Un artículo divulgativo argumenta que la ventaja de los modelos de inteligencia artificial en matemáticas no reside en un razonamiento superior, sino en disponer de una memoria de trabajo simbólica prácticamente ilimitada. La memoria de trabajo humana es muy reducida: al resolver un problema hay que retener el significado de las variables, las operaciones realizadas y el objetivo, lo que explica por qué incluso cálculos sencillos, como multiplicar dos números de tres cifras mentalmente, resultan difíciles. Escribir en un papel no aumenta la inteligencia, sino que amplía la memoria de trabajo efectiva. Los matemáticos recurren a notación, esquemas y lemas escritos no solo para comunicar, sino para hacer el razonamiento cognitivamente posible. El «chunking» o agrupamiento de información permite comprimir más datos en ese límite, pero no eliminarlo. Varios estudios citados (Alloway y Passolunghi, 2011; Alloway y Alloway, 2010; Blankenship y colaboradores, 2015; metaanálisis de Friso-van den Bos y colaboradores, 2013) muestran que la memoria de trabajo predice el rendimiento matemático más allá del cociente intelectual. Los modelos de lenguaje cuentan con ventanas de contexto enormes que funcionan como un cuaderno externo: pueden conservar el enunciado, definiciones, ecuaciones intermedias y tentativas abandonadas. Su razonamiento se externaliza en el texto, que forma parte del propio mecanismo de inferencia, a diferencia de la memoria activa interna humana. Esta ventaja es especialmente relevante en matemáticas porque casi todos sus elementos —supuestos, definiciones, ecuaciones, objetivos, casos eliminados— pueden expresarse de forma explícita y estable. No obstante, los modelos también pueden pasar por alto información relevante dentro de contextos largos, por lo que la longitud anunciada no equivale a memoria perfectamente utilizable.
Noticias agregadas con IA