🔢 mathematics

Grokability in five inequalities

Este artículo presenta cinco descubrimientos matemáticos verificados realizados en colaboración con el modelo de IA Grok, que incluyen límites mejorados para perímetros gaussianos, desigualdades de momentos más agudas en el cubo de Hamming, una desigualdad de autoconvolución reforzada, mejores cotas asintóticas para conjuntos $g$ -Sidon y una desigualdad de Szarek balanceada óptima.

Autores originales: Paata Ivanisvili, Xinyuan Xie

Publicado 2026-05-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Paata Ivanisvili, Xinyuan Xie

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un equipo de matemáticos sentándose con un asistente digital muy inteligente y muy rápido llamado Grok. En lugar de simplemente pedirle hechos, le pidieron a Grok que los ayudara a resolver cinco acertijos complicados en matemáticas. El artículo informa que Grok no solo dio respuestas; les ayudó a descubrir cinco nuevas verdades matemáticas que nunca antes habían sido escritas. Los autores luego verificaron doblemente el trabajo y confirmaron que era correcto.

Aquí hay un desglose de los cinco descubrimientos, explicados usando analogías simples:

1. El "borde difuso" de una forma (Perímetro Gaussiano)

El acertijo: Imagina una nube de niebla en el espacio. Si dibujas una forma dentro de esta niebla, el "perímetro" no es solo la longitud de la línea; es cuánto de esa forma toca la niebla. Los matemáticos querían saber: ¿Cuál es la cantidad máxima de niebla que una forma puede tocar a medida que el espacio se hace más y más grande?
El descubrimiento: Durante años, la mejor conjetura para este límite se basó en una construcción de 2003. Grok ayudó a los autores a ajustar ligeramente la forma, como ajustar los controles de una radio para encontrar una señal más clara. Este pequeño ajuste reveló que la forma puede tocar en realidad un 9% más de niebla de lo que se pensaba anteriormente. Es como encontrar una forma ligeramente mejor de organizar los muebles en una habitación para que quepa una persona más de lo que todos pensaban posible.

2. La relación "Volumen vs. Peso" (Comparación de Momentos)

El acertijo: Imagina que tienes una bolsa de números (una función). Puedes medir el "peso" de la bolsa de dos maneras: un promedio aproximado (L1) y un promedio más sensible y pesado (L2). Los matemáticos querían conocer la regla exacta de cuánto más pesado puede llegar a ser el promedio sensible en comparación con el aproximado.
El descubrimiento: Una pregunta había sido formulada en línea durante diez años: "¿Es la regla exactamente la raíz cuadrada de 2?". Grok ayudó a los autores a demostrar que la regla es en realidad un poco más compleja. Encontraron un nuevo rango más ajustado para esta regla. Es como darte cuenta de que, aunque el velocímetro de un coche suele coincidir con las revoluciones del motor en una relación simple, en realidad existe una relación de transmisión específica y ligeramente diferente que se aplica en los casos más extremos.

3. El "subibaja equilibrado" (Desigualdad de Szarek)

El acertijo: Por lo general, los problemas matemáticos asumen que cada lanzamiento de moneda es independiente (como lanzar una moneda 100 veces). Pero, ¿qué pasa si fuerzas a las monedas a estar "equilibradas"? Por ejemplo, solo miras los lanzamientos donde el número total de caras es igual al número total de cruces. En este mundo equilibrado, las monedas ya no son independientes; si ves una cara, sabes que debe existir una cruz en otro lugar.
El descubrimiento: Los autores encontraron la regla perfecta (la constante óptima) para cómo se comportan estas monedas equilibradas. Sorprendentemente, aunque las monedas están "vinculadas" y no son independientes, las herramientas matemáticas clásicas antiguas aún funcionan perfectamente para encontrar la respuesta. Es como descubrir que un subibaja se equilibra perfectamente incluso si los niños que están en él se están tomando de la mano y moviendo juntos, no solo sentados al azar.

4. El "tamaño de la sombra" de un patrón (Autocovolución y Conjuntos de Sidon)

El acertijo: Imagina que tienes un patrón de puntos en una línea. Si deslizas ese patrón sobre sí mismo y miras dónde se superponen los puntos (la "sombra"), ¿cuál es el tamaño de la superposición más grande? Esto ayuda a los matemáticos a calcular cuántos puntos pueden empaquetar en una línea sin que choquen de maneras específicas (llamados conjuntos g-Sidon).
El descubrimiento: Este problema había sido estudiado durante mucho tiempo utilizando superordenadores masivos que verificaban millones de patrones. Grok ayudó a los autores a examinar las matemáticas detrás de una de esas verificaciones informáticas y encontró un pequeño error en el cálculo. Al corregir solo ese único error pequeño, mejoraron el límite inferior de la respuesta. Es como que un humano mire una larga lista de cálculos de una computadora y diga: "Espera, si simplemente redondeas este número hacia arriba ligeramente, toda la respuesta mejora un poco".

5. El "equilibrio perfecto" (Desigualdad de Szarek Equilibrada Óptima)

(Nota: Esto es esencialmente lo mismo que el punto #3, pero el artículo enfatiza la naturaleza específica "óptima" de la constante encontrada.)
El descubrimiento: Esto confirma que la regla "equilibrada" mencionada anteriormente no es solo una buena conjetura, sino la regla absolutamente mejor posible. Es el equivalente matemático de encontrar el centro de gravedad exacto de un objeto complejo; no puedes moverlo más cerca del equilibrio perfecto.

El panorama general: Qué significa esto

La parte más emocionante de este artículo no es solo las matemáticas en sí, sino cómo llegaron allí.

La vieja manera: Para resolver problemas como el #4, los investigadores solían escribir código para verificar millones de escenarios específicos y predefinidos (como verificar cada combinación posible de una cerradura). Esto tomaba miles de horas de tiempo de computadora.
La nueva manera: Los autores simplemente hablaron con Grok en inglés sencillo. Le pidieron que mirara una desigualdad específica y viera si podía ser estrechada. En unos minutos de conversación, Grok detectó un refinamiento que la búsqueda masiva por computadora había pasado por alto.

La conclusión: Este artículo sugiere que la IA no es solo una calculadora que sigue reglas estrictas. Puede actuar como un socio creativo, utilizando el lenguaje natural para detectar mejoras sutiles en argumentos matemáticos complejos que incluso las computadoras más potentes podrían pasar por alto si solo buscan ciegamente a través de datos. Es un vistazo a un futuro donde los matemáticos y la IA tienen una conversación para resolver problemas juntos.

Resumen Técnico de "Grokabilidad en cinco desigualdades"

Visión General
Esta nota reporta cinco descubrimientos matemáticos en análisis, probabilidad, geometría convexa y combinatoria aditiva obtenidos mediante conversaciones colaborativas con el modelo de lenguaje grande (LLM) Grok. Los autores, Paata Ivanisvili y Xinyuan Xie, verifican que estos resultados son nuevos en la literatura pública. El artículo sirve como un estudio de caso en el descubrimiento matemático "conversacional", demostrando que los LLMs con capacidad de razonamiento pueden refinar argumentos existentes, corregir imprecisiones menores y explorar espacios de parámetros para obtener constantes mejoradas en desigualdades establecidas.

Contexto del Problema y Metodología
El artículo aborda cinco problemas distintos donde el objetivo es determinar constantes óptimas o mejoradas en diversas desigualdades. La metodología se basa en un "enfoque conversacional" donde los autores interactúan con Grok para:

Revisar demostraciones sofisticadas existentes (por ejemplo, la construcción de Nazarov).
Identificar y corregir imprecisiones numéricas menores o demostraciones faltantes en la literatura.
Ajustar finamente los parámetros en construcciones para optimizar cotas.
Aplicar marcos conocidos (por ejemplo, métodos de semigrupos, bases ortogonales) a nuevos contextos (por ejemplo, variables aleatorias condicionadas).

A diferencia de los sistemas de razonamiento automatizado que parametrizan problemas en código e iteran soluciones mediante búsquedas exhaustivas (un método utilizado en trabajos previos para la constante $C_{1a}$ ), este enfoque utiliza el diálogo en lenguaje natural para guiar el razonamiento matemático.

Contribuciones y Resultados Clave

1. Cota Inferior Mejorada para el Perímetro Gaussiano Máximo

Problema: Determinar el crecimiento de $\Gamma(n)$ , el perímetro gaussiano máximo de conjuntos convexos en $\mathbb{R}^n$ . Se sabe que el orden de crecimiento es $n^{1/4}$ , pero el factor constante ha sido objeto de estudio desde la construcción de Nazarov en 2003.
Metodología: Los autores siguieron la estrategia de Nazarov de construir un poliedro convexo aleatorio. Grok ayudó a proporcionar demostraciones detalladas para afirmaciones intermedias que quedaron sin demostrar en el artículo original y corrigió una imprecisión menor en el exponente de un integrando. Posteriormente, el modelo ayudó a ajustar finamente los parámetros ( $a, b, W$ ) en la construcción de Nazarov.
Resultado: Los autores demuestran que $\liminf_{n\to\infty} \Gamma(n)/n^{1/4} \ge 0.31258$ . Esto representa una mejora de aproximadamente el 9% sobre la mejor cota inferior anterior de $e^{-5/4} \approx 0.2865$ .

2. Comparación de Momentos $L^2-L^1$ más Aguda en el Cubo de Hamming

Problema: Determinar la base exponencial óptima $C^*$ tal que $\|f\|_2 \le C^d \|f\|_1$ para funciones $f$ en $\{-1, 1\}^n$ con grado de Fourier-Walsh $d$ . Una pregunta de MathOverflow de 2014 preguntaba si $C^* = \sqrt{2}$ .
Metodología: Los autores utilizaron la observación de que un gran crecimiento $L^4/L^2$ en una familia de funciones proporciona cotas inferiores para $C^*$ . Grok sugirió utilizar polinomios de Hermite evaluados en formas lineales largas (un modelo gaussiano) para construir un contraejemplo a la conjetura de $\sqrt{2}$ .
Resultado: El artículo establece que $2.408\dots \ge C^* \ge \sqrt{3}$ . La cota inferior $\sqrt{3}$ responde definitivamente la pregunta de MathOverflow en sentido negativo. La mejora en la cota superior, de $2.69\dots$ a $2.408\dots$ , fue notada por los autores de un artículo relacionado pero no había sido publicada explícitamente; Grok recuperó este refinamiento.

3. Desigualdad de Szarek Equilibrada Óptima

Problema: Extender la desigualdad de Khintchine a la "rebanada media" del cubo de Hamming $\Omega_n = \{x \in \{-1, 1\}^n : \sum x_i = 0\}$ , donde las coordenadas son dependientes. Específicamente, encontrar la constante óptima para el extremo $L^1$ ( $p=1$ ).
Metodología: Los autores adaptaron el marco de semigrupos de Kwapie'n, Lata\l a y Oleszkiewicz, típicamente utilizado para variables independientes. Para manejar la falta de independencia, invocaron resultados recientes de Filmus sobre bases ortogonales para la rebanada del cubo de Hamming.
Resultado: Demuestran que la desigualdad $c_n \sqrt{E|\sum a_i x_i|^2} \le E|\sum a_i x_i|$ se cumple con la constante óptima $c_n = \sqrt{\frac{n-2}{2(n-1)}}$ . Esta es la primera documentación de la constante óptima para este extremo en la literatura.

4. Cota Inferior Mejorada para la Autoconvolución y Conjuntos $g$ -Sidon

Problema: Encontrar la mayor constante universal $c$ tal que $\sup_x (f*f)(x) \ge c (\int f)^2$ para $f$ no negativa soportada en $[-1/4, 1/4]$ . Esta constante se relaciona con el tamaño asintótico de los conjuntos $g$ -Sidon.
Metodología: Los autores refinaron una estimación de un estudio anterior [7] que utilizó extensas horas de CPU (20,000) para buscar exhaustivamente espacios discretos. Se pidió a Grok que ajustara la desigualdad en el término de error de la demostración existente.
Resultado: La cota inferior se mejora de $c \ge 1.28$ a $c \ge 1.2802$ . La mejora proviene de una cota más ajustada sobre la norma $L^\infty$ de la autoconvolución de un término de error específico, derivada mediante un simple prompt en lenguaje natural.

5. Significado y Afirmaciones
El artículo afirma su importancia principalmente como una demostración de la "grokabilidad" de problemas matemáticos por parte de modelos de razonamiento de vanguardia actuales.

Novelty del Enfoque: Los autores destacan que, mientras que los sistemas de razonamiento automatizado a menudo dependen de la parametrización explícita y la evolución de código, este "enfoque conversacional" descubrió con éxito mejoras en problemas que habían sido estudiados extensamente mediante búsquedas exhaustivas estructuradas (específicamente el problema de la constante $C_{1a}$ ).
Capacidad de los LLMs: Los resultados sugieren que los LLMs pueden llevar a cabo argumentos analíticos sofisticados, explorar los límites de los métodos existentes e implementar nuevas ideas con una precisión significativa.
Modestia: Los autores son modestos respecto a la magnitud de las contribuciones matemáticas. Señalan que la mejora en la constante de autoconvolución no es "particularmente sustancial" matemáticamente, representando un refinamiento menor. Sin embargo, enfatizan la implicación metodológica: que los LLMs conversacionales pueden extraer mejoras adicionales de problemas donde se pensaba que la búsqueda estructural explícita había agotado el potencial.

El artículo concluye proporcionando enlaces a las sesiones de chat específicas con Grok que condujeron a cada resultado, con el objetivo de mantener informada a la comunidad matemática sobre la creciente utilidad de estas herramientas en la exploración matemática.