OpenAI dice que su IA resolvió uno de los problemas matemáticos más difíciles del mundo, y la comunidad científica no lo recibió sin dudas
Un modelo interno de OpenAI, no disponible al público, produjo una prueba de que las ecuaciones de Navier-Stokes en tres dimensiones pueden desarrollar una singularidad en tiempo finito. La compañía publicó tanto el desarrollo del razonamiento como una formalización en el lenguaje Lean, que sirve para verificar paso a paso la validez lógica de un argumento matemático. Con esto, OpenAI sostiene haber resuelto uno de los siete Problemas del Milenio planteados en el año 2000 por el Clay Mathematics Institute, cada uno con un premio de un millón de dólares. Según reportó Quanta Magazine, hasta ahora solo se había resuelto oficialmente otro de esos seis problemas restantes.
De qué trata el problema que la compañía dice haber cerrado
Las ecuaciones de Navier-Stokes describen cómo se mueven los fluidos, desde el aire alrededor de un avión hasta la sangre en el cuerpo humano, y llevan cerca de 90 años sin que nadie determine si una corriente que empieza de forma suave puede volverse caótica hasta el punto de generar velocidades infinitas en un tiempo determinado. OpenAI describe la solución encontrada como un vórtice que se enrosca hacia adentro, se alarga y gana velocidad de forma progresiva, mientras la energía del sistema se mantiene finita durante todo el proceso, como exige la física.
El reto técnico, según la compañía, no era proponer una singularidad de cualquier forma, sino demostrar que surge del propio movimiento del fluido, sin introducir una fuerza infinita de manera artificial. OpenAI aclaró que no tiene intención de reclamar el millón de dólares del premio.
Cómo dice la compañía que llegó al resultado
El proceso que describe OpenAI se apoya en escala más que en un único razonamiento lineal. La empresa desplegó un sistema de agentes coordinados, organizados en grupos que exploraban variantes distintas del enunciado del problema, algunos orientados a probarlo y otros a refutarlo. Según reportó The Wall Street Journal, el sistema llegó a desplegar hasta 10.000 agentes de IA en paralelo durante aproximadamente 88 horas, con costos de cómputo del orden de millones de dólares. La verificación formal en Lean tomó 17 horas adicionales.
La compañía relató que el esfuerzo arrancó el 1 de septiembre, después de escuchar rumores sobre el posible avance de otro grupo en un problema del milenio, y que decidió evaluar su modelo interno en todos los problemas abiertos disponibles.
La disputa que siguió al anuncio
Aquí está el punto que conviene no pasar por alto. La noche anterior al anuncio de OpenAI, el matemático de la Universidad de Nueva York Tristan Buckmaster publicó un resultado propio, desarrollado junto al investigador de Anthropic Levent Alpöge, sobre un problema relacionado pero distinto: la versión forzada de las ecuaciones de Euler, un caso límite de Navier-Stokes sin viscosidad. Según recogió la revista Technology Review, Buckmaster y Alpöge habían trabajado en el problema durante casi un año, usando modelos disponibles públicamente tanto de OpenAI como de Anthropic.
La coincidencia de fechas generó suspicacias. Buckmaster señaló, según CNBC, que había recibido indicios de que información sobre el avance del dúo llegó hasta OpenAI, y describió la ruta que tomó la compañía hacia su solución como similar a la de su propio trabajo, algo que consideró difícil de alcanzar en pocos días solo a partir del enunciado del problema. OpenAI respondió que sus agentes no tuvieron acceso al trabajo de los investigadores por ningún medio antes de que se hiciera público, aunque reconoció, según CNN, que no puede descartar que datos anonimizados derivados del uso de sus productos por parte de esos investigadores hayan contribuido a mejorar sus modelos.
Por qué esto importa más allá de las matemáticas
El episodio funciona como una señal del momento que atraviesa el desarrollo de estos sistemas. OpenAI encuadró el anuncio dentro de un mensaje más amplio: el modelo interno usado supera de forma considerable a su modelo público más reciente, y la compañía dice priorizar entender ese salto de capacidad antes de decidir cómo y cuándo lo despliega.
Es común que este tipo de anuncios de laboratorios de IA generen dos lecturas distintas al mismo tiempo: una que celebra el avance técnico y otra que cuestiona la manera en que se comunicó, sobre todo cuando hay investigadores humanos trabajando en paralelo sobre el mismo terreno. Para quien sigue de cerca el desarrollo de la inteligencia artificial aplicada a la investigación científica, este caso puede terminar siendo menos relevante por el resultado matemático en sí y más por el precedente que sienta sobre cómo se atribuye el mérito cuando sistemas automatizados y matemáticos humanos convergen casi al mismo tiempo en problemas de esta magnitud.
