Notas Sesión 1

Date

October 26, 2026

Estado

Publicado

Obligatoriedad

Semana

Semana 10

Tipo

Notas de clase

Last edited by

Miss Pili Piñones

Last edited time

Oct 27, 2026 3:04 AM

N

1.2

Concepto

La sesión se centró en una reflexión colectiva sobre si la inteligencia artificial generativa vuelve innecesario el aprendizaje de las matemáticas, analizando la diferencia entre habilidad operativa (cálculo), comprensión conceptual y la capacidad de validar/orquestar conocimiento generado por máquinas.

Lo que entendí

• Niveles de evaluación de resultados de IA: Se mencionaron cuatro niveles para evaluar resultados atribuidos a la IA: demostración formal, resultado certificado (verificable por procedimiento independiente), mejor resultado conocido y reproducible, y resultado sugerente (conjetura o avance sin solución demostrada).
• Evolución de la IA en matemáticas: Los modelos de lenguaje (LLM/SLM) son predictivos y probabilísticos, por lo que inicialmente fallaban en matemáticas. Esto se ha mitigado enseñándoles lenguajes estructurados como Lean para demostraciones y conectándolos a plugins para operaciones aritméticas.
• Analogías históricas de herramientas: Se comparó la IA con el ábaco y los números indorábigos (Fibonacci, siglo XII), donde una herramienta nueva desplazó a la anterior y con el algoritmo de la raíz cuadrada, que hoy es poco usado porque la calculadora lo sustituyó.
• Riesgo de "rendición cognitiva": Delegar tareas mentales a la IA puede atrofiar habilidades, similar a cómo la memoria humana ha decaído al depender de agendas digitales y notas de voz.
• Cambio de rol del científico: Existe el riesgo de pasar de generar conocimiento a solo validar conocimiento. Si la IA genera resultados que los humanos ya no pueden seguir ni comprender, se pierde la capacidad de dirección y validación.
• Ejemplo de opacidad de la IA: Se citó un caso donde una IA encriptó un mensaje en una imagen de forma que otra IA podía leerlo, pero los humanos no podían identificar el patrón a simple vista.
• Dimensión humana de la ciencia: Se argumentó que la ciencia nace de la pasión humana por entender el porqué de las cosas (búsqueda del Arché en la antigua Grecia), y que delegar todo a la IA podría eliminar esa pasión y comprensión profunda.

Must know

• Distinción conceptual: Diferencia entre habilidad aritmética/operativa (ej. algoritmo de raíz cuadrada) y comprensión conceptual de los fenómenos matemáticos.
• Capacidad de abstracción: Importancia de materias como la geometría euclidiana no por su eficiencia práctica, sino para desarrollar la capacidad de abstracción.
• Riesgos de la IA en ciencia:
• Pérdida de habilidades neurológicas por falta de práctica.
• Dependencia de la IA para la generación de conocimiento sin capacidad de validación humana.
• Posible deshumanización de la ciencia al perder la pasión por el entendimiento.
• Naturaleza de las matemáticas: Debate sobre si las matemáticas son un constructo humano (requieren human-in-the-loop) o algo que existe y se descubre (la IA podría seguir descubriéndolas sola).