Maths 2.0：為何 AI 需要審計者，而不只是程式碼生成器
Maths 2.0: por qué la IA necesita auditores, no solo generadores de código
AI 能快速生成程式碼、測試、證明和設計，但生成結果不等於理解或驗證結果；文章主張以結構審計檢查 AI 產出的內容。審計應列明檢查的版本、工具、方法、控制措施及未涵蓋範圍，並讓他人能重複分析。Platino Labs 表示，目前沒有數據支持節能 95% 的説法。
La IA puede ayudar a producir código, pruebas, demostraciones y diseños con una rapidez que cambia el trabajo de los equipos técnicos. Pero producir una respuesta no es lo mismo que poder explicarla, verificarla y mantenerla. Cuando crece el volumen de resultados, también importa la capacidad de inspeccionarlos.
Esa diferencia —entre generar y comprender— conecta con una conversación más amplia sobre el futuro de las matemáticas.
Qué significa “Math 2.0” aquí
En su entrada del 10 de octubre de 2026, Terence Tao describe la charla Math 2.0 que dio en Caltech el día 9. Su propuesta explora cómo las herramientas de IA pueden apoyar a la comunidad matemática y cómo la comprensión matemática puede orientar mejor las aplicaciones en el mundo real.
No es una propuesta de Tao sobre auditoría de software. La conexión con los sistemas de IA es nuestra aplicación de esa idea: si una herramienta produce resultados, necesitamos formas de revisar qué produjo, sobre qué objeto trabajó y qué límites tiene la conclusión.
La pregunta práctica no es solo “¿funciona la salida?”. También es: “¿podemos reconstruir por qué confiamos en ella, y qué evidencia cambiaría esa decisión?”.
De la respuesta al objeto verificable
Una auditoría estructural útil empieza por acotar el objeto: una versión concreta del repositorio, las dependencias observadas, el método y los comandos ejecutados. Después publica qué encontró, qué controles aplicó y qué quedó fuera.
Ese alcance importa. Un grafo de dependencias puede revelar relaciones difíciles de ver a simple vista, pero no demuestra por sí solo que el sistema sea seguro, correcto o comprensible en todos sus comportamientos. Una métrica es una señal para investigar; no sustituye pruebas de ejecución ni convierte una observación en una certificación.
Por eso una conclusión técnica debería poder responder, como mínimo:
- ¿Qué versión exacta se examinó?
- ¿Qué herramienta, regla y configuración se usaron?
- ¿Qué control permitiría detectar un falso positivo o una omisión?
- ¿Qué parte del sistema no se observó?
- ¿Puede otra persona repetir el análisis y obtener el mismo resultado?
Si estas respuestas faltan, el resultado puede servir como pista, pero no como certeza.
La sostenibilidad también necesita auditoría
La misma disciplina aplica a las afirmaciones de eficiencia. Decir que una arquitectura es “verde” requiere más que identificar el hardware o ejecutar un modelo local. Hay que declarar la tarea, el equipo, la frontera medida, el instrumento, la línea base y las repeticiones.
En Platino Labs todavía no tenemos una medición que respalde un ahorro energético del 95%, ni una comparación que pruebe que una plataforma sea superior para esta auditoría. No usamos ese porcentaje como reclamo. Primero hacen falta datos reproducibles; después, una conclusión limitada a lo que esos datos realmente midan.
La certeza sostenible no promete que un sistema nunca fallará. Expone qué se revisó, cómo se puede comprobar y qué sigue siendo desconocido. Esa transparencia también ayuda a decidir qué optimizar y dónde tiene sentido ejecutar cada carga, sin confundir una hipótesis de eficiencia con un resultado.
Generar más no basta
La IA amplía lo que podemos producir. El siguiente paso es construir mejores hábitos para revisar lo producido: evidencia ligada a una versión, controles visibles, límites explícitos y resultados que otra persona pueda volver a comprobar.
Ese es el papel que proponemos para la auditoría estructural: no reemplazar a quienes desarrollan sistemas ni declarar que todo está entendido, sino hacer más visible qué sabemos, qué inferimos y qué todavía no sabemos. Si la IA va a participar en trabajo técnico de alto impacto, la calidad de sus resultados y la calidad de su verificación deben avanzar juntas.
¿Eres CTO y quieres entender mejor la estructura de tu sistema? Visita el portafolio de Platino Labs para conocer el enfoque y explorar una auditoría.
Fuentes
- Terence Tao, “Math 2.0”, 10 de octubre de 2026.
- Terence Tao, “Some of my recent talks and interviews”, 17 de octubre de 2026.
- American Institute of Mathematics, “Terence Tao presents Math 2.0 at the 2026 AIM Public Lecture”.
來源：DEV Community · dev.to