OpenAI y Navier–Stokes: 10.000 agentes, 88 horas y una guerra por el crédito que obliga a reescribir las reglas de la ciencia

1. Qué afirma exactamente haber resuelto OpenAI

El problema de Navier–Stokes pregunta, de forma simplificada, si las ecuaciones que describen el movimiento de fluidos en tres dimensiones permanecen siempre suaves o pueden desarrollar una singularidad en tiempo finito. OpenAI afirma haber construido una solución que demuestra la segunda posibilidad: ciertas dinámicas pueden “romperse” matemáticamente y hacer divergir magnitudes del flujo.

La empresa publicó tanto un texto matemático como una formalización en Lean. Nature describió el resultado como una reclamación de enorme importancia y recogió una valoración positiva de Luis Martínez-Zoroa, uno de los investigadores humanos que había trabajado en ideas precursoras. Pero la palabra clave sigue siendo reclamación: un resultado de esta magnitud necesita revisión independiente y tiempo.

2. La escala cambia por completo: 10.000 agentes, 88 horas y 130.000 millones de tokens

Según la documentación técnica de OpenAI, el sistema interno utilizado era “significativamente más capaz” que GPT‑6 Astra. La empresa repartió variantes de los problemas entre grupos de agentes, permitió comunicación dentro de cada grupo y fue cruzando las ideas útiles mediante Codex. El grupo que llegó a Navier–Stokes involucró del orden de 10.000 agentes concurrentes.

OpenAI sitúa la resolución aproximadamente 88 horas después de lanzar los primeros agentes. Solo el frente de Navier–Stokes generó 2,7 millones de mensajes y alrededor de 130.000 millones de tokens de salida; la formalización y verificación en Lean requirió otras 17 horas con GPT‑6 Astra. La comparación con un matemático individual ya no es adecuada: estamos ante una fábrica de búsqueda intelectual paralela.

3. La IA no empezó desde cero: había una genealogía humana de ideas

El avance no aparece en un vacío. Diego Córdoba y Luis Martínez-Zoroa habían desarrollado desde 2023 una línea de trabajo basada en cascadas de vorticidad y singularidades que cambió el paisaje del problema. El País recogió su reivindicación de que la ruta conceptual humana fue decisiva para que las máquinas pudieran explorar un espacio de soluciones fértil.

Esto no invalida el resultado de OpenAI: en matemáticas es normal construir sobre ideas anteriores. El problema nuevo es de granularidad. Cuando un sistema consume papers, conversaciones, prompts y pistas intermedias a gran escala, atribuir “la idea” deja de ser tan sencillo como citar un artículo al final de una demostración.

4. Buckmaster y Alpöge: la acusación más delicada y la respuesta de OpenAI

Tristan Buckmaster y Levent Alpöge trabajaban en resultados relacionados con Euler y Navier–Stokes usando también modelos de IA. Buckmaster acusó públicamente a OpenAI de una conducta agresiva en la carrera por publicar y planteó la posibilidad de que interacciones previas con Codex hubieran podido contribuir indirectamente al sistema.

OpenAI abrió una investigación y el 10 de septiembre añadió una actualización explícita: afirma haber confirmado que los prompts de Buckmaster en los dos meses anteriores no pudieron influir en el sistema, ni siquiera mediante entrenamiento, porque el modelo interno se desarrolló con refuerzo a gran escala sobre un modelo preentrenado previamente. Esa es la posición oficial de la empresa. La acusación y la negación deben mantenerse separadas mientras no exista evidencia independiente que contradiga esa reconstrucción.

5. Una prueba formal no resuelve automáticamente la cuestión del premio ni del consenso

Lean puede comprobar que una cadena formal de inferencias respeta las reglas del sistema lógico en el que está escrita. Eso es una garantía potente frente a errores algebraicos o lagunas formales, pero no sustituye todas las preguntas matemáticas: hay que verificar que la formalización corresponde exactamente al enunciado relevante, que las definiciones capturan lo que se pretende y que no existe un problema conceptual aguas arriba.

OpenAI dice expresamente que no pretende reclamar el Millennium Prize. La prudencia es significativa: el Clay Mathematics Institute exige un proceso de publicación y aceptación por la comunidad antes de considerar una solución. Un anuncio de laboratorio y una prueba formalizada pueden ser extraordinarios sin equivaler todavía a un veredicto histórico definitivo.

6. El Mathathon convirtió la inquietud en una protesta organizada

La discusión dejó de ser abstracta con el Mathathon, un evento que ofrecía grandes cantidades de cómputo a equipos de matemáticos para atacar problemas abiertos en 40 horas. Una carta abierta publicada en Proofs and Prompts reunió 771 firmas en el momento de su publicación y pidió suspender el evento.

Los firmantes no argumentaban que usar IA en matemáticas sea ilegítimo. Sus objeciones eran institucionales: presión sobre investigadores jóvenes, incentivos para publicar resultados mal comprendidos, carga de verificación trasladada a la comunidad y ausencia de reglas compartidas sobre reputación, atribución y responsabilidad.

7. La respuesta del Mathathon muestra que tampoco existe un bloque “anti-IA”

Los organizadores respondieron reconociendo que varias críticas eran válidas y que la descripción inicial no había explicado bien algunas salvaguardas. Anunciaron cambios, incluida una fase de verificación antes de publicar resultados, etiquetado del uso de IA y discusiones entre matemáticos favorables y críticos. También señalaron que habían recibido más de mil solicitudes.

Ese detalle importa porque evita una caricatura fácil. La comunidad no está dividida entre tecnófilos y luditas. La disputa real es sobre gobernanza: qué prácticas permiten aprovechar cómputo y modelos sin destruir los mecanismos que hacen confiable a la ciencia.

8. El nuevo poder científico ya no se reparte solo por talento: también por cómputo

Una universidad puede tener matemáticos excepcionales y, aun así, no disponer de una infraestructura capaz de lanzar diez mil agentes sobre una pregunta durante días. El recurso escaso pasa a ser una combinación de talento humano, modelos frontera, acceso a infraestructura y capacidad financiera.

Eso puede democratizar ciertas tareas si las herramientas se abren, pero también concentrar el descubrimiento en unas pocas empresas. Si un laboratorio privado decide qué conjetura merece cientos de miles de millones de tokens, ejerce una función parecida a la de una agencia de financiación científica, pero sin los mismos procedimientos públicos de selección y rendición de cuentas.

9. Confirmado, disputado y todavía abierto

CONFIRMADO — OpenAI publicó una solución y una formalización en Lean; describe el uso de ~10.000 agentes concurrentes, 88 horas y ~130.000 millones de tokens de salida para Navier–Stokes; existe una carta abierta con cientos de firmas contra el diseño inicial del Mathathon; los organizadores cambiaron reglas tras las críticas.

DISPUTADO — La prioridad intelectual, el peso exacto de ideas humanas previas y la conducta de OpenAI frente a investigadores rivales. OpenAI niega que los prompts de Buckmaster pudieran influir en el sistema y afirma haberlo verificado internamente.

ABIERTO — Si la prueba alcanzará consenso matemático pleno, cómo deben asignarse autoría y crédito en investigaciones multiagente y qué reglas de confidencialidad deben aplicar cuando científicos usan modelos comerciales para trabajo no publicado.