Qué pasó
- Nature publicó el 9 de noviembre de 2026 la reseña de Big Math: The Hidden Codes That Run Our World, de los matemáticos Steven Strogatz y Alex Townsend (Little, Brown, 2026). La firma Anil Ananthaswamy, autor de Why Machines Learn.
- El libro sostiene que una matemática poco visible, a la que llaman “big math”, sostiene tecnologías que cambian cómo la gente trabaja, juega, aprende, compra, viaja, se comunica y se cura.
- Abre con Regina Barzilay, científica de la computación que tuvo cáncer de mama y, tras su tratamiento en 2014, decidió crear herramientas para detectar señales tempranas.
- Con radiólogos y otros científicos, Barzilay desarrolló un modelo de aprendizaje automático que predice el riesgo de cáncer de mama a cinco años a partir de una sola mamografía.
Por qué importa
La reseña llega en un año en que, según la imagen que acompaña el texto, herramientas de IA han resuelto varios problemas de matemáticas y física abiertos durante años. Entender qué hay debajo de esos sistemas ayuda a juzgar qué pueden hacer y qué no.
Los autores avisan que no buscan volver las matemáticas “acogedoras ni accesibles”, pero el libro tiene pocas ecuaciones y es más abordable que otros textos de Strogatz. Para quien trabaja con modelos de IA sin formación matemática, ofrece un puente de lectura.
El dato
De cientos de miles de millones a billones de números. Es el tamaño de las matrices que se multiplican en el corazón de la IA generativa, según la reseña. La palabra “matriz” la acuñó en el siglo XIX James Joseph Sylvester, quien la imaginaba como una “madre”, una entidad que daba origen a otros objetos matemáticos.
Contexto
El libro recorre ejemplos de distintas épocas. Uno son los matemáticos chinos que resolvían problemas de contabilidad para estimar el arroz comestible de fardos con cáscara: un sistema de ecuaciones lineales con matrices y vectores, la matemática que hoy sostiene la IA, resuelta entonces moviendo varillas de bambú.
Otro es la idea de Leon Festinger, de 1949, de que multiplicar una y otra vez una matriz por un vector puede revelar estructuras ocultas en redes sociales, un método que luego sirvió para medir influencia y detectar grupos. También el juego de Serpientes y escaleras, que ilustra una cadena de Markov, una pieza de los primeros algoritmos de búsqueda de Google: el próximo estado depende solo del actual.
En Mamífero hemos visto cómo avanza ese cruce. Contamos que Axiom verificó con agentes el Stacks Project, de 7.654 páginas, que una prueba asistida por IA cerró un problema de 2008 sobre ventajas cuánticas, que IBM y Lisboa convirtieron recetas de síntesis de zeolitas en pasos con un LLM y que premiar cada paso de búsqueda vuelve más fiables a los agentes.
Qué viene
- La reseña no anuncia un resultado nuevo: es una guía de lectura. Lo que sí deja es una pregunta sobre qué parte de la creatividad matemática pueden asumir las máquinas.
- Nature mantiene una cobertura sobre cómo la IA rehace el descubrimiento en matemáticas y física, con enlaces dentro de la misma reseña.
- Los lectores que quieran seguir encontrarán en el libro la historia de George Dantzig, estudiante en Berkeley en 1939 que llegó tarde a una clase de estadística.
Cierre
Las matemáticas que mueven la IA son, en su base, álgebra lineal con siglos de historia. El libro propone leer los avances actuales como una etapa más de esa línea, y no como una ruptura.
Fuentes
- Nature (Anil Ananthaswamy), “AI has transformed maths — this is how we got here”, reseña de libro, 9 de noviembre de 2026, DOI 10.1038/d41586-026-03627-6, enlace.
- Imagen de portada: MathKnight ✡ (Talk) No machine-readable author provided. MathKnight as, CC BY 2.5, vía Wikimedia Commons
Editado por Rodrigo Cornejo. Quiénes escriben las notas
