IA resuelve problema de 90 años en 88 horas. Japón advierte
OpenAI desplegó ~10.000 agentes de IA para resolver un problema de Navier-Stokes de 90 años en 88 horas, luego publicó más de 700 artículos sobre 4.000 problemas sin resolver. Expertos japoneses consideran que la velocidad es milagrosa — y aterrorizante. La pregunta no es si la IA puede resolver estos problemas, sino qué le pasa al conocimiento humano cuando nadie supervisa cómo lo logra.
La respuesta ya está ahí. Nadie sabe cómo llegó.
OpenAI acaba de hacer algo que habría sido ciencia ficción hace dieciocho meses. Utilizó aproximadamente 10.000 agentes de IA en paralelo para resolver el problema de la existencia y suavidad de Navier-Stokes —uno de los siete Problemas del Milenio que han desconcertado a los matemáticos durante unos noventa años. Tardó ochenta y ocho horas. Luego pasó otras diecisiete ejecutando esa demostración a través de Lean, un demostrador automático de teoremas, para verificarla formalmente.
Un mes después, la empresa publicó más de 700 artículos matemáticos que cubren aproximadamente 4.000 problemas no resueltos más, incluida la Hipótesis de Riemann.
Los físicos teóricos más destacados de Japón no están celebrando.
La perspectiva japonesa que la cobertura en inglés pasa por alto
El debate en ABEMA Times que se emitió en Japón va más allá de cualquier análisis occidental sobre esta historia. El programa contó con la participación de Tadaki Nomura, físico teórico, quien no enmarcó la pregunta como si la IA fuera buena o mala. Hizo algo más incómodo: ¿qué le sucede a la producción de conocimiento humano cuando las respuestas llegan más rápido de lo que cualquiera puede comprender el camino hasta ellas?
La referencia de Nomura al Último Teorema de Fermat fue deliberada. La demostración que Andrew Wiles presentó en 1994 no fue valiosa solo porque demostró que Fermat tenía razón. Su importancia radicaba en los marcos matemáticos completamente nuevos que obligó a la comunidad a construir en el proceso —herramientas que hoy viven dentro de la física teórica y la ingeniería. El viaje, no el destino, es lo que se proyecta hacia adelante.
La última producción de OpenAI esquiva el viaje por completo. El sistema entregó respuestas. Pero el mecanismo por el que llegó sigue siendo opaco. En japonés, la cobertura describió esto como una caja negra: la gente sabe que van a salir resultados, pero nadie puede rastrear la ruta.
Esa brecha entre la respuesta y la comprensión es donde reside la ansiedad.
Lo que las cifras realmente significan
Separemos los hechos comprobables de la especulación:
El problema de la existencia y suavidad de Navier-Stokes pregunta si las soluciones a las ecuaciones que gobiernan el movimiento de los fluidos siempre permanecen suaves y bien comportadas, o si pueden desarrollar singularidades —puntos donde las matemáticas se desmoronan por completo. No es abstracto. Las mismas ecuaciones determinan cómo fluye el aire sobre un ala, cómo evolucionan los sistemas meteorológicos, cómo se mueve la sangre a través de las arterias. Una solución verificada le valdría a quien la resuelva un millón de dólares del Instituto de Matemáticas Clay y reescribiría los cimientos de la dinámica de fluidos.
OpenAI afirma que sus agentes alcanzaron una respuesta en ochenta y ocho horas. También afirma que una pasada de verificación formal a través de Lean tomó otras diecisiete horas. Lean es software real, desarrollado en el Instituto Max Planck y otros lugares, y ya ha verificado algunas de las demostraciones más difíciles de las matemáticas modernas, incluido el proyecto Flyspeck, que confirmó la demostración de Thomas Hales sobre la conjetura de Kepler.
Lo que OpenAI no ha publicado es la formalización completa en Lean. La afirmación de verificación, por lo tanto, está sin confirmar. La empresa ha publicado artículos, pero la comunidad matemática no ha auditor de forma independiente el resultado de Navier-Stokes. Esa distinción importa.
La verdadera crisis no es la capacidad. Es la rendición de cuentas.
Los comentaristas japoneses plantearon una preocupación que atraviesa todas las aplicaciones principales de la IA, no solo las matemáticas. Cuando un sistema de IA produce una respuesta que ningún ser humano puede verificar en un plazo razonable, ¿quién es responsable cuando se equivoca?
El Último Teorema de Fermat tomó tres siglos de esfuerzo acumulado. Wiles pasó siete años en casi aislamiento trabajándolo. La comunidad matemática pasó otra década verificando su demostración, construyendo teorías auxiliares en el proceso que resultaron útiles mucho más allá de la pregunta original.
Si los agentes de OpenAI encontraron una demostración válida en tres días, la demostración en sí podría ser correcta. Pero la comunidad humana que normalmente pasaría años construyendo el andamiaje conceptual a su alrededor —los lemas intermedios, las nuevas técnicas, la comprensión compartida— podría nunca existir. La respuesta llega. La infraestructura a su alrededor, no.
Nomura lo dijo con crudeza en ABEMA Prime. Dijo que el valor de resolver un problema famoso no es la solución. Es todo lo que descubres en el camino. Una IA que salta el proceso de descubrimiento no solo ahorra tiempo. Elimina el aprendizaje humano que normalmente ocurriría.
Por qué esta historia es diferente de las afirmaciones anteriores de IA
OpenAI no ha estado en silencio sobre las matemáticas antes. En 2023, publicó artículos sobre ciertos problemas de nivel olímpico. Esos fueron limitados. La publicación actual es estructural: apunta a las preguntas abiertas más profundas en matemáticas puras, aquellas que han resistido el esfuerzo humano precisamente porque exigen nuevas formas de pensar, no un cómputo más rápido.
La escala también es diferente. Aproximadamente 10.000 agentes en paralelo no es una configuración de juguete. Sugiere una estrategia de búsqueda coordinada que opera a un nivel que la mayoría de los departamentos de matemáticas no pueden igualar en throughput puro. Si ese rendimiento se traduce en idea en lugar de enumeración a fuerza bruta sigue siendo la pregunta abierta.
El cuello de botella de la verificación es el verdadero cuello de botella
Lean debería ser la red de seguridad. Si cada demostración generada por IA puede ser revisada por software de verificación formal, entonces la comprensión humana podría no ser necesaria: la máquina revisa a la máquina, y nosotros recolectamos el dinero del premio.
Pero la verificación formal tiene límites. Lean puede confirmar que una demostración se sigue de un conjunto de axiomas. No puede confirmar que los axiomas son los correctos para el problema en cuestión. No puede confirmar que la traducción de la pregunta matemática informal al sistema formal fue fiel. Y no puede confirmar que la IA no codificó suposiciones ocultas que solo se vuelven visibles cuando una persona que comprende la materia lee la demostración.
Este es el cuello de botella. El sistema de verificación es necesario pero no suficiente. Se necesita algo más para salvar la brecha entre la corrección mecánica y la verdadera comprensión matemática. Ese algo más es la experiencia humana. Y no hay escasez de experiencia humana que repartir.
Lo que esto significa para el próximo año
Si las afirmaciones de OpenAI resisten el examen independiente, el cronograma para resolver los Problemas del Milenio restantes se contrae dramáticamente. La conjetura de Birch y Swinnerton-Dyer, el problema P versus NP, la conjetura de Hodge —todas podrían enfrentar presión de la IA dentro de meses en lugar de décadas.
El debate japonés capturó algo importante: la velocidad sin comprensión no es progreso. Es un tipo diferente de actividad, una que puede producir resultados pero no producirá la infraestructura intelectual compartida que hace que esos resultados sean utilizables. La comunidad que lee una demostración generada por IA sin comprender cómo fue construida hereda la respuesta pero no las herramientas para extenderla.
Ese trade-off no es abstracto. Es la pregunta real que enfrenta las matemáticas, la física y cualquier campo que dependa de una comprensión estructural profunda en lugar de mero resultado.
La IA no solo resolvió un problema. Expuso cuánto del trabajo del conocimiento humano depende de la lucha por llegar hasta allí.