OpenAI resolvió un problema matemático de 90 años en 88 horas. La reacción negativa apenas comienza.
OpenAI afirma que su modelo secreto resolvió el problema de la existencia y suavidad de Navier-Stokes, uno de los siete Problemas del Milenio, en menos de cuatro días. Pero los matemáticos levantan alarmas sobre investigaciones robadas, pruebas ilegibles y lo que esto significa para el futuro del saber humano.
La prueba está ahí. Nadie sabe todavía si pertenece a OpenAI.
El 8 de septiembre, OpenAI anunció que un modelo interno aún no lanzado había resuelto el problema de la existencia y suavidad de las ecuaciones de Navier-Stokes en 88 horas. La afirmación llegó a un ciclo de noticias ya saturado de demostraciones de inteligencia artificial y trastocó en silencio una de las fronteras más visibles de las matemáticas puras.
El problema tiene 90 años. Plantea si las ecuaciones que describen cómo se mueven los fluidos —el agua, el aire, el plasma, la sangre— siempre producen soluciones suaves o si pueden formarse singularidades, sin importar con cuánta suavidad se inicie. Es uno de los siete Problemas del Milenio, cada uno con un premio de 1 millón de dólares del Instituto de Matemáticas Clay. Desde que la lista se publicó en 2000, solo se ha resuelto un problema: la demostración de la conjetura de Poincaré de Grigori Perelman, entregada entre 2002 y 2003. Los otros seis siguen pendientes.
La respuesta de OpenAI llegó rápido. La empresa dijo que un equipo de aproximadamente 10 000 agentes de inteligencia artificial trabajó en paralelo, comunicándose entre sí y consumiendo millones de dólares en potencia de cómputo. Llegaron a un resultado para el 5 de septiembre, partiendo de un modelo interno más capaz que GPT-6 Astra, que la propia empresa presentó públicamente solo dos días antes. El hallazgo principal, según reportó el diario surcoreano JoongAng Ilbo: el modelo produjo una demostración de que la velocidad fluida suave puede crecer sin límite a lo largo del tiempo, una dirección de solución que la comunidad matemática llevaba décadas debatiendo.
La velocidad no es lo central. Lo central es lo que sucede después.
¿Quién escribió esta demostración, exactamente?
En cuestión de horas tras el anuncio de OpenAI, Tristan Buckmaster, profesor de matemáticas en la Universidad de Nueva York, presentó una queja que aún no ha sido desestimada. Buckmaster dijo que él y un investigador de Anthropic estaban trabajando activamente en el problema de Navier-Stokes antes de que apareciera el resultado de OpenAI. Afirmó que la empresa había utilizado trabajo inédito de su grupo para llegar a su conclusión.
“Casi nadie más estaba investigando nuestro enfoque”, declaró Buckmaster, según el reporte coreano. “No es el tipo de dirección que se introduce en un modelo y se encuentra en unos pocos días”.
OpenAI no ha respondido públicamente a la acusación. La empresa tampoco ha liberado la demostración completa ni el código subyacente del sistema de 10 000 agentes. Lo que existe hoy es un comunicado de prensa y un conjunto de afirmaciones sobre lo que el modelo encontró —no un artículo revisado por pares, no un repositorio verificado, no el tipo de rastro transparente que normalmente exige la investigación matemática.
Ahí es donde vive la verdadera controversia.
La demostración puede ser ilegible por diseño
Incluso si el resultado de OpenAI es correcto —y esa palabra está haciendo mucho trabajo pesado en este momento—, la demostración podría ser inútil para quienes más necesitan validarla. Una demostración de Navier-Stokes producida por miles de agentes autónomos no se parece a un argumento escrito por humanos. No sigue la cadena de lemas, las reducciones elegantes, esos momentos de “introduzcamos una función de prueba ingeniosa” que hacen legible un artículo para otros matemáticos.
Terence Tao, profesor de la UCLA y medallista Fields, lo dijo con claridad en una publicación en redes sociales el 8 de septiembre. “Cuando aparecen nuevas técnicas o herramientas, resulta más fácil resolver problemas, pero también se hace más difícil ver dónde se esconden los descubrimientos prometedores”, escribió Tao. “La IA ya ha facilitado resolver problemas en muchas áreas de las matemáticas, lo que complica filtrar hacia las direcciones de investigación verdaderamente prometedoras”.
La preocupación de Tao apunta en ambas direcciones. La IA podría estar mejorándose en generar candidatos a demostraciones más de lo que los humanos pueden evaluarlas. El campo de la verificación formal —usar sistemas como Lean para revisar mecánicamente un argumento matemático línea por línea— es una vía hacia la resolución, pero Lean requiere que un humano traduzca primero la demostración a un lenguaje formal. Si la salida cruda del sistema de OpenAI no puede parsearse en ese formato, el cuello de botella de la verificación simplemente se desplaza, no desaparece.
El eco de AlphaGo, más fuerte esta vez
La comparación de la prensa coreana con el partido de AlphaGo de 2016 no es enteramente metafórica. En Go, la frontera entre el dominio humano y el dominio de la máquina se cruzó de forma visible, en un solo partido transmitido a una audiencia global. La historia de las matemáticas se desarrolla de otra manera. No hay partido que ver. Solo hay un anuncio y un número creciente de preguntas sin resolver sobre autoría, método y acceso.
Pero el paralelo estructural es real. AlphaGo le enseñó al mundo que un dominio creído requerir intuición humana podría abrirse por un sistema entrenado en datos y computación. El resultado de Navier-Stokes, si se valida, extiende esa lección hacia un territorio aún más antiguo y abstracto: no un juego con reglas, sino una rama de las matemáticas puras que ha resistido la formalización durante casi un siglo.
Kim Kyu-dong, profesor en UNIST especializado en matemáticas aplicadas, dijo al JoongAng Ilbo que la conmoción en esta ocasión supera la de AlphaGo. “El problema parecía irresoluble”, afirmó Kim. “Hace unos diez años, la gente comenzó a decir que quizás podría resolverse así. En los últimos dos o tres años, los matemáticos habían estado experimentando con modelos de IA sobre diversas posibilidades”.
Kim también señaló el problema de atribución que ahora dominará el campo: “Es probable que los artículos futuros se asuman como involucrando asistencia de IA, y la pregunta de cómo dividir el crédito entre investigadores humanos y sistemas de IA se volverá central”.
Quién financia qué, y por qué importa para Occidente
El resultado de OpenAI no emergió de un laboratorio universitario financiado con fondos públicos. Provenía de una empresa privada con acceso a lo que el reporte coreano describe como “millones de dólares en recursos de computación”. El costo del cómputo no fue revelado, pero la escala sugiere una cifra que la mayoría de los consejos nacionales de investigación no podrían replicar en un solo ciclo de subvenciones.
Esto tiene implicaciones directas sobre cómo las instituciones occidentales evalúan la investigación en inteligencia artificial. Durante décadas, el modelo estándar del avance matemático pasaba por universidades, revisión por pares y financiación pública. Una demostración aparece en una revista. Los colegas la verifican. La comunidad decide. El enfoque de OpenAI salta los primeros pasos y va directo de la computación al anuncio.
La Medalla Fields —a menudo descrita como el equivalente a los Premios Nobel en matemáticas— podría enfrentar un problema estructural dentro de una década. Si los premios se otorgan por resultados que ningún humano individual autoró, o por demostraciones que ningún humano puede leer de principio a fin, la lógica subyacente del premio se quiebra. El reporte coreano planteó esto de forma explícita; el comentario de Tao lo reforzó.
La observación de Terence Tao cobra particular peso aquí. Ha pasado su carrera construyendo puentes entre análisis, combinatoria y los métodos computacionales emergentes que ahora parecen capaces de competir con la intuición humana. Su frustración no va contra la IA en sí, sino contra la opacidad de las empresas que la producen.
“La tecnología avanza demasiado rápido, y el hecho de que las compañías de IA no revelen cómo encuentran las respuestas empeora el problema”, escribió Tao.
Qué viene después
Tres escenarios son plausibles. El primero es que OpenAI termine liberando suficiente material para que la comunidad verifique el resultado, posiblemente mediante una formalización certificada en Lean. El segundo es que la demostración contenga un error escondido dentro de la escala de su propia computación —una posibilidad que cada matemático del campo está considerando en silencio. El tercero es que la comunidad se niegue a reconocer un resultado del cual no puede trazar un autor humano, independientemente de su valor de verdad.
Ninguno de estos escenarios sirve bien al campo si se desarrollan sin coordinación. El reporte coreano captura el ánimo con precisión: este momento se siente más grande que AlphaGo porque AlphaGo operaba dentro de un sistema cerrado con reglas claras. Las matemáticas no son un sistema cerrado. Es una empresa comunal construida sobre estándares compartidos de evidencia, atribución y citación. Una IA puede resolver un problema. Aún no puede participar en la república de las letras.
Lo que ya es claro es que OpenAI ha redibujado el mapa de lo que las máquinas pueden intentar —y que la siguiente pregunta no será si la demostración es correcta, sino quién tiene derecho a decirlo.