OpenAI acaba de gastar $10M en resolver un problema matemático de 90 años — y eso te debería aterrorizar

El precio del progreso

OpenAI acaba de revelar que diez mil agentes de IA, procesando aproximadamente tres millones de mensajes y 130 mil millones de tokens de salida, resolvieron una respuesta parcial a uno de los problemas más tercos de las matemáticas en 88 horas. Con un costo de computación de aproximadamente 10 millones de dólares, el resultado de existencia y suavidad de Navier-Stokes no representa solo un hito de capacidad, sino un nuevo modelo de precios para lo que cuesta empujar contra los límites del conocimiento humano.

El problema en sí data de hace nueve décadas. El Instituto de Matemáticas Clay le adjuntó un premio de 1 millón de dólares como uno de sus siete Problemas del Milenio. OpenAI aclaró de inmediato que no tiene intención de reclamar ese premio — o, para el caso, una solución completa. El sistema ha abordado dos de las cuatro proposiciones que requiere el problema. Pero el gesto en sí, gastar una estimación de 10 millones de dólares para demostrar una capacidad, señala algo sobre hacia dónde se dirigen las matemáticas computacionales, guste o no a la comunidad matemática.

Una carrera sin línea de meta

Lo que hace este momento más agudo de lo que sugiere un comunicado de prensa es el cronograma. El profesor de NYU Tristan Buckmaster y el investigador de Anthropic Levent Alpoge — ambos trabajando independientemente en el mismo problema — anunciaron sus propias trayectorias de investigación el mismo día que OpenAI publicó sus resultados. Y luego llegó la complicación: ambos dijeron que habían compartido avances de investigación con OpenAI a través de su herramienta Codex, y se enteraron después de que su información había llegado a la empresa.

La declaración de Buckmaster, publicada horas después del anuncio de OpenAI, acusó a la compañía de iniciar su trabajo en Navier-Stokes solo después de absorber su investigación. OpenAI reconoció la posibilidad — aunque llamándola de baja probabilidad — de que datos desidentificados de usuarios de Codex pudieran haber contribuido a las mejoras del modelo. La compañía también insistió en que su proceso de prueba y resultados específicos divergen de los de Buckmaster y Alpoge.

Este es el detalle que la cobertura occidental ha aplanado en gran medida. En los medios coreanos de negocios y tecnología, donde la alfabetización matemática es más profunda entre los lectores generales, la historia se convirtió inmediatamente en un debate sobre linaje intelectual: quién inventó qué, quién vio el trabajo de quién primero, y si la nueva arquitectura de la investigación asistida por IA crea condiciones para disputas que las normas académicas existentes no pueden resolver.

La lente coreana sobre un cambio global

Los periódicos coreanos han liderado la cobertura internacional de esta historia, y la razón es estructural. Corea del Sur se encuentra en la intersección de una educación STEM de clase mundial, un sector tecnológico dominante y una población acuciamente consciente de qué tan rápido la capacidad puede superar la regulación. Cuando un titular declara que una empresa estadounidense resolvió un problema de 90 años en tres días usando máquinas, la pregunta inmediata en Seúl no es asombro sino posicionamiento: ¿quién controla el próximo ciclo de descubrimiento, y quién se queda atrás?

Esa ansiedad se manifiesta de manera diferente a la de Washington o Londres, donde el debate se centra en el riesgo de alineación o la competencia comercial. En Corea, el foco recae en el desplazamiento institucional: ¿pueden las universidades, los laboratorios de investigación y los programas nacionales de ciencia mantenerse relevantes cuando una sola entidad corporativa puede reasignar millones de dólares en computación para atacar problemas que previamente consumieron décadas de esfuerzo humano colectivo?

Qué cambió realmente

El cambio concreto está en la economía de la investigación matemática. Durante siglos, avanzar en el entendimiento requería mentes humanas trabajando secuencialmente o en pequeños grupos durante años. El enfoque de OpenAI trata el problema como una búsqueda paralela masiva: generar pruebas, probarlas, iterar, comunicarse entre agentes, refinar. El sistema costó 10 millones de dólares y produjo resultados parciales en menos de cuatro días. Los investigadores humanos, en contraste, pasaron años en el mismo problema.

Esto no significa que los matemáticos humanos sean obsoletos. La prueba que produjo OpenAI aún requiere verificación por parte del Instituto de Matemáticas Clay y la comunidad más amplia. Pero sí significa que el cuello de botella está cambiando. La restricción ya no es solo la creatividad o persistencia humana; es la capacidad de computación y el acceso a datos — recursos concentrados en un puñado de compañías.

Quiénes ganan, quiénes pierden

OpenAI gana visibilidad y una demostración de capacidad que ningún presupuesto de marketing podría comprar. El modelo prototipo interno de la compañía, entrenado específicamente para razonamiento matemático rápido, ahora tiene un concepto de prueba adjunto. Anthropic y otros jugadores enfrentan presión para igualar la escala de infraestructura requerida para competir en este dominio.

Los perdedores son más difíciles de nombrar pero más consecuencia. Los matemáticos en etapa temprana de carrera que habrían construido reputaciones incrementales a través de contribuciones incrementales ahora compiten contra sistemas que pueden ingerir y recombinar investigación existente a velocidad de máquina. Las universidades que estructuran carreras en torno a proyectos de multi-años deben explicar su propuesta de valor cuando una compañía puede reformular el cronograma en días. El Instituto Clay, que construyó su autoridad en controlar los términos de la verificación matemática, ahora enfrenta un pipeline de verificación que puede necesitar tener en cuenta pruebas generadas por máquinas para las que nunca fue diseñado para evaluar.

Qué sucede después

Los próximos seis meses aclararán si esto es una demostración singular o un modelo replicable. OpenAI declaró que el problema lo motivó después de escuchar rumores de que dos Problemas del Milenio ya habían sido resueltos — lo que significa que el sistema es reactivo tanto como proactivo. Si otros laboratorios adoptan el mismo enfoque paralelo basado en agentes, el ritmo de los avances matemáticos parciales podría acelerarse de manera impredecible.

La controversia de Buckmaster y Alpoge plantea una segunda pregunta sobre integridad de la investigación que recurrirá. Cuando las herramientas de IA entrenadas en entradas de usuario comiencen a producir resultados derivados, aunque sea remotamente, del trabajo humano previo, la línea entre asistencia y apropiación se difumina. La publicación matemática no tiene un marco existente para atribuir contribuciones que pasan a través de motores de inferencia.

La prensa coreana ya está haciendo las preguntas que los periódicos occidentales aún no han formulado: si una corporación puede resolver problemas de 90 años por 10 millones de dólares en una semana, ¿qué le sucede a las instituciones que se construyeron para resolverlos lentamente? La respuesta a esa pregunta determinará si las matemáticas asistidas por IA se convierten en una herramienta para la humanidad o en un mecanismo para concentrar el derecho a definir qué cuenta como conocimiento.