La solución del problema matemático de OpenAI cuesta 40 millones de dólares y podría no valer
OpenAI afirma que sus agentes resolvieron el Problema del Premio Millennium de Navier-Stokes tras desplegar 10 000 agentes concurrentes y quemar unos 40 millones de dólares en computación. Pero dos destacados matemáticos señalan que el camino hacia esa solución pasa directamente por sus datos de investigación aún no publicados, lo que plantea la pregunta de si esto es una prueba o simplemente una costosa interpolación.
El precio de una demostración
El martes, OpenAI anunció que sus agentes de inteligencia artificial habían resuelto las ecuaciones de Navier-Stokes, uno de los siete Problemas del Milenio que desconciertan a los matemáticos desde hace décadas. El Instituto Clay de Matemáticas ofrece un millón de dólares por una solución correcta. El equipo de OpenAI afirma haberla encontrado.
El costo fue escalofriante. Diez mil agentes de IA concurrentes trabajaron durante 88 horas, intercambiando 2,7 millones de mensajes. Otras 17 horas se dedicaron a la verificación. Solo los tokens de salida, al precio promedio de consumo de OpenAI, representarían aproximadamente 6,5 millones de dólares, según una estimación de LisanBench, un evaluador de benchmarks para modelos de lenguaje grandes. Si se incluye el volumen mucho mayor de tokens de entrada, el costo total podría alcanzar entre 10 y 40 millones de dólares. Sam Altman, cuando se le preguntó, bromeó en X diciendo que la inteligencia artificial era una burbuja.
Pero las cifras no cuentan toda la historia. Lo que realmente importa no es cuánto costó, sino cómo llegaron ahí.
Los matemáticos que dicen que fueron utilizados
Dos investigadores, Tristan Buckmaster y Levent Alpöge, plantearon de inmediato una preocupación que va más allá de los detalles técnicos. Dijeron que los datos de entrenamiento de OpenAI incluyen información desidentificada derivada de su trabajo publicado y sin publicar sobre problemas relacionados, incluida la conjetura de agrupamiento. La compañía no lo negó. Solo dijo que «no puede descartar» que datos de usuarios que interactúan con los productos de OpenAI —los cuales podrían incluir conversaciones sobre su investigación— hayan ayudado a mejorar los modelos que produjeron la demostración.
En otras palabras, el camino de OpenAI hacia la solución puede haberse construido, en parte, sobre el trabajo intelectual de las mismas personas que han pasado años intentando alcanzarla. La empresa mantiene que no tiene acceso directo a su trabajo sin publicar. Pero la distinción entre acceso directo e ingestión indirecta es infinitesimalmente delgada cuando se entrena con el producto agregado de un millón de usuarios.
Qué hace tan difícil a Navier-Stokes
Las ecuaciones describen cómo se mueven los fluidos: el aire sobre un ala, el agua a través de una tubería, la sangre por una arteria. Son simples de escribir. Son brutalmente difíciles de resolver. La pregunta es si las soluciones suaves siempre existen en tres dimensiones, o si pueden desarrollar singularidades, puntos donde la velocidad se vuelve infinita. Nadie ha demostrado ninguna de las dos posibilidades.
Una solución correcta transformaría la dinámica de fluidos, la modelación climática, la ingeniería aeroespacial y innumerables campos que dependen de predecir cómo fluyen las cosas. Una solución incorrecta, vestida con el lenguaje de las matemáticas, es solo una ensalada de palabras costosa.
Esa es la tensión que la IA trae a las matemáticas puras. El sistema produce algo que parece formal. Genera lemas, corolarios, definiciones. Sigue la forma de una demostración. Pero la pregunta, la pregunta real que le importa a los matemáticos, es si los pasos son válidos. No si suenan bien. No si han visto algo parecido antes. Sino si sostienen.
¿Esto es una demostración o una actuación?
Hay una diferencia estructural entre descubrir un resultado y verificarlo. La IA es fenomenalmente buena en la primera parte, al menos cuando la primera parte significa generar texto que parezca plausible. No está claro que sea buena en la segunda, que requiere revisar cada paso contra axiomas que el modelo quizás no comprenda realmente.
Las 105 horas que OpenAI registró son impresionantes para un problema de coordinación. No está claro que sean impresionantes para una demostración matemática. El tiempo de verificación, 17 horas, también merece escrutinio. ¿Quién lo verificó? ¿Otros agentes de IA o matemáticos humanos? Si fueron los primeros, tienen un sistema que revisa su propio trabajo. Si fueron los segundos, debería escucharse a esos matemáticos. OpenAI no ha publicado la demostración para revisión pública.
Esto importa porque el problema de Navier-Stokes ha resistido no solo esfuerzo, sino una creatividad de tipo particular. Ha requerido intuiciones que ninguna cantidad de coincidencia de patrones puede sustituir. Requiere, en el lenguaje de la ciencia de la computación, una nueva primitiva, una forma de pensar sobre las ecuaciones diferenciales parciales que simplemente no aparece en la literatura existente. La pregunta es si el modelo encontró esa primitiva, o si ensambló un collage de las existentes.
Las implicaciones de segundo orden son reales
Incluso si la demostración resulta ser defectuosa, el episodio revela algo importante sobre hacia dónde se dirige el campo. En cuestión de meses, un sistema de IA ha intentado resolver un problema que lleva 90 años en pie. Consumió más tokens en un día de lo que genera la mayoría de los grupos de investigación en un año. Costó millones, sí, pero el costo marginal de otro intento es cercano a cero.
El próximo sistema será más rápido, más barato y mejor en verificación formal. La próxima demostración llegará en horas, no en días. La barrera de entrada para el descubrimiento matemático, históricamente un proceso lento, incremental y profundamente humano, se está derrumbando. Eso no es ciencia ficción. Está sucediendo en tiempo real, con dinero real y reputaciones reales en juego.
La pregunta es si las matemáticas pueden absorber ese choque sin perder lo que las hace confiables. Una demostración no es solo una conclusión. Es una cadena de razonamiento que cualquier humano competente puede seguir. Si la cadena es demasiado larga, demasiado ajena o demasiado opaca, deja de ser una demostración en el sentido que el campo ha entendido desde Euclides.
La pregunta de un millón de dólares
El Instituto Clay aún no ha reconocido la presentación. No ha invitado a revisión. No ha dicho nada. Ese silencio ya dice algo por sí mismo. El instituto ha pasado décadas construyendo un estándar de lo que cuenta como solución. No abandonará ese estándar solo porque una empresa pueda permitirse generar texto rápidamente.
OpenAI dice que no reclamará el premio. Eso plantea su propia pregunta: ¿por qué anunciar una solución que no se pretende defender? La respuesta puede ser estratégica. El anuncio establece un hecho, o al menos una narrativa, antes de que alguien más tenga la oportunidad. Cambia los plazos. Hace que el siguiente paso parezca inevitable.
La broma de Sam Altman sobre una burbuja pudo haber sido意在 desplazar. Pero la ironía más profunda es que la burbuja existe precisamente porque la capacidad es real, incluso si la demostración no lo es. Los modelos pueden hacer cosas que no podían antes. Pueden razonar, por superficial que sea, sobre problemas que han resistido la atención humana durante generaciones. El costo es alto. El riesgo es real. Y el mundo no está preparado para lo que viene a continuación.
El próximo problema no será Navier-Stokes. Será algo más difícil, algo más trascendente, algo que ningún matemático individual podría resolver solo. Y la pregunta no será si la IA puede intentarlo. La pregunta será si podemos confiar en la respuesta.