizadas por expertos humanos, aunque consumen más tiempo y esfuerzo. Pero esta es en realidad una gran ventaja de la aplicación de la IA, y no un defecto. Los expertos humanos ya han acumulado una rica experiencia e intuición, lo que les permite juzgar rápida y precisamente si la salida de la IA es confiable y cómo integrarla de manera segura en su flujo de trabajo de investigación. Un ejemplo simple: la búsqueda de literatura. Antes de investigar un problema, los matemáticos suelen necesitar revisar una gran cantidad de literatura existente. Si el problema ya tiene un nombre reconocido y hay un grupo de investigación activo, entonces los motores de búsqueda y las bases de datos académicas existentes son más que suficientes. Los matemáticos solo necesitan comenzar con un artículo importante y seguir la cadena de citas hacia adelante y hacia atrás para rápidamente comprender el progreso de la investigación sobre el problema. Sin embargo, muchas veces, un problema de investigación no tiene un nombre unificado, y los académicos de diferentes campos pueden actuar de manera independiente. La literatura relevante está dispersa en diferentes revistas, conferencias y libros, y las relaciones de citas son caóticas. A veces, un artículo solo menciona una pequeña parte del problema, mezclándose con una gran cantidad de contenido no relacionado. Encontrar literatura realmente valiosa en estas circunstancias puede ser especialmente complicado: puede que se necesite buscar artículos por todas partes y filtrar repetidamente, y es muy probable que después de mucho tiempo se descubra que no tiene relación con el propio problema. Pero una vez que se encuentra un artículo relevante, un experto solo necesita echar un vistazo rápido para poder juzgar de inmediato si este artículo contribuye al problema actual. Esta capacidad de verificación rápida es precisamente lo que hace que la IA sea especialmente adecuada para la búsqueda de literatura (siempre que, por supuesto, el investigador tenga el conocimiento especializado necesario para juzgar la calidad de la literatura). Especialmente cuando los investigadores necesitan prestar atención a múltiples problemas de investigación al mismo tiempo, la ventaja de usar IA se vuelve aún más evidente. En este escenario, la IA no necesita ser 100% precisa; mientras la tasa de éxito sea lo suficientemente alta, la eficiencia general será mucho mayor que la de los métodos tradicionales. Además, los investigadores que dedican algo de tiempo a aprender a usar herramientas de IA de manera efectiva también pueden ir reduciendo costos a medida que las utilizan repetidamente. Recientemente, ha ocurrido un ejemplo muy típico en el círculo matemático: El famoso matemático Paul Erdős propuso muchos problemas matemáticos interesantes durante su vida. Actualmente, el sitio web Erdős Problems, que se dedica a recopilar y organizar estos problemas, tiene más de mil problemas, de los cuales aproximadamente 600 están marcados como "no resueltos" (open). Aunque algunos problemas ya han sido ampliamente investigados, también hay muchos problemas relativamente poco conocidos que son difíciles de evaluar si tienen soluciones solo con una búsqueda manual simple. En los últimos días, algunos investigadores han comenzado a intentar utilizar sistemáticamente herramientas de IA para ayudar en la búsqueda de literatura relevante. No publican directamente los resultados de la IA en el sitio web, sino que primero verifican manualmente, confirmando su validez antes de hacer comentarios o anotaciones. En solo unos días, a través de este método de "búsqueda de literatura asistida por IA + verificación manual", ya se han descubierto al menos 6 soluciones a problemas que originalmente estaban marcados como "no resueltos"; ahora su estado ha cambiado a "resuelto" (solved). Por ejemplo: problema 339, problema 1043, problema 494, problema 621, problema 822, problema 903. Hay más de diez problemas que, aunque aún no están resueltos, ya se ha logrado recuperar la literatura relevante, que tras la verificación manual también se ha añadido a los comentarios en la página del problema. Aunque no todos los comentarios indican explícitamente que se utilizó IA, el aumento significativo en la cantidad de estos comentarios a corto plazo sugiere la contribución de la IA. Otra ventaja potencial de estas herramientas de IA es que pueden informar de manera más natural sobre esos "resultados negativos" (negative results, es decir, "no se encontró ninguna literatura relevante"). En general, si un investigador realiza una búsqueda de literatura y no encuentra nada, normalmente no lo reporta específicamente, quizás por temor a que sería embarazoso haber pasado por alto un artículo importante. Este silencio en realidad ha llevado a una cantidad considerable de trabajo redundante: diferentes investigadores pueden haber pasado mucho tiempo buscando literatura que no existe, o erróneamente pensar que un problema no está resuelto, cuando en realidad nunca se ha realizado una búsqueda de literatura seria. Al utilizar herramientas de IA para manejar sistemáticamente tareas de búsqueda de literatura a gran escala, los investigadores naturalmente estarán más dispuestos a informar sobre estos "resultados negativos". Por ejemplo: "Las herramientas de IA revisaron un total de 36 problemas, de los cuales 24 (66%) encontraron nueva literatura válida, mientras que 12 (33%) solo devolvieron resultados conocidos o irrelevantes". Este enfoque de transparencia puede ayudar a toda la comunidad académica a entender mejor el estado de la investigación sobre un problema y evitar mucho trabajo redundante innecesario. En resumen, en el campo de la investigación matemática, la forma más efectiva de utilizar la IA a corto plazo puede ser precisamente en estas tareas fundamentales que pueden parecer "triviales" para los expertos humanos, pero que son cruciales para el trabajo de investigación. La IA aquí no actúa como un supergenio, sino como un acelerador de eficiencia. Puede ayudar a los investigadores a liberar más energía valiosa de las tareas básicas tediosas y a dedicarla mejor a áreas que realmente requieren innovación y pensamiento profundo.