Google DeepMind avanza en razonamiento matemático formal con AlphaGeometry 2 y resuelve el 83% de los problemas de geometría olímpica

La geometría euclidiana avanzada de nivel olímpico exige demostraciones formales rigurosas donde cada afirmación debe derivarse estrictamente de axiomas geométricos. Los modelos de lenguaje tradicionales fallan catastróficamente por alucinaciones lógicas, mientras que los motores simbólicos clásicos se ahogan en una explosión combinatoria al no saber qué construcciones auxiliares (puntos, líneas o círculos) añadir para avanzar en la prueba.

AlphaGeometry 2 perfecciona la arquitectura neuro-simbólica: un modelo de lenguaje neuronal avanzado basado en Gemini predice de manera heurística construcciones auxiliares óptimas cuando el motor deductivo se bloquea; a continuación, un motor simbólico determinista de ultra-alta velocidad deduce todas las consecuencias lógicas paso a paso, garantizando que ninguna afirmación carezca de sustento axiomático.

El sistema se conecta con el lenguaje de especificación geométrica formal de DeepMind y con el asistente de demostración Lean. Esto permite validar formalmente la corrección de cada lema generado sin intervención humana y exportar las demostraciones en formatos verificables por la comunidad matemática internacional.

Se evidencia una velocidad de resolución dos órdenes de magnitud superior a la primera versión y la capacidad demostrada de descubrir construcciones geométricas no intuitivas que eludieron a competidores humanos de élite. Sin embargo, no se debe atribuir a AlphaGeometry 2 la capacidad de resolver ramas no geométricas de la matemática (como teoría analítica de números o combinatoria pura).

La arquitectura mantiene una frontera estricta entre la heurística y la validación: el modelo neuronal sólo sugiere construcciones auxiliares, pero nunca valida la verdad de una demostración. Si el motor simbólico detecta una inconsistencia o no alcanza la meta de prueba, la sugerencia es descartada y se explora otra rama del árbol de búsqueda.

DeepMind no demuestra que el sistema pueda formular nuevas preguntas matemáticas profundas de forma autónoma ni que pueda operar con diagramas visuales no formalizados sin traducción previa a representaciones simbólicas estructuradas.

Investigadores en lógica computacional y matemáticas formales pueden examinar las pruebas verificadas publicadas por DeepMind en Lean, replicar la cadena de deducción en sus propios entornos de prueba y contrastar los pasos de construcción auxiliar con las soluciones oficiales de la IMO.

AlphaGeometry 2 marca un hito decisivo en la superación de las limitaciones de los modelos generativos puros, probando de forma concluyente que el futuro de la inteligencia artificial de razonamiento riguroso descansa en la integración simbiótica de redes neuronales y verificación formal simbólica.

Fuente oficial y reporte: alvaromaureira.cl