La hipótesis de la representación lineal sostiene que muchos conceptos naturales —género, emoción, capitales— corresponden a direcciones en el espacio de embeddings de un modelo de lenguaje. Una versión audaz de esa hipótesis propone que también la verdad tiene una dirección detectable: entrenando clasificadores sobre embeddings de frases verdaderas y falsas, varios equipos han obtenido «sondas de verdad» con precisiones sorprendentes, lo que tendría implicaciones clave para la seguridad de la IA.
Este artículo demuestra que esa aspiración es matemáticamente inviable. Por analogía con los teoremas de Gödel, Tarski y Turing, el autor plantea un ataque diagonal: si la sonda evalúa la frase «la puntuación de la sonda de verdad para esta frase es FALSO», se genera una paradoja sin salida coherente. En general, ninguna sonda definible sobre el espacio de representación de un modelo puede capturar la verdad de cualquier lenguaje capaz de describir esa sonda y sus salidas —e inglés lo es con creces.
Para mostrar que el ataque es ejecutable, el autor entrena una sonda logística sencilla para Qwen3.5-4B (94% de acierto en un conjunto pequeño). Sobre frases autoinfereciales estilo diagonal, la sonda arroja valores incoherentes. Se analiza también si relajar la verdad a valores en [0,1] y exigir continuidad (punto fijo de Brouwer) resuelve la paradoja: disuelve el caso más simple, pero no los ataques más generales, porque sentencias del tipo «esta frase tiene una puntuación de verdad menor que 0,5» rompen la continuidad. La conclusión es que no existe una sonda universal de verdad y que cualquier intento debe acotar el lenguaje que puede usarse como entrada.