Impacto transformador de la inteligencia artificial en el razonamiento matemático
Implicaciones, avances y desafíos
Palabras clave:
inteligencia artificial, razonamiento matemático, demostración automática, epistemología matemática, aprendizaje automáticoResumen
Este artículo explora el impacto creciente de la Inteligencia Artificial (IA) en el razonamiento matemático, con énfasis en sus progresos, limitaciones y proyecciones epistemológicas. Se examina cómo la IA, a través de modelos computacionales y técnicas como el aprendizaje automático, la demostración automática de teoremas y la optimización mediante algoritmos evolutivos, alcanzado niveles significativos de autonomía en la resolución de problemas matemáticos complejos. Históricamente, desde la Máquina de Turing hasta las redes neuronales actuales, la IA ha contribuido a avances notables, incluyendo la resolución de problemas en teoría de representaciones y ecuaciones diofánticas. No obstante, persisten desafíos fundamentales: la IA carece de una comprensión conceptual profunda, presenta dificultades en la generalización y depende intensamente de datos, lo que compromete la transparencia y rigor en los procesos deductivos. El artículo destaca la necesidad de desarrollar capacidades simbólicas e intuitivas en los sistemas inteligentes, y un mayor razonamiento. Este estudio se realizó mediante un enfoque de revisión-documental, que integra la revisión de literatura especializada junto con el análisis de casos prácticos, Finalmente, se propone una visión colaborativa entre inteligencia humana e IA, donde esta última actúe como catalizadora del pensamiento matemático, sin reemplazar su dimensión creativa. La investigación enfatiza que el desarrollo ético y crítico de la IA es esencial, reconociendo a las matemáticas no solo como beneficiarias, sino como fundamento estructural de la IA.
Referencias
Díaz, M. & Rojas, F. (2019). Diseño de entornos de aprendizaje personalizados con inteligencia artificial en educación superior. Revista de Educación a Distancia.
Doe, R. & Tanaka, M. (2020). Automatización en la demostración matemática. Journal of Computational Mathematics, 15(2), 38-45.
Frey, C. & Osborne, M. (2017). The future of employment: ¿How susceptible are jobs to computerisation? Technological Forecasting and Social Change, 114, 254-280. The future of employment: How susceptible are jobs to computerisation?
González, M. & Pérez, J. (2023). Colaboración humano-IA en las matemáticas del futuro. Journal of Mathematical Innovation, 18(4), 110-115.
Harrison, T. & White, S. (2022). Desafíos éticos de la inteligencia artificial en la investigación matemática. International Journal of Ethical AI, 9(1), 90-105.
Lee, H., Zhang, P. & Chang, L. (2019). Redes neuronales y su aplicación en la resolución de problemas matemáticos complejos. Advances in AI Research, 27(3), 120-135.
Martínez, J. C. (1996). Fundamentos de demostración automática de teoremas. Universitat de Barcelona. https://hdl.handle.net/2445/152102
Martínez, J. & Ruiz, P. (2021). Impacto de la inteligencia artificial en la enseñanza y aprendizaje de las matemáticas. Educación y Nuevas Tecnologías.
McCulloch, W. & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5(4), 115–133.
Mucci, Tim. (21 de octubre de 2024). La historia de la inteligencia artificial. IBM. https://www.ibm.com/es-es/think/topics/history-of-artificial-intelligence
Pérez, M., González, L. & Hernández, S. (2019). Aplicaciones del aprendizaje automático en el Análisis Estadístico de Grandes Volúmenes de Datos. Revista Ciencia y Tecnología de la Información.
Russell, S. & Norvig, P. (2020). Artificial intelligence: A modern approach. (4th ed.). Pearson.
Smith, J. (2021). La inteligencia artificial en la matemática moderna. Revista de Matemáticas Avanzadas, 12(4), 85-100.
Soler, A. & Rosales, F. (2021). Optimización de Modelos Matemáticos Mediante Técnicas de Aprendizaje Profundo. Revista de Computación Avanzada.
Tegmark, M. (2017). Vida 3.0: Ser humano en la era de la inteligencia artificial. España, Barcelona: Taurus Taurus.
Chervonyi, Y., Trinh, T.H., Olšák, M., Yang, X., Nguyen, H., Menegali, M., Jung, J., Verma,V. Le, Q. V. & Luong, T. (2024). Gold-medalist Performance in Solving Olympiad Geometry with AlphaGeometry2. ArXiv. https://doi.org/10.48550/arXiv.2502.03544
Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., Chi, E., Le, Q. & Zhou, D. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Advances in Neural Information Processing Systems, 35, 24824-24837. https://doi.org/10.48550/arXiv.2201.11903