60 subagentes de IA logran en un día y medio lo que ningún humano había conseguido: mejoran un límite clave de la hipótesis de Riemann del 41,6% al 67,2%
Una versión de investigación no publicada de Claude elevó de forma autónoma el límite inferior demostrado de la fracción de ceros de la función zeta de Riemann que cumplen la hipótesis, del 41,6% al 67,2%, el mayor sa... El resultado fue confirmado por dos matemáticos internos de Anthropic y formalizado en el asiste...
Una versión de investigación no publicada de Claude elevó de forma autónoma el límite inferior demostrado de la fracción de ceros de la función zeta de Riemann que cumplen la hipótesis, del 41,6% al 67,2%, el mayor sa...
El resultado fue confirmado por dos matemáticos internos de Anthropic y formalizado en el asistente de pruebas Lean, generando un certificado de corrección verificable por máquina que aborda una de las objeciones más...
Este avance es parte de un punto de inflexión en 2026: OpenAI, Google DeepMind y Anthropic han demostrado sistemas de IA produciendo resultados matemáticos a nivel de problemas abiertos, lo que ha desencadenado la Dec...
What progress did an unreleased Anthropic model make on the Riemann hypothesis, and how does this achievement—including the model's autonomoAnthropic's unreleased Claude model improved the Riemann zeta bound from 41.6% to 67.2% using 60 coordinated subagents and over 31 million tokens of autonomous computation. (Image: GPT-4o)
Prompt de IA
Create a landscape editorial hero image for this Studio Global article: What progress did an unreleased Anthropic model make on the Riemann hypothesis, and how does this achievement—including the model's autonomo. Article summary: Let me search for information on this topicLet me search for the broader context of AI mathematical breakthroughs in 2026 and the debates around authorship and standards## What the Anthropic model achieved. Topic tags: general, general web, user generated, academic, news. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with f
openai.com
El 10 y 11 de agosto de 2026, Anthropic anunció que una versión de investigación no publicada de Claude había logrado un progreso significativo en un problema relacionado con la hipótesis de Riemann . El modelo elevó un límite inferior de larga data sobre la proporción de ceros no triviales de la función zeta de Riemann que se encuentran en la línea crítica: del 41,6% al 67,2%. Este es el mayor avance en un solo paso jamás registrado para este límite . El modelo no demostró la hipótesis de Riemann en sí (sigue siendo uno de los siete Problemas del Milenio del Clay Institute, con un premio de 1 millón de dólares), pero el resultado es un teorema genuino en teoría analítica de números .
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
¿Cuál es la respuesta corta a "60 subagentes de IA logran en un día y medio lo que ningún humano había conseguido: mejoran un límite clave de la hipótesis de Riemann del 41,6% al 67,2%"?
Una versión de investigación no publicada de Claude elevó de forma autónoma el límite inferior demostrado de la fracción de ceros de la función zeta de Riemann que cumplen la hipótesis, del 41,6% al 67,2%, el mayor sa...
¿Cuáles son los puntos clave a validar primero?
Una versión de investigación no publicada de Claude elevó de forma autónoma el límite inferior demostrado de la fracción de ceros de la función zeta de Riemann que cumplen la hipótesis, del 41,6% al 67,2%, el mayor sa... El resultado fue confirmado por dos matemáticos internos de Anthropic y formalizado en el asistente de pruebas Lean, generando un certificado de corrección verificable por máquina que aborda una de las objeciones más...
¿Qué debo hacer a continuación en la práctica?
Este avance es parte de un punto de inflexión en 2026: OpenAI, Google DeepMind y Anthropic han demostrado sistemas de IA produciendo resultados matemáticos a nivel de problemas abiertos, lo que ha desencadenado la Dec...
El logro siguió un flujo de trabajo multiagente que sorprendió incluso a los investigadores de Anthropic:
Un empleado de Anthropic sin una formación matemática sólida le pidió al modelo que "lo intentara de verdad" para demostrar la hipótesis .
En aproximadamente 1,5 días, el modelo probó alrededor de 650 enfoques candidatos a través de 60 subagentes coordinados.
La ejecución consumió 31 millones de tokens de salida en dos sesiones, ejecutó 2.400 comandos de shell y revisó 54 artículos de arXiv.
Dos de los 60 subagentes fueron responsables de desarrollar el avance matemático clave .
El enfoque ganador sintetizó un artículo de 2000 de Enrico Bombieri con resultados más recientes, una combinación que ningún investigador humano había ensamblado antes .
Verificación: dos capas de prueba
Dos matemáticos internos de Anthropic —Levent Alpöge y Ralph Furmaniak— revisaron y confirmaron la prueba . El argumento fue luego formalizado en Lean, un demostrador interactivo de teoremas, produciendo un certificado de corrección verificable por máquina . Esta doble validación (revisión humana experta + verificación formal) es ampliamente considerada como la mejor práctica para la evidencia de resultados matemáticos generados por IA.
Un punto de inflexión: 2026 como el año en que la IA cruzó hacia la investigación de problemas abiertos
La mejora del límite de Riemann de Claude no es un evento aislado. 2026 ha visto una secuencia acelerada de avances matemáticos liderados por IA:
Mayo de 2026 — OpenAI anunció que un modelo de razonamiento general no publicado había refutado de forma autónoma la conjetura de la distancia unitaria de Erdős, un problema abierto de 80 años .
Mayo de 2026 — AlphaProof Nexus de Google DeepMind resolvió nueve problemas abiertos de Erdős (algunos sin resolver durante 56 años) y demostró 44 conjeturas de la Enciclopedia Online de Secuencias de Enteros, todas formalizadas en Lean .
Julio de 2026 — El matemático de Anthropic Levent Alpöge utilizó el modelo no publicado "Fable 5" para encontrar un contraejemplo de la conjetura jacobiana, un problema planteado en 1939 .
Agosto de 2026 — El modelo Astra de OpenAI supuestamente resolvió diez problemas matemáticos de décadas de antigüedad por unos 2.000 dólares en coste de computación, con pruebas verificables publicadas en Lean en GitHub .
Varios comentaristas han señalado que el campo cruzó un umbral a mediados de 2026: los sistemas de IA pasaron de resolver matemáticas de nivel competitivo a generar investigación publicable a nivel de problemas abiertos .
El debate: autoría, estándares y la Declaración de Leiden
El rápido ritmo de las matemáticas generadas por IA ha desencadenado un intenso debate:
En junio de 2026, un grupo de 16 matemáticos publicó la Declaración de Leiden sobre Inteligencia Artificial y Matemáticas, recomendando nuevos estándares para la estructura de las pruebas, la atribución de autoría y la supervisión humana de los resultados generados por IA . La declaración ha sido discutida posteriormente por la Unión Matemática Internacional .
Las tensiones clave incluyen: ¿Quién recibe el crédito de autoría cuando una IA genera una prueba? ¿Puede el campo mantener la confianza epistémica si las pruebas son demasiado largas o novedosas para que los humanos las inspeccionen completamente sin herramientas formales? ¿Y cómo deberían las revistas revisar por pares resultados que ningún humano individual podría haber producido ?
Algunos matemáticos argumentan que las pruebas asistidas por IA corren el riesgo de erosionar la comprensión y la visión explicativa: una prueba puede ser correcta pero opaca . Otros ven la verificación formal en Lean como un estándar más estricto que la revisión por pares tradicional .
Lo que esto significa para la capacidad de la IA de descubrir nueva ciencia
El resultado de Riemann de Anthropic avanza la discusión de varias maneras concretas:
1. La escala de la exploración autónoma importa.
Probar 650 ideas en 60 subagentes demuestra que las arquitecturas multiagente pueden realizar una búsqueda sistemática a una escala que ningún grupo de investigación humano podría igualar en el mismo período de tiempo . Esto cambia la pregunta de "¿Puede la IA hacer matemáticas?" a "¿Cómo deberíamos integrar la exploración a gran escala de la IA en el proceso de descubrimiento científico?"
2. La síntesis fortuita es posible.
El hecho de que un modelo sin formación matemática combinara un artículo de Bombieri (2000) con resultados más recientes —una combinación que ningún humano había visto— demuestra que la IA puede hacer conexiones conceptuales no obvias entre literaturas dispares . Esta capacidad aborda directamente una preocupación central sobre si los LLM simplemente interpolan o pueden descubrir genuinamente.
3. La verificación formal resuelve el problema de la confianza.
La formalización en Lean significa que el resultado no es una afirmación de "caja negra". Es un teorema demostrablemente correcto que cualquier matemático puede inspeccionar mecánicamente . Esto ofrece una plantilla sobre cómo los resultados científicos generados por IA pueden hacerse verificables, abordando una de las objeciones más fuertes al descubrimiento liderado por IA.
4. El debate sobre la autoría y los estándares es constructivo, no paralizante.
La aparición simultánea de resultados sorprendentes (DeepMind, OpenAI, Anthropic) y respuestas institucionales lideradas por la comunidad (la Declaración de Leiden) sugiere que la comunidad matemática se está adaptando, no retirándose. La conversación actual se centra en las normas y el crédito, no en rechazar los resultados de la IA en su conjunto.
5. El coste y la velocidad del descubrimiento se están desplomando.
El coste de computación de 2.000 dólares para los resultados de Astra de OpenAI y el tiempo de respuesta de 36 horas para el límite de Riemann de Claude sugieren que el coste marginal de un descubrimiento matemático publicable se acerca a cero. Esto tiene profundas implicaciones sobre qué preguntas eligen los investigadores para perseguir y quién puede participar en la investigación matemática.
La conclusión
La mejora del límite de Riemann de Anthropic es una demostración histórica de que los sistemas de IA ahora pueden descubrir de forma autónoma resultados matemáticos publicables y formalmente verificables que avanzan en un problema abierto de 150 años. Combinado con la serie de avances similares de 2026, mueve la discusión de "si la IA puede contribuir al descubrimiento científico" a "cómo la comunidad científica debe estructurar los incentivos, la atribución y la verificación para una nueva clase de codescubridores de IA".
neowin.net
Unreleased Claude model makes breakthrough on century-old Riemann Hypothesis math problem
