La IA resolvió el problema más difícil de las matemáticas. Ahora nadie sabe qué encontró

La prueba está ahí. Nadie sabe por qué.

OpenAI dedicó unos 15 millones de dólares a calcular una solución para uno de los problemas más difíciles de las matemáticas. La empresa movilizó 10 000 agentes de IA durante 88 horas, consumiendo 300 mil millones de tokens para generar una demostración de 166 páginas sobre el comportamiento de las ecuaciones de Navier-Stokes, tal como los matemáticos habían sospechado durante siglos.

La demostración compila. Un programa llamado Lean — un lenguaje de verificación formal — la revisó línea por línea y no encontró errores. Según todos los estándares técnicos disponibles, el problema está resuelto.

Y sin embargo, como afirmó con crudeza James Maynard, de la Universidad de Oxford: «Hasta ahora ha sido muy difícil extraer alguna comprensión humana de esta nueva demostración generada por IA».

Esta es la paradoja de un momento que definirá la próxima era del descubrimiento científico. La IA ha cruzado un umbral donde puede verificar la verdad sin producir insights. La comunidad matemática ahora enfrenta una pregunta que nunca antes había encountered: ¿qué haces cuando una máquina puede demostrar que algo es verdadero, pero ningún ser humano puede seguir la lógica?

Cómo llegamos aquí

El problema de Navier-Stokes es uno de los siete Problemas del Milenio, cada uno con un bounty de 1 millón de dólares del Instituto Clay de Matemáticas. Establecidos en 2000, estos problemas representan los obstáculos más tercos de las matemáticas puras. Las ecuaciones de Navier-Stokes describen cómo se mueven los fluidos — agua, aire, acero fundido —, pero nadie puede probar si sus soluciones siempre permanecen suaves o si pueden romper inesperadamente en caos.

Tristan Buckmaster, un matemático de la Universidad de Nueva York, había estado avanzando hacia una solución junto con su colaborador Levent Alpöge, quien trabaja en la rival compañía de IA Anthropic. Otros investigadores de primer nivel, incluida la ganadora del Fields Martin Hairer de EPFL, habían señalado que entre los siete Problemas del Milenio, «todos coincidían en que este sería el próximo en resolverse».

Entonces OpenAI se puso al tanto.

El 1 de septiembre, la compañía anunció que estaba invirtiendo toda su potencia computacional en el problema. Diez mil agentes. Ochenta y ocho horas. Una demostración que pareció llegar más rápido que los investigadores humanos que habían trabajado en ello durante años.

El cronograma generó sospechas. Buckmaster luego declaró a NPR que OpenAI parecía saber más sobre su enfoque de lo que la compañía dejaba sobreentender — información que sugirió que podría haber provenido no solo de inteligencia humana sino también de los propios agentes, rastreando conversaciones públicas o leyendo los prompts que Buckmaster y Alpöge habían utilizado en su propio trabajo asistido por IA.

OpenAI negó haber usado sus demostraciones o sus prompts. Pero las acciones de la compañía hablaban más fuerte. Buckmaster los acusó de intentar obligarlo a eliminar a Alpöge de cualquier artículo resultante — un movimiento que habría dividido una colaboración y potencialmente dado a OpenAI acceso exclusivo a los investigadores humanos que entendían mejor el problema.

Maynard, quien firmó un comunicado junto con otras 24 ganadoras del Fields, calificó todo el episodio como «objetivos desalineados» — un conflicto entre las compañías de IA que compiten por prestigio y los matemáticos que se preocupan por la comprensión, no solo por las respuestas.

El artículo que nadie puede leer

La solución ya está en internet. Cualquiera puede descargarla. Pocos la han terminado.

Javier Gómez-Serrano, un matemático de la Universidad Brown que usa IA en su propia investigación, dijo que el artículo «no está escrito para humanos». Buckmaster estuvo de acuerdo: «El artículo no explica qué partes son importantes. ¿Cuáles son rutinarias? ¿Cómo se conecta la idea con otros lugares?»

Estas no son quejas menores. En matemáticas, una demostración no es solo un certificado de corrección — es una historia. Revela por qué algo es verdadero, no solo que lo es. Las buenas demostraciones iluminan. Presentan nuevas herramientas, nuevas formas de pensar, nuevas conexiones entre ideas previamente desconectadas. El valor de una demostración reside en su legibilidad, en lo que le enseña al lector sobre la estructura del problema.

La demostración de OpenAI casi no enseña nada.

Gómez-Serrano ofreció una pequeña esperanza: con «una reescritura seria», la demostración eventualmente podría ayudar a impulsar el campo. Pero hasta ahora, la respuesta a una pregunta que los matemáticos han enfrentado durante generaciones ha sido producida por una máquina que aparentemente la entiende de una manera que ningún ser humano puede — y que ya no puede transmitir esa comprensión de vuelta.

Verificación sin comprensión

La formalización en Lean es lo que le da a la comunidad la confianza de que la demostración es correcta. Lean es un lenguaje de programación diseñado para un propósito: verificar demostraciones matemáticas con rigor absoluto. Si el código compila, la demostración es válida. No hay ambigüedad, no hay loophole, no hay esperanza de que un error sutil haya pasado desapercibido por ojos humanos cansados.

Este es el verdadero cambio que está ocurriendo aquí. Durante siglos, la verdad matemática dependía de la comprensión humana. Una demostración era aceptada cuando los expertos podían leerla, rastrear su lógica y convencerse — a sí mismos y a los demás — de que sostenía. El contrato social de las matemáticas se construyó sobre la comprensión compartida.

Ese contrato se está fracturando.

Lean no necesita comprender. Necesita compilar. Y la demostración de OpenAI compila.

Esto crea una nueva categoría de conocimiento — verificado pero opaco, verdadero pero incomprensible. La comunidad matemática nunca antes había tenido que decidir qué hacer con ello.

Lo que esto significa para la ciencia

Las implicaciones van mucho más allá de un solo problema. Si la IA ahora puede producir demostraciones verificadas que los humanos no pueden analizar, entonces cada campo que depende de la demostración — no solo las matemáticas, sino también la informática teórica, la física e incluso la criptografía — enfrenta un futuro donde los resultados generados por máquinas podrían ser correctos pero inaccesibles.

Considera lo que esto significa para el método científico. La ciencia siempre ha dependido de la reproducibilidad y la comprensión. Un resultado que no puede ser seguido, paso a paso, por otro investigador no es verdadera ciencia — es otra cosa. Las matemáticas generadas por IA corren el riesgo de convertirse en una caja negra: salidas que funcionan, pero cuyo funcionamiento se pierde tras capas de cómputo que ningún ser humano puede sostener en su mente.

Martin Hairer resumida la distinción que más importa: «No se trataba solo de responder este problema, se trataba de la comprensión humana detrás de él».

La carrera ya se está perdiendo

Quizás lo más perturbador es lo que sucedió aquí. Dos investigadores humanos, trabajando con herramientas de IA, estaban cerca de un avance. Una compañía con recursos muy superiores se abalanzó, produjo un resultado verificado y dejó a los matemáticos humanos dando vueltas para publicar su propio trabajo — aún incompleto, aún ilegible — solo para mantenerse relevantes.

Buckmaster dijo que la prisa lo obligó a publicar resultados preliminares que «no están al nivel con el que me siento cómodo», aunque al menos la introducción contenía las ideas clave. La carrera por la publicación siempre ha existido en la academia, pero la IA la ha acelerado hasta un punto donde el trabajo lento y cuidadoso de la comprensión está siendo reemplazado por el trabajo rápido y brute-force de generar respuestas.

Maynard y las otras ganadoras del Fields pidieron una mejor alineación entre las compañías de IA y la comunidad matemática. El comunicado que liberaron el 11 de septiembre fue un llamado a la colaboración sobre la competencia — un reconocimiento de que la herramienta más valiosa en matemáticas puede ser la mente humana que puede dar sentido a lo que la máquina produce.

La pregunta por delante

OpenAI demostró que puede resolver un problema del Milenio. Gastó 15 millones de dólares y 300 mil millones de tokens para hacerlo. La demostración es correcta.

Pero en los seis meses desde que la IA explotó en la escena matemática, según told researchers académicos a NPR, la comunidad todavía no puede leer lo que las máquinas han escrito.

Este no es un fallo de la IA. Es un fallo de algo más antiguo y más difícil de reparar: la brecha entre la verificación y la comprensión.

Una máquina puede saber que algo es verdadero. Todavía no puede saber por qué — y todavía no puede decírnoslo.

Hasta que esa brecha se cierre, los descubrimientos más profundos de la era de la IA también podrían ser los más incomprensibles.