Redacción MBA
La carrera por construir inteligencia artificial capaz de ampliar el conocimiento científico acaba de cruzar una frontera incómoda. OpenAI afirmó el 8 de septiembre haber resuelto el problema de existencia y suavidad de Navier-Stokes, uno de los seis Problemas del Milenio que permanecían abiertos desde que el Clay Mathematics Institute los estableció en 2000. Si la demostración supera el escrutinio matemático externo, será uno de los resultados más relevantes producidos con asistencia de IA hasta el momento.
La compañía sostiene que un modelo interno, aún no disponible al público y más potente que GPT-6 Astra, coordinó cerca de 10.000 agentes para construir una demostración analítica. El sistema habría encontrado una situación en la que un fluido inicialmente suave desarrolla una singularidad en tiempo finito, aun bajo una fuerza externa suave y con energía finita. Luego, la prueba fue traducida y verificada formalmente mediante Lean, un lenguaje y asistente de demostración matemática.
Pero el anuncio no llegó solo. Horas antes, Tristan Buckmaster, profesor de la Universidad de Nueva York, había difundido avances propios junto con Levent Alpöge, investigador de Anthropic. La cercanía entre ambos trabajos, el rumor que activó la investigación de OpenAI y la eventual utilización de herramientas como Codex encendieron una discusión que excede la matemática: quién conserva la prioridad intelectual cuando una empresa puede movilizar millones de dólares en cómputo a partir de una pista obtenida por investigadores externos.
Las ecuaciones de Navier-Stokes modelan el movimiento de fluidos: aire alrededor de las alas de un avión, corrientes oceánicas, circulación sanguínea, turbulencias atmosféricas y parte de los modelos meteorológicos. Se basan en las leyes de movimiento de Newton, pero tratan a los fluidos como medios continuos, sin seguir el movimiento de cada molécula.
La pregunta que resistió décadas no era si estas ecuaciones resultan útiles —lo son—, sino si siempre conservan un comportamiento matemáticamente regular. En términos simples: si un fluido tridimensional comienza de manera suave, ¿puede llegar a un punto en el que la velocidad se vuelva infinita en una zona infinitesimal y en un tiempo finito?
Esa explosión matemática recibe el nombre de singularidad. No significa que el agua de una canilla vaya a alcanzar una velocidad infinita ni que el clima deje de poder predecirse de un día para otro. Más bien indica que, bajo ciertas condiciones idealizadas, el modelo continuo dejaría de ser suficiente para representar el fenómeno: habría que recurrir a una descripción microscópica, donde importan moléculas y partículas.
OpenAI afirma haber probado precisamente ese escenario de ruptura. Su solución se apoya en un vórtice que se contrae y se estira: una región giratoria del fluido se vuelve cada vez más pequeña y rápida, mientras los términos de aceleración, presión, viscosidad y transferencia de momento se compensan con precisión suficiente para mantener suave la fuerza externa. La dificultad está en que la singularidad surja por la propia dinámica del fluido y no por introducir artificialmente una fuerza infinita desde fuera.
El resultado buscaría establecer las afirmaciones C y D de la formulación oficial del problema. La relevancia no reside únicamente en llegar a una respuesta negativa a la regularidad global, sino en hacerlo para el caso tridimensional sin fronteras artificiales y bajo condiciones de forzamiento suaves, que son requisitos centrales del desafío planteado por el Instituto Clay.
La formalización en Lean es una de las razones por las que el anuncio merece atención. Este tipo de software permite expresar teoremas y pasos lógicos de una prueba de modo que una computadora verifique si cada inferencia se deriva correctamente de las reglas definidas. Es una garantía poderosa frente a errores de cálculo, omisiones y razonamientos implícitos que pueden filtrarse incluso en trabajos de enorme nivel técnico.
Sin embargo, la verificación formal no equivale automáticamente a la validación completa del resultado científico. Los matemáticos todavía deben revisar si la afirmación codificada en Lean coincide exactamente con el problema que se pretendía resolver. Una demostración puede ser impecable dentro de un sistema formal y, aun así, probar una variante demasiado restringida, o distinta en un detalle decisivo, de la conjetura original.
Ese matiz explica por qué la reacción inicial de la comunidad mezcla interés y prudencia. La prueba fue publicada hace apenas horas. Resultados de este calibre demandan lectura lenta, reconstrucción de los argumentos, chequeo de los supuestos y debate entre especialistas en ecuaciones diferenciales parciales y mecánica de fluidos.
El antecedente de los Problemas del Milenio también impone cautela. Cada solución correcta puede aspirar a un premio de USD 1 millón, pero el Clay Mathematics Institute establece condiciones exigentes para reconocerla: debe publicarse en una vía académica válida, superar al menos dos años de examen de la comunidad y obtener aceptación general entre expertos. OpenAI aclaró que no pretende reclamar el premio con esta publicación.
Hasta ahora, solo uno de los siete desafíos había sido resuelto de forma reconocida: la conjetura de Poincaré, demostrada por Grigori Perelman a comienzos de los años 2000. El problema de Navier-Stokes pertenece, por lo tanto, a una categoría excepcional: no es una optimización de un proceso existente ni una mejora incremental, sino una pregunta que organizó décadas de investigación matemática.
La escena tecnológica también importa. Según OpenAI, los agentes trabajaron de manera coordinada, separados en grupos que exploraban distintas formulaciones del problema. Los equipos podían comunicarse internamente, usar herramientas de código y consultar una versión almacenada de internet. Después de explorar caminos diversos, la empresa utilizó Codex para reunir hallazgos intermedios y orientar nuevas búsquedas.
La resolución habría aparecido unas 88 horas después de lanzar los primeros agentes. La formalización y verificación en Lean demandaron otras 17 horas. En el conjunto de los intentos sobre varios problemas, los agentes intercambiaron 4,9 millones de mensajes y generaron cerca de 300.000 millones de tokens de salida; para Navier-Stokes, el volumen informado fue de 2,7 millones de mensajes y 130.000 millones de tokens.
Es difícil separar aquí la capacidad del modelo del poder de cómputo. Un matemático humano no compite contra 10.000 procesos paralelos que pueden proponer, descartar, combinar y reescribir ideas durante días. La IA no reemplazó simplemente una intuición individual: operó como una infraestructura de investigación con una escala que concentra capital, chips, energía y talento especializado.
Esa diferencia trae una consecuencia concreta para universidades, institutos públicos y equipos pequeños. La investigación básica, que históricamente dependió de tiempo, formación y colaboración académica, puede empezar a depender también del acceso a modelos de frontera y presupuestos de inferencia que hoy están en manos de unas pocas compañías.
La pregunta no es solo si la IA puede resolver problemas difíciles. También es quién podrá planteárselos, quién podrá verificar sus resultados y bajo qué reglas se distribuirán los beneficios de ese conocimiento.
Newsletter gratuito ¿Te está resultando útil esta nota? Suscribite gratis y recibí cada semana el mejor análisis de tecnología, IA y mercados directamente en tu correo.  |
La disputa se concentra en la relación entre el avance de OpenAI y el trabajo de Buckmaster y Alpöge. Ambos investigadores venían trabajando sobre problemas relacionados, apoyándose en una línea teórica desarrollada por los matemáticos españoles Diego Córdoba y Luis Martínez-Zoroa. Esa estrategia se aleja de los métodos computacionales dominantes y utiliza construcciones analíticas de capas sucesivas para producir singularidades.
La contribución de Córdoba y Martínez-Zoroa había logrado avances relevantes en ecuaciones de Euler y Navier-Stokes, aunque sin satisfacer por completo la condición de una fuerza externa suave exigida por la versión del Problema del Milenio. El paso pendiente consistía en construir una cascada infinita que conservara ese requisito y, al mismo tiempo, produjera la singularidad. La nueva demostración de OpenAI se ubicaría justamente en esa dirección teórica.
Buckmaster denunció que OpenAI se enteró de su trabajo privado antes de anunciar su propia prueba y planteó dudas sobre un posible acceso a notas o instrucciones introducidas en Codex. También cuestionó conversaciones mantenidas con investigadores de OpenAI sobre crédito y autoría, en las que, según su versión, se habría propuesto excluir a Alpöge por su empleo en Anthropic.
OpenAI rechaza haber visto el trabajo de los dos matemáticos antes de su publicación. La empresa sostiene que sus investigadores y agentes no accedieron a datos concretos de usuarios para resolver Navier-Stokes, aunque admite que no puede descartar totalmente que datos desidentificados derivados del uso de sus productos hayan contribuido a mejorar sus modelos. También reconoce prioridad a Buckmaster y Alpöge en una solución vinculada al problema de Euler forzado, pero no en la prueba de Navier-Stokes.
No se trata de una diferencia menor. Si los sistemas de IA pueden absorber, aunque sea indirectamente, información inédita aportada por usuarios y luego competir contra ellos con recursos masivos, la relación entre laboratorio privado, herramienta comercial e investigación académica cambia de naturaleza.
La controversia pone sobre la mesa un problema de gobernanza científica. Los incentivos tradicionales de la academia se apoyan en compartir avances parciales, someter ideas al debate y acumular crédito mediante publicaciones. Pero ese mecanismo puede debilitarse si una señal informal sobre un enfoque prometedor alcanza para que una empresa active una flota de agentes y llegue primero a una demostración completa.
Terence Tao, uno de los matemáticos más influyentes de su generación, advirtió sobre otra pérdida posible: el proceso de resolver un problema enseña, incluso cuando no se alcanza la respuesta. Si las máquinas entregan demostraciones correctas pero opacas, los investigadores podrían disponer de más resultados y, al mismo tiempo, entender menos sobre los caminos que llevan a ellos.
Hay una oportunidad genuina. La IA formal puede ayudar a detectar errores, explorar conjeturas, traducir argumentos a lenguajes verificables y dar a equipos científicos una capacidad experimental inédita. Para países como Argentina, donde el talento académico convive con restricciones de infraestructura, esas herramientas podrían ampliar el acceso a investigación avanzada si se habilitan modelos, cómputo y repositorios en condiciones abiertas.
Pero la oportunidad exige reglas. Transparencia sobre datos de entrenamiento, auditorías sobre el uso de información confidencial, publicación de procesos intermedios y criterios claros de atribución serán tan relevantes como la potencia de los modelos. De lo contrario, la ciencia asistida por IA corre el riesgo de transformarse en una competencia de recursos donde la demostración aparece antes que la confianza.
La prueba de Navier-Stokes puede terminar confirmándose, corrigiéndose o incluso reformulándose tras la revisión de especialistas. Lo que ya quedó demostrado es otra cosa: cuando miles de agentes pueden convertir una intuición matemática en una prueba formal en pocos días, ¿qué instituciones estarán preparadas para asegurar que el conocimiento siga siendo verificable, compartible y justamente atribuido?
