Microsoft y la IA ayudan a resolver la conjetura KLS: qué demuestra

Una conjetura que llevaba abierta desde 1995 acaba de recibir varias pruebas, y una de ellas nació de una colaboración poco habitual entre matemáticos y agentes de inteligencia artificial. El resultado afecta a la geometría de alta dimensión, la probabilidad y los algoritmos que necesitan explorar distribuciones complejas. También ofrece una lección más amplia: la IA puede ampliar el espacio de ideas que examina un investigador, pero eso no equivale a sustituir la formulación, la revisión y la responsabilidad humanas.

Microsoft Research anunció el 21 de octubre de 2026 que Zhao Song y Xinzhi Zhang habían completado una prueba de la conjetura de Kannan–Lovász–Simonovits, conocida como KLS. El trabajo recibió después dos confirmaciones independientes con enfoques distintos y una formalización parcial en Lean. Conviene contar el avance con precisión: los artículos son prepublicaciones técnicas y la comunidad seguirá revisando sus argumentos, aunque la convergencia de pruebas aporta una evidencia mucho más sólida que un único borrador aislado.

Índice

Qué es la conjetura KLS, sin exigir un doctorado

Imagina una nube de puntos que ocupa un espacio con muchísimas dimensiones. No podemos verla directamente, pero sí describirla con ecuaciones. En aprendizaje automático, estadística y optimización aparecen a menudo distribuciones de este tipo: tienen una forma regular, llamada logcóncava, que excluye valles y picos arbitrarios.

La conjetura KLS pregunta, en esencia, si la geometría global de esas distribuciones puede controlarse con una constante universal que no empeore al aumentar el número de dimensiones. Una de sus formulaciones afirma que la constante de Poincaré de cualquier medida logcóncava isotrópica está acotada por un valor absoluto. Traducido: la variación de una función sobre esa distribución debería poder limitarse a partir de cómo cambia localmente, sin pagar una penalización creciente solo porque el espacio tenga cien, mil o un millón de dimensiones.

Otra forma intuitiva de verlo consiste en cortar un cuerpo convexo de volumen uno. KLS sostiene que siempre existe una separación eficiente entre dos partes grandes y que la calidad del corte puede describirse sin depender de la dimensión. Esa independencia es la dificultad central. Muchas técnicas anteriores conseguían cotas que crecían lentamente con el número de dimensiones; el objetivo era demostrar que, en realidad, bastaba una constante.

Qué se ha demostrado exactamente

El primer manuscrito de Song y Zhang, publicado el 1 de octubre, obtuvo una cota de orden O(4^{log* n}). La función log* crece de manera extremadamente lenta, pero sigue dependiendo de la dimensión. Según el relato técnico de Microsoft Research, los autores encontraron después un procedimiento recursivo para aplicar su propio criterio repetidamente y eliminar esa dependencia. Ese segundo paso es el que permite hablar de una resolución de KLS.

Pierre Bizeul, Boaz Klartag y Joseph Lehec publicaron el 4 de octubre una presentación independiente de la prueba. Su trabajo identifica como pieza crucial el criterio reciente de Song y Zhang, basado en derivadas de orden superior de medias inclinadas, y desarrolla el paso final hacia las formulaciones equivalentes de concentración, isoperimetría y desigualdades de Poincaré.

Krishnakumar Balasubramanian y Shiva Kasiviswanathan presentaron otra vía. La versión revisada de su artículo da una prueba variacional determinista con una cota explícita: una constante de Poincaré no superior a 25 para medidas logcóncavas isotrópicas. La coincidencia no significa que todos los detalles estén cerrados para siempre; sí significa que grupos distintos han llegado a la propiedad esencial —una cota independiente de la dimensión— mediante herramientas diferentes.

Además, un repositorio público recoge una formalización en Lean 4 con una constante como máximo de 500. Una formalización informática obliga a expresar cada hipótesis y cada paso en un lenguaje que un verificador pueda comprobar. No sustituye la comprensión matemática ni garantiza por sí sola que el modelo formal represente exactamente toda la intención del teorema, pero añade una capa de control especialmente valiosa en pruebas largas.

Qué papel tuvo realmente la inteligencia artificial

La parte más llamativa no es que un chatbot produjera una demostración terminada al recibir una pregunta. Eso no ocurrió. Microsoft describe una búsqueda dirigida por humanos en la que investigadores utilizaron agentes para explorar alrededor de cien trayectorias candidatas, probar extensiones de ideas conocidas, detectar callejones sin salida y convertir intuiciones en argumentos que después debían revisarse.

Song y Zhang ya contaban con un criterio matemático prometedor. El cuello de botella era encontrar una forma de iterarlo hasta transformar una cota casi constante en una constante auténtica. Los agentes sirvieron como multiplicadores de exploración: podían proponer variantes, manipular expresiones y mantener varias líneas de trabajo en paralelo. Los investigadores seleccionaban los caminos con sentido, corregían los fallos y decidían qué afirmaciones merecían incorporarse a la prueba.

Hay un dato particularmente útil para evitar el triunfalismo: experimentos sin dirección humana, aun con un presupuesto de cómputo comparable, no resolvieron el problema. La ventaja apareció al combinar contexto experto, objetivos intermedios y revisión continuada. Es el mismo patrón que se observa en herramientas para construir visualizaciones: un agente puede acelerar pasos técnicos, pero la fiabilidad depende de una representación verificable y de una persona que controle el resultado. En nuestro análisis de Flint Interactive y sus gráficos creados por agentes explicamos esa diferencia entre generar una salida y producir un objeto que se pueda inspeccionar y editar.

Por qué KLS importa fuera de la geometría pura

La conjetura conecta propiedades geométricas, desigualdades funcionales y comportamiento de paseos aleatorios. Esa red de equivalencias hace que una cota universal pueda trasladarse a problemas de muestreo: cómo obtener ejemplos representativos de una distribución complicada sin recorrer de forma exhaustiva un espacio gigantesco.

También aparece en algoritmos para optimización convexa, integración numérica y estimación estadística. Cuando un algoritmo se mueve aleatoriamente por un cuerpo convexo, las desigualdades asociadas a KLS ayudan a determinar cuánto tarda en mezclarse, es decir, en dejar de depender demasiado de su punto inicial. Mejorar las cotas teóricas puede simplificar análisis de complejidad y aclarar qué parte de un coste procede de la dimensión y cuál de la estructura real del problema.

Eso no implica que mañana un servicio de IA vaya a funcionar más rápido gracias a este teorema. Entre una prueba estructural y una mejora de producto hay trabajo adicional: diseñar algoritmos, estudiar constantes, comprobar supuestos y medirlos en datos reales. La consecuencia inmediata es conceptual y matemática. Las aplicaciones, si llegan, necesitarán desarrollos específicos.

Una colaboración potente, pero no libre de riesgos

El caso ilustra una forma de trabajo prometedora: una persona define el problema, descompone la búsqueda y somete las propuestas a comprobaciones externas. Esa arquitectura es muy distinta de conceder a un agente autonomía ilimitada. Cuanto más larga es una tarea, más fácil resulta que una premisa errónea contamine pasos posteriores o que un resumen omita una restricción importante.

Por eso la verificación no puede reducirse a preguntar al mismo modelo si su respuesta es correcta. En matemáticas se pueden buscar pruebas independientes, formalizaciones y objeciones de especialistas. En sistemas que actúan sobre servicios reales hacen falta, además, permisos mínimos y entornos aislados. El incidente que analizamos en la prueba de un agente que actuó fuera de alcance muestra por qué la capacidad y la autorización deben mantenerse separadas.

La misma disciplina resulta útil en trabajos cotidianos. Si quieres incorporar asistentes a una actividad profesional, una formación como IA Mindset aplicada al coaching puede servir para estructurar usos concretos bajo supervisión. Y si el objetivo es convertir conocimiento en un producto escrito, el programa IA Autor para planificar y revisar ebooks plantea otro flujo donde la herramienta acelera borradores, pero el autor conserva la selección, la comprobación y la voz final.

Hechos, inferencias y predicciones: tres niveles distintos

Hechos documentados. KLS fue formulada en 1995; Song y Zhang publicaron primero una cota casi constante y después desarrollaron el paso que elimina la dependencia de la dimensión; otros dos equipos presentaron pruebas independientes; existe una formalización pública en Lean; y Microsoft afirma que la búsqueda con agentes fue guiada por investigadores.

Inferencia razonable. La diversidad de pruebas y la formalización reducen la probabilidad de que un único error local invalide todo el resultado. Aun así, no equivalen a una certificación instantánea de la comunidad. Los manuscritos deberán seguir siendo leídos, discutidos y corregidos si aparecen objeciones.

Predicción todavía abierta. Es probable que los agentes se conviertan en instrumentos habituales para explorar espacios de demostración, comprobar casos y formalizar argumentos. No está demostrado que puedan elegir por sí solos las preguntas más fértiles, reconocer siempre una premisa oculta o asumir la responsabilidad intelectual de una prueba.

Qué enseña este resultado sobre el futuro de la investigación

La lección más valiosa no es “la IA ya hace matemáticas sola”, sino algo más concreto: un sistema capaz de generar y probar muchas hipótesis puede complementar la intuición de expertos cuando el proceso deja huellas verificables. En problemas con reglas formales, esas huellas pueden ser ecuaciones, lemas, código de prueba y contraejemplos. En ciencias experimentales deberán incluir también datos, protocolos y reproducibilidad.

Este modelo de colaboración cambia dónde se invierte el tiempo. El investigador puede dedicar menos esfuerzo a expandir manualmente cada variante y más a definir criterios, comparar rutas y revisar los puntos delicados. Pero también crea una nueva obligación: documentar qué aportó la máquina, qué seleccionó el humano y qué comprobaciones independientes existen.

KLS es un buen caso porque evita las dos narrativas fáciles. Ni la IA fue un simple corrector ortográfico, ni apareció una demostración autónoma de la nada. Hubo una interacción entre conocimiento experto, búsqueda computacional, crítica humana y verificación posterior. El avance también deja un registro público que otros equipos pueden examinar, discutir y mejorar. Si ese equilibrio se mantiene, los agentes pueden ampliar la ambición de la investigación sin rebajar el estándar de prueba.

Preguntas frecuentes

¿La inteligencia artificial resolvió sola la conjetura KLS?

No. Los investigadores dirigieron la búsqueda, aportaron el criterio matemático, evaluaron las rutas y redactaron argumentos verificables. Microsoft señala que las ejecuciones sin guía no alcanzaron la solución.

¿La prueba ya está aceptada definitivamente?

Existen varias prepublicaciones independientes y una formalización, señales muy fuertes a favor del resultado. Sin embargo, la revisión matemática continúa y no debe confundirse un anuncio con el cierre instantáneo de todo el proceso académico.

¿Qué significa una cota independiente de la dimensión?

Significa que el límite no empeora solo porque el espacio tenga más coordenadas. La misma constante sirve para cualquier número de dimensiones dentro de las hipótesis de la conjetura.

¿Esto hará más rápidos los modelos de IA actuales?

No de forma automática. KLS influye en la teoría de muestreo y optimización, pero convertir el teorema en una mejora práctica exige nuevos algoritmos, análisis y experimentos.