La carrera de OpenAI con las ecuaciones de Navier-Stokes está cambiando las matemáticas para siempre

El sprint que sacudió las matemáticas

OpenAI invirtió 88 horas y millones de dólares lanzando una nube de aproximadamente 10 000 agentes de inteligencia artificial contra el problema de Navier-Stokes, uno de los siete desafíos del Premio Milenio que desconcierta a la humanidad casi desde hace 90 años. En el papel, parece un triunfo de la inteligencia artificial. En la práctica, cada vez más se asemeja a una advertencia.

La compañía anunció su resultado un martes, pero la historia que realmente importa comenzó un día antes, cuando Tristan Buckmaster, profesor de matemáticas en la Universidad de Nueva York, se puso en contacto con OpenAI tras enterarse de que el laboratorio había detectado avances en un problema relacionado. Buckmaster trabajaba junto con Levent Alpöge, investigador afiliado a Anthropic —principal competidor de OpenAI en la carrera armamentista de la IA generativa—. Alpöge no actuaba en nombre de Anthropic, un detalle que no suavizó el intercambio que siguió.

Según Buckmaster, un investigador de OpenAI le preguntó por qué «arruinaría su carrera» haciéndolo público. Cuando Buckmaster insistió en una aclaración, la respuesta, según relató, fue tajante: «Si no quieres que sea amable, entonces no tengo por qué serlo». OpenAI también instó a Buckmaster a publicar el trabajo de forma individual y a descartar a Alpöge como coautor, según el relato de Buckmaster. Sébastien Bubeck, investigador de OpenAI nombrado por Buckmaster, ha cuestionado partes de esa narrativa, negando que alguna vez haya hecho la solicitud sobre la autoría compartida.

El artículo de OpenAI negó categóricamente haber utilizado datos específicos de usuarios. Pero la compañía ofreció algo peor que una negativa: reconoció que no podía descartar conclusivamente una influencia indirecta. «Aunque es poco probable, no podemos descartar que datos desidentificados derivados de su uso de nuestros productos hayan ayudado a mejorar nuestros modelos», escribió. Esa salvedad —cuidadosa, legalista e inquietante— ya resuena en los departamentos de matemáticas de todo el mundo.

¿Por qué la prisa?

Aquí está el detalle que lo desarma todo: OpenAI afirmó que solo comenzó a trabajar seriamente en Navier-Stokes después de escuchar rumores en Twitter de que otros investigadores estaban logrando avances en un problema del Premio Milenio. En ese momento, no sabía que esos rumores se referían a Alpöge y Buckmaster. Para cuando lo supo, la máquina ya estaba en movimiento.

Ese cronograma es importante porque contradice el ritmo habitual de la investigación matemática. Según Abhishek Saha, profesor de matemáticas en la Queen Mary University of London, OpenAI se dedicó a «tipo de cosas que los matemáticos generalmente no hacen». El «scoop» —llegar antes que otros con un hallazgo— existe en las matemáticas, pero es raro, difícil y casi siempre lo llevan a cabo seres humanos que han pasado años desarrollando experiencia en el mismo dominio estrecho. Una empresa sin trabajo público previo sobre Navier-Stokes que despliega 10 000 agentes en menos de cuatro días es algo completamente distinto.

OpenAI también ha dicho que no tiene intención de reclamar la recompensa de 1 millón de dólares administrada por el Instituto de Matemáticas Clay. El objetivo declarado, según el artículo del blog, es simplemente «informar sobre los sustanciales avances de nuestros modelos de IA». Ese encuadre hace que el episodio parezca aún más una maniobra de publicidad que una contribución desinteresada a la ciencia. El profesor de Oxford Andras Juhasz lo dijo sin rodeos: «Esto es claramente una victoria de relaciones públicas para OpenAI».

Pero las victorias de prensa tienen consecuencias. Y el costo aquí podría pagarlo todo el ecosistema de investigación.

La erosión de la confianza

Las matemáticas operan bajo lo que Matthew Ballard, profesor en la Universidad de Carolina del Sur y director asociado de actividades científicas en ICARM, describió como «una norma informal de confianza». Los investigadores comparten ideas incompletas, resultados preliminares y pensamientos aún en formación con colegas —de manera rutinaria y abierta—, con la expectativa de que esos intercambios afilen el pensamiento, no alimenten la competencia. Esa norma se ha mantenido durante siglos. Los laboratorios de IA que pueden extraer registros de conversaciones, desidentificar datos y reutilizar modelos a escala están desmantelándola en silencio.

Jeremy Avigad, profesor en la Universidad Carnegie Mellon y director de ICARM, reflejó la inquietud más amplia: incluso «la idea de que los sistemas de IA puedan robar ideas de nuestras consultas es escalofriante». La preocupación no se limita a este incidente. Brendan Hassett, de la Universidad de Brown, señaló que, dado el historial de las empresas de IA de apropiarse de obras con derechos de autor sin permiso ni pago, «es natural que la gente formule estas preguntas». Su exigencia fue concreta: los laboratorios deben ser responsables y capaces de demostrar que los registros de chat no se usarán para mejorar sus modelos. OpenAI no ha alcanzado esa barrera.

Yang-Hui He, investigador asociado del London Institute for Mathematical Sciences, expresó una preocupación más estructural. Escribiendo desde una conferencia en Beijing, dijo temer que «las matemáticas bajo las grandes empresas son demasiado secretas» y que el campo podría revertir a un modelo más antiguo, basado en el mecenazgo —como cuando las matemáticas dependían de los Médici y otros ricos benefactores que, a cambio de financiar, esperaban lealtad y discreción—. La diferencia ahora es que los benefactores son los laboratorios de Silicon Valley, y la discreción que exigen incluye guardar silencio sobre cómo se usan sus herramientas.

Quiénes ganan, quiénes pierden

OpenAI gana el titular. Demostró que sus modelos pueden aproximarse a problemas en el borde más externo del conocimiento matemático humano, y lo hizo de manera pública, con una rueda de prensa y un artículo de blog. Esa ventaja de imagen es real y valiosa en un mercado donde la percepción impulsa la valoración.

Pero OpenAI también podría haber ganado una victoria pírrica. Juhasz señaló que los matemáticos humanos se adelant entre sí, pero lo que OpenAI mostró es que ahora se puede llegar antes a una escala previamente inimaginable: «De repente, 10 000 matemáticos se lanzan sobre tu problema». La estructura de incentivos para los investigadores académicos ha cambiado. Si compartir ideas preliminares conlleva el riesgo de ser prevenido por un laboratorio de IA bien financiado que escanea tus consultas, la respuesta racional es retener esas ideas. Esa es una pérdida para todos los que dependen de la colaboración abierta para impulsar el campo hacia adelante.

Buckmaster y Alpöge son los perdedores inmediatos en este episodio, atrapados en el fuego cruzado entre dos de las empresas más poderosas de la tecnología. Su trabajo rozaba un problema que ha orbitado durante décadas y billones de dólares en esfuerzo, y se encontraron comprimidos por fuerzas mucho más grandes que su propia institución. Si sus resultados terminarán cargando la mancha de la sospecha —por muy infundada que sea— es un daño que ninguna disculpa reparará por completo.

Qué viene después

Saha ofreció una defensa modesta: solo hay tantos problemas de alta calificación como las empresas como OpenAI y Anthropic estarían dispuestas a resolver gastando enormes sumas, precisamente porque la mayoría no generarían suficiente publicidad. El problema de Navier-Stokes, con su sello del Premio Milenio y siglos de visibilidad, es una excepción. La mayor parte de los investigadores puede que no sienta este cambio en su trabajo diario.

Ese consuelo podría no durar. El precedente que estableció OpenAI no se limita a ningún problema concreto. Estableció que un laboratorio con suficientes recursos computacionales y suficiente voluntad de moverse rápido puede tratar a la comunidad matemática global como un competidor en lugar de un colaborador. La norma de confianza que describió Ballard no surgió de normas formales. Surgió de prácticas compartidas. Una vez que esa práctica cambia, reconstruirla es más difícil de lo que parece.

El Instituto de Matemáticas Clay aún no ha otorgado la recompensa por Navier-Stokes. Necesitará verificar el resultado antes de hacerlo. Pero la verificación es solo la primera puerta. La pregunta más profunda —si el enfoque de OpenAI, y las prácticas de datos que lo hicieron posible, deberían darse la bienvenida en el corazón de la investigación matemática— es una pregunta que el campo aún no ha aprendido a responder.