La inteligencia artificial se ha convertido en una presencia constante en nuestras vidas. Desde las recomendaciones que recibimos al comprar por internet hasta los sistemas de navegación que usamos a diario, pasando por diagnósticos médicos, predicciones meteorológicas o evaluaciones de riesgo financiero, la IA está detrás de decisiones críticas que afectan a millones de personas cada día.Sin embargo, a pesar de su aparente omnipresencia, sus mecanismos internos siguen siendo en gran parte opacos. Muchos de los expertos en el campo admiten que no comprenden completamente por qué los modelos de IA se comportan como lo hacen. Esta falta de comprensión está generando una carrera por construir modelos más grandes y costosos, sin garantizar que sean confiables, sostenibles o justos.Detrás de esa opacidad se esconde un motor silencioso: las matemáticas. No es la potencia bruta de los servidores lo que permite que la IA funcione, sino los algoritmos y modelos matemáticos que procesan y aprenden de los datos. Como en el caso de un mecánico que necesita entender el funcionamiento del motor antes de repararlo, también es imprescindible comprender la matemática que impulsa la IA para poder mejorarla.Por qué la comprensión matemática es la claveCuando se habla de sistemas como el machine learning o las redes neuronales, suele imaginarse que imitan el cerebro humano. Pero en realidad, lo que hacen es ejecutar millones de operaciones matemáticas para encontrar patrones en grandes volúmenes de datos. Estas operaciones incluyen conceptos de álgebra lineal, estadística, teoría de la probabilidad, optimización y geometría.Conforme los modelos se han vuelto más complejos, también han aumentado los riesgos. Desde sesgos racistas en chatbots como ChatGPT hasta algoritmos de justicia penal que discriminan a ciertos grupos, los errores no son anécdotas: son advertencias. Y estos problemas no pueden resolverse simplemente con más datos o más poder de cálculo. Se necesita una base teórica sólida que permita auditar y predecir el comportamiento de estos sistemas.Invertir en investigación matemática es fundamental para lograr sistemas de IA más transparentes, auditables y sostenibles. Comprender mejor los fundamentos matemáticos permitirá diseñar modelos que no dependan de cantidades descomunales de energía ni de infraestructuras al alcance de unos pocos gigantes tecnológicos.El modelo canadiense: ciencia antes que escalaCanadá es un ejemplo de cómo se puede construir una estrategia nacional de IA basada en la ciencia más que en la escala. Su liderazgo en el ámbito de la inteligencia artificial no es casual: se basa en décadas de inversión en investigación fundamental, particularmente en matemáticas.Instituciones como el Mila (Instituto de Inteligencia Artificial de Quebec), el Vector Institute en Toronto o el Amii (Alberta Machine Intelligence Institute) han sido pilares en el desarrollo de modelos que hoy están en el centro del ecosistema global de IA. Estas entidades trabajan en colaboración con CIFAR (Canadian Institute for Advanced Research), que ha sido clave para conectar investigadores en todo el país.A esto se suma una red de institutos matemáticos de renombre como el Fields Institute, el Pacific Institute for the Mathematical Sciences o el Centre de Recherches Mathématiques, que no solo promueven el avance teórico, sino que también fomentan la colaboración entre disciplinas y sectores. Desde el gobierno hasta la industria, estos espacios permiten que las matemáticas no se queden en el papel, sino que se conviertan en soluciones aplicadas.Una IA más confiable, menos costosa y accesibleLa apuesta por las matemáticas no es solo una cuestión teórica o elitista. Tiene un impacto directo en la vida de las personas. Una IA basada en principios matemáticos sólidos puede ser más eficiente, es decir, ofrecer mejores resultados usando menos energía y recursos. También puede ser más justa, al permitir detectar y corregir sesgos antes de que se conviertan en daños sociales. Y puede ser más confiable, lo que es crucial cuando se trata de decisiones que afectan a la salud, la economía o la justicia.Optar por esta vía también democratiza el acceso a la tecnología. Si el éxito de la IA no depende de tener el mayor servidor del planeta, sino de comprender mejor cómo funcionan los modelos, más países y organizaciones podrán participar en su desarrollo y aplicación. Esto fortalece la soberanía tecnológica y evita la concentración de poder en unas pocas manos.Más ciencia, menos carreras armamentistasEl camino que propone Canadá no busca competir en una «carrera armamentista» por la potencia computacional, sino establecer un estándar científico de cómo debería funcionar la IA en contextos reales. Cuando están en juego vidas humanas, recursos públicos y derechos fundamentales, no basta con que la IA sea eficaz: debe ser comprensible, controlable y responsable.Este enfoque no solo es más sustentable, también es estratégicamente inteligente. Reforzar las bases matemáticas no solo permitirá que Canadá mantenga su liderazgo, sino que podría marcar el rumbo para una IA global más humana y equitativa.La noticia Canada y su apuesta por las matemáticas para liderar en inteligencia artificial fue publicada originalmente en Wwwhatsnew.com por Natalia Polo.