OpenAI resolvió un problema del milenio en 88 horas. Las matemáticas nunca volverán a ser iguales.

El reloj marcó 88 horas. El mundo de las matemáticas contuvo la respiración.

OpenAI anunció el 8 de septiembre que un modelo interno no revelado había resuelto uno de los siete Problemas del Milenio del Instituto Clay de Matemáticas: el problema de la existencia y suavidad de Navier-Stokes, en lo que la compañía describió como poco más de tres días. La demostración y su verificación ocuparon 165 páginas. Consumió aproximadamente 130 mil millones de tokens a través de una enjambra de cerca de 10.000 agentes de IA. El costo, sin revelar pero plausible medir en millones de dólares dadas las exigencias energéticas de los chips especializados de inferencia, quedó a la imaginación.

Dos detalles por sí solos hacen esto extraordinario. Primero, el problema de Navier-Stokes no es un acertijo con un truco elegante escondido dentro. Plantea si siempre existen soluciones suaves para las ecuaciones que gobiernan el movimiento de los fluidos —ecuaciones que describen todo, desde sistemas climáticos hasta el flujo sanguíneo—. Una demostración confirmaría o negaría que, bajo cualquier condición inicial, un fluido nunca desarrolla espontáneamente una velocidad infinita. Nadie la ha resuelto desde que John Clay II dotó el desafío en 2000.

Segundo, y mucho más disruptivo, es cómo se resolvió. Este no es el resultado de un matemático solitario trabajando frente a una pizarra durante dos décadas. Es la salida de un sistema diseñado para escalar, paralelizar e iterar a velocidad de máquina.

La conjetura de Poincaré —el único otro problema del milenio resuelto hasta la fecha— cayó en 2003 ante Grigori Perelman, un matemático ruso recluso que esencialmente trabajó solo, construyendo sobre décadas de análisis geométrico previo. La demostración de Perelman aún requirió validación por pares humana durante años. La demostración de Navier-Stokes generada por IA se ofrece primero y se verifica después, comprimida en días en lugar de décadas. El orden de las operaciones se ha invertido.

Quién gana, quién pierde

El ganador inmediato es quien controle la capacidad de cómputo. OpenAI está publicitando un modelo no revelado que ejecutó 10.000 agentes en paralelo durante 88 horas. Esa infraestructura es costosa y concentrada. Si este resultado se sostiene —y la palabra crucial es si—, la brecha entre instituciones que pueden permitirse este tipo de búsqueda matemática por fuerza bruta y todos los demás se ensanchará dramáticamente. Las universidades sin acceso a hardware similar estarán persiguiendo demostraciones generadas por laboratorios bien financiados. La economía del descubrimiento se desplaza.

El ganador secundario es quien se beneficie de un progreso más rápido en matemáticas aplicadas. Las ecuaciones de Navier-Stokes son la columna vertebral de la dinámica de fluidos computacional. Una demostración rigurosa de regularidad global, o su negación, remodelaría la modelación de turbulencias, la simulación climática, el diseño aerodinámico y innumerables dominios de ingeniería. Incluso un camino imperfecto hacia la respuesta podría acelerar el trabajo práctico por años.

El perdedor es más difícil de nombrar porque es abstracto: la textura lenta, deliberada y humana de la comprensión matemática. Terence Tao, ampliamente considerado el matemático vivo más importante y radicado en UCLA, ha advertido públicamente que la IA podría erosionar la comprensión humana de los mismos problemas que resuelve. En el marco de Tao, los problemas del milenio funcionan como faros: concentran esfuerzo, atraen talento y producen visión que trasciende la pregunta original. Si las máquinas pueden resolverlos sin que los humanos sigan el mismo camino intelectual, el faro sigue brillando, pero cada vez menos personas aprenden a navegar por él.

El calvario de revisión por pares que nadie puede esquivar

Aquí es donde la historia pasa del anuncio a la adjudicación. La comunidad matemática no acepta resultados por publicaciones en blogs. La demostración de 165 páginas debe sobrevivir al mismo escrutinio que el manuscrito de Perelman —un proceso que tomó años y casi se desmorona cuando la afirmación pareció incompleta—. Los revisores verificarán cada paso, especialmente aquellos que dependan de los rastros de razonamiento intermedio de la IA en lugar de lemas claramente enunciados.

Un obstáculo significativo: la demostración fue generada por un sistema entrenado parcialmente en Lean, un lenguaje de demostración de teoremas originalmente diseñado como herramienta para matemáticos humanos. Lean obliga a que cada inferencia lógica sea explícita. Eso suena ideal para la verificación, pero también significa que la IA debe traducir saltos intuitivos a forma mecánicamente comprobable. Si el documento de 165 páginas contiene vacíos disfrazados como pasos rutinarios —una vulnerabilidad conocida en demostraciones previas generadas por IA—, el resultado fracasará de inmediato. Si supera la prueba, se mantendrá como el primer problema del milenio resuelto principalmente por un proceso algorítmico.

La carrera de Anthropic que lo重新 defines todo

Aún más revelador que la demostración misma es el cronograma. Un día antes del anuncio de OpenAI, Tristan Buckmaster, un matemático de la NYU que previamente publicó en redes sociales que colaboraba con un investigador de Anthropic en un problema similar, reveló su esfuerzo paralelo. El propio blog de OpenAI reconoció el trabajo competitivo y admitió que la empresa decidió concentrar sus recursos tras enterarse de él —mientras afirmaba que no había examinado el enfoque de Anthropic—.

Esa admisión es cargada. Implica que dos laboratorios bien financiados estaban cerrando simultáneamente sobre el mismo problema abierto, tratándolo cada uno como una carrera competitiva en lugar de una indagación compartida. Ninguno citó al otro hasta verse obligado. La narrativa que emerge no es de las matemáticas como colaboración sino de las matemáticas como carrera armamentista, con el cómputo como munición.

Por qué esto importa más allá del conjunto de problemas

La reclamación sobre Navier-Stokes se inserta dentro de un patrón más amplio. A principios de este año, OpenAI y la startup Harmonic anunciaron una solución de IA a uno de los problemas combinatorios de larga data de Paul Erdős. Ese resultado fue más limitado. Navier-Stokes es órdenes de magnitud más difícil y conlleva un premio de un millón de dólares pegado a su nombre. El salto en ambición es intencional.

Lo que esto señala es una revisión del cronograma. Hace una década, el consenso entre la mayoría de los matemáticos era que la IA podría asistir con la generación de conjeturas o demostraciones pequeñas, ¿pero enfrentarse a un problema del milenio? Imposible. El año pasado, ese consenso se desplazó a “poco probable pero posible.” Hoy, tras 88 horas de tiempo de pared, podría necesitar desplazarse nuevamente a “deberíamos haber esperado esto eventualmente.”

La consecuencia incómoda es que la barrera de entrada para el descubrimiento de demostraciones ya no es la profunda especialización de dominio sino el acceso a sistemas a gran escala. Un estudiante de posgrado capaz con una pizarra alguna vez tuvo una oportunidad justa contra un problema del milenio. Ahora la barra incluye presupuestos de cómputo que ningún departamento universitario individual puede igualar. La fantasía democratizadora de la IA —de que nivelaba el campo de juego— resulta ser selectiva. Nivelación el campo para organizaciones, no para individuos.

La dimensión de seguridad de la que nadie guarda silencio

La comunidad de seguridad de la IA, que ha pasado años advirtiendo sobre la escalada de capacidades que supera la alineación, ahora enfrenta una pregunta más aguda: si un modelo puede resolver un problema del milenio, ¿qué más puede hacer antes de que se lo preguntemos? El riesgo no es que la demostración de Navier-Stokes sea errónea —aunque muy bien pudiera serlo—, sino que el precedente normalice desplegar sistemas cada vez más capaces en problemas cuyos productos no podemos auditar completamente.

La preocupación de Tao sobre la comprensión humana degradada es una corriente de esa ansiedad. Otra es más simple: podemos empezar a tratar las demostraciones generadas por IA como autoritativas demasiado rápido, omitiendo la verificación porque la alternativa —pasarnos años en un problema nosotros mismos— parece insostenible cuando un laboratorio puede entregar una respuesta en días. La estructura de incentivos premia la velocidad sobre la profundidad.

Qué sucede después

Si la revisión por pares valida la demostración, la afirmación de OpenAI se convertirá en historia. El comité del premio del milenio anunciará una evaluación formal. El premio de un millón de dólares se vuelve real. Las matemáticas cambian su relación con las máquinas de forma permanente.

Si la demostración fracasa —y los fracasos son comunes en las primeras matemáticas generadas por IA—, el episodio aún importa. Demuestra que el intento fue viable. Establece una línea base: 88 horas, 10.000 agentes, 130 mil millones de tokens, 165 páginas. Los sistemas futuros usarán eso como referencia. La trayectoria es visible ahora independientemente del resultado.

Lo que las audiencias anglófonas fuera de Corea pueden perderse es qué tan urgentemente esta historia llegó a un mercado que típicamente no lidera los ciclos noticiosos globales de IA. El hecho de que Newsis la haya destapado primero, antes de la cobertura en principales medios estadounidenses, subraya cuán interconectados y de movimiento rápido son estos desarrollos. La competencia es global. Las implicaciones no están delimitadas por la comunidad investigativa de ningún país en particular.

El reloj empezó a ticking hace ocho décadas. Simplemente corrió más rápido esta vez.