El 12 de septiembre, una carta firmada por 25 medallistas Fields amplió la controversia alrededor de la afirmación matemática publicada por OpenAI cuatro días antes. La empresa sostiene que un sistema interno de IA produjo una construcción en la que un flujo tridimensional e incompresible de Navier–Stokes desarrolla una singularidad en tiempo finito. La afirmación incluye una formalización en Lean, pero todavía no es una solución matemáticamente aceptada de forma independiente.
La diferencia importa. OpenAI ha publicado un resultado y los artefactos que lo acompañan; la comunidad matemática aún debe determinar si la construcción satisface exactamente el problema planteado por el Clay Mathematics Institute y si el argumento resiste el escrutinio experto.
Qué afirma exactamente OpenAI
La afirmación se refiere a las ecuaciones tridimensionales e incompresibles de Navier–Stokes, con densidad constante y una fuerza externa suave. Según OpenAI, el flujo parte de condiciones suaves, conserva una energía finita y alcanza una singularidad en tiempo finito: la velocidad se volvería ilimitada dentro del modelo matemático.
La imagen intuitiva es la de un vórtice que se enrolla hacia dentro mientras se alarga en su eje. Ese “blow-up” —o explosión matemática— no significa que el agua real, sus moléculas o un avión puedan alcanzar una velocidad infinita. Describe el comportamiento límite de unas ecuaciones continuas.
El problema de existencia y regularidad de Navier–Stokes forma parte de los siete Problemas del Milenio del Clay Mathematics Institute. Cada uno está asociado a un premio de 1 millón de dólares, pero OpenAI ha dicho que no reclamará ese premio por este resultado.
10.000 agentes y 88 horas: la escala del esfuerzo
OpenAI comunicó que el grupo que produjo el resultado utilizó aproximadamente 10.000 agentes concurrentes y llegó a la resolución comunicada tras unas 88 horas desde el inicio de la búsqueda. Después, GPT-6 Astra dedicó otras 17 horas a formalizar y comprobar el argumento en Lean.
En la parte de Navier–Stokes, la empresa cifra el proceso en unos 2,7 millones de mensajes y aproximadamente 130.000 millones de tokens de salida. Son cifras que describen una enorme operación de exploración coordinada; por sí solas no demuestran que el método sea más eficiente que el trabajo de matemáticos humanos ni que la afirmación sea correcta.
La idea reutilizable podría estar en la coordinación de muchos intentos y en reservar Lean para comprobar una formulación concreta. Pero esa posibilidad no convierte automáticamente el resultado en una prueba válida ni resuelve la cuestión de quién aportó las ideas decisivas.
Dos líneas de investigación que no deben confundirse
El trabajo de OpenAI y la investigación relacionada de Tristan Buckmaster y Levent Alpöge comparten un contexto de ecuaciones de fluidos y asistencia de IA, pero no describen el mismo objetivo matemático.
| Dimensión | Resultado comunicado por OpenAI | Trabajo relacionado de Tristan Buckmaster y Levent Alpöge |
| Objetivo matemático | Una singularidad en tiempo finito para Navier–Stokes tridimensional e incompresible con fuerza suave | Resultados relacionados sobre explosión de soluciones en las ecuaciones de Euler forzadas y Boussinesq |
| Herramientas de IA | Un sistema interno de OpenAI con agentes coordinados y GPT-6 Astra para la formalización en Lean | Claude y Codex como asistentes de investigación, documentación y pasos lógicos |
| Participantes identificados | OpenAI | Tristan Buckmaster y Levent Alpöge |
| Relación entre los resultados | OpenAI sostiene que su construcción difiere sustancialmente | El trabajo relacionado alimentó la disputa sobre prioridad, reconocimiento y procedencia de las ideas |
No conviene mezclar Navier–Stokes forzado, Euler forzado, Euler no forzado y Boussinesq como si fueran una sola demostración. Sus ecuaciones y condiciones no son intercambiables.
La disputa por los datos y el crédito
Tristan Buckmaster alega que OpenAI conoció la dirección de su trabajo con Levent Alpöge y que las conversaciones sobre prioridad y autoría se gestionaron de forma inadecuada. Esas alegaciones siguen siendo objeto de disputa.
OpenAI niega que sus investigadores o agentes vieran el trabajo privado de Buckmaster y Alpöge antes de su publicación. La empresa también afirma que no puede descartar que datos desidentificados derivados del uso de sus productos hayan contribuido a mejorar sus modelos. Son dos cuestiones distintas: una se refiere al acceso directo a un trabajo concreto durante la búsqueda; la otra, a una posible mejora general del modelo. La segunda posibilidad no demuestra que el trabajo privado se utilizara para producir esta afirmación.
La discusión sobre autoría tampoco equivale a una resolución de prioridad. La afirmación publicada pertenece a OpenAI; el trabajo relacionado de Buckmaster y Alpöge mantiene su propio objetivo y su propia trayectoria.
Por qué Lean no equivale a una revisión independiente
Lean es un asistente de demostración: comprueba que una prueba formalizada se sigue de las definiciones, axiomas y supuestos que contiene el código. Eso es valioso porque puede detectar errores dentro de esa formalización.
Pero Lean no decide por sí solo si se codificó la pregunta correcta, si las condiciones formales coinciden con la formulación que debe resolverse o si los matemáticos han comprendido y aceptado la estrategia. Una comprobación mecánica y una revisión matemática independiente cumplen funciones diferentes.
Por eso el punto decisivo no es solo que exista un archivo Lean que se ejecute sin errores. También importa que especialistas examinen el alcance exacto de la construcción, la eliminación o no de la fuerza externa y su relación con el problema de Navier–Stokes definido por el Clay Mathematics Institute.
La advertencia de los 25 medallistas Fields
La carta pública firmada por 25 medallistas Fields sitúa el episodio dentro de una preocupación más amplia. Sus autores cuestionan que los resultados matemáticos generados con IA se anuncien con rapidez, sin el tiempo necesario para explicar las ideas, reconocer los precedentes, revisar las pruebas y transmitir el conocimiento a otros investigadores.
La crítica no demuestra que OpenAI haya cometido una conducta concreta en este caso. Señala, más bien, un problema de incentivos: publicar primero puede atraer una atención enorme antes de que exista una comprensión compartida del resultado.
En matemáticas, esa comprensión no es un adorno. Permite detectar qué parte de una construcción es esencial, conectar el avance con trabajos anteriores y saber si el argumento resuelve exactamente la pregunta que se pretendía responder.
Qué cambia para quien sigue la IA científica
Por ahora, la lectura responsable es sencilla: OpenAI ha publicado una afirmación ambiciosa, acompañada de una formalización en Lean y de cifras extraordinarias sobre el proceso de búsqueda. Eso no equivale todavía a una solución aceptada del Problema del Milenio.
Tampoco hay una aplicación inmediata demostrada para la predicción meteorológica, la aerodinámica, la medicina o la ingeniería. Las ecuaciones de Navier–Stokes son fundamentales para modelar fluidos, pero la importancia de resolver una cuestión matemática no se convierte automáticamente en una mejora práctica de esas tecnologías.
Lo que está en juego es más básico y, quizá, más importante: cómo se revisan los descubrimientos producidos por sistemas de IA, cómo se atribuyen las ideas cuando varias líneas de investigación convergen y qué reglas protegen los datos utilizados para mejorar esos sistemas.
La próxima frontera no será solo generar una demostración en miles de ramas paralelas. Será conseguir que otros matemáticos puedan reconstruirla, discutirla y reconocer con precisión qué se ha demostrado. Ahí es donde la afirmación de OpenAI todavía tiene que ganarse su lugar.
