La afirmación de OpenAI sobre la prueba de Navier–Stokes, explicada

Las ecuaciones de Navier–Stokes describen cómo se mueven fluidos como el agua y el aire. Son centrales para la dinámica de fluidos, la ingeniería y la física, pero los matemáticos no han tenido una comprensión analítica completa de su comportamiento en tres dimensiones.

La versión del Premio del Milenio pregunta, a grandes rasgos, si unas condiciones iniciales suaves siempre conducen a soluciones suaves para todo tiempo futuro, o si las ecuaciones pueden «explotar»: producir una singularidad en la que una magnitud como la velocidad se vuelve infinita. El Clay Mathematics Institute nombró el problema como uno de los siete Problemas del Premio del Milenio en 2000, cada uno asociado a un premio de $1 millón. Antes de este anuncio, solo se había resuelto la conjetura de Poincaré entre los siete, como resume Wikipedia.

La afirmación de OpenAI, según informó Quanta Magazine, es que agentes de IA autónomos ejecutándose sobre un modelo interno encontraron una singularidad en las ecuaciones tridimensionales de Navier–Stokes. Quanta informa de que el trabajo usó alrededor de 10.000 agentes, que los agentes encontraron una prueba después de 88 horas y que otro modelo de IA formalizó el resultado en Lean tras 17 horas adicionales. Los agentes intercambiaron casi 5 millones de mensajes, y Sébastien Bubeck, de OpenAI, estimó el coste computacional en varios millones de dólares, según Quanta.

MIT Technology Review informa de que OpenAI dice que no planea reclamar el premio de $1 millón. Según Wikipedia, el contraejemplo aún no ha sido verificado por matemáticos externos ni por el Clay Mathematics Institute.

Ese último punto importa. Una formalización en Lean es una señal sólida, pero no equivale a la aceptación de la comunidad. Quanta señala que las pruebas formales pueden establecer que una afirmación se sigue dentro del asistente de pruebas, mientras que los matemáticos aún tienen que comprobar que la afirmación formalizada es lógicamente equivalente a la afirmación matemática que se pretendía demostrar.

Las ecuaciones diferenciales describen relaciones entre magnitudes cambiantes. En mecánica de fluidos, las ecuaciones de Navier–Stokes combinan velocidad, presión, viscosidad, fuerzas externas y conservación de la masa. Son lo bastante sencillas de escribir en notación estándar, pero su comportamiento a largo plazo puede ser extremadamente difícil de entender.

La dificultad central no es si los ingenieros pueden simular fluidos. Lo hacen constantemente. La cuestión es si las ecuaciones matemáticas idealizadas tienen garantizado comportarse bien bajo las condiciones especificadas por el problema del Premio del Milenio.

Una singularidad significaría que las ecuaciones predicen una ruptura: alguna parte del fluido evoluciona hacia un estado matemático imposible. Como explica Quanta, esto no implica un fallo práctico inmediato en la ingeniería del mundo real, porque los fluidos reales están hechos de moléculas y átomos, no de continuos perfectamente suaves. Pero, como matemáticas, demostraría que las ecuaciones idealizadas tienen un comportamiento más sorprendente de lo que muchos esperaban.

El problema también conecta con la turbulencia, uno de los fenómenos más difíciles de la física. Wikipedia describe la turbulencia como uno de los mayores problemas sin resolver de la física pese a su importancia en la ciencia y la ingeniería. Una prueba de explosión no «resolvería la turbulencia» en el sentido práctico, pero reformularía lo que los matemáticos saben sobre las ecuaciones que hay detrás de ella.

La controversia se centra en la relación entre el trabajo de OpenAI y el trabajo de Buckmaster y Alpöge.

Quanta informa de que el anuncio de OpenAI llegó unas 12 horas después de que Buckmaster anunciara resultados con Alpöge sobre problemas estrechamente relacionados. Su trabajo utilizó diversos modelos de IA, incluidos modelos de OpenAI. MIT Technology Review informa de que Buckmaster y Alpöge habían trabajado casi un año en el problema y que Buckmaster publicó una prueba que mostraba que una versión simplificada de las ecuaciones de Navier–Stokes puede romperse.

Tanto el trabajo de OpenAI como el de Buckmaster–Alpöge parecen apoyarse en un enfoque asociado a Diego Córdoba y Luis Martínez-Zoroa. Quanta dice que ambos equipos se apoyaron mucho en el trabajo de Córdoba y Martínez-Zoroa, quienes desarrollaron una estrategia que se apartaba de los métodos que usaban la mayoría de matemáticos. MIT Technology Review cita al profesor de matemáticas de Brown University Javier Gómez-Serrano diciendo que este enfoque era uno de varios considerados prometedores para el problema.

OpenAI ha reconocido, según MIT Technology Review, que el equipo se inspiró para perseguir el problema tras oír un rumor sobre los esfuerzos de Buckmaster y Alpöge. La disputa gira en torno a si los modelos o empleados de OpenAI tuvieron acceso al trabajo de Buckmaster y Alpöge, entrenaron con él o se beneficiaron de él de alguna otra forma.

MIT Technology Review informa de que Buckmaster publicó un documento que describe interacciones con empleados de OpenAI. Según el relato de Buckmaster, los empleados de OpenAI presentaron dos posibilidades. Buckmaster y Alpöge podían publicar su trabajo y OpenAI publicaría su solución de Navier–Stokes al día siguiente, o Buckmaster podía trabajar con OpenAI en un artículo sobre Navier–Stokes que excluyera a Alpöge de la autoría por su afiliación con Anthropic. MIT Technology Review también informa de que OpenAI negó que sus empleados o agentes accedieran a las transcripciones de Buckmaster y Alpöge.

Son acusaciones serias, pero el registro público está incompleto. La postura adecuada es separar la afirmación matemática de la disputa sobre atribución. La prueba puede ser correcta mientras el proceso sigue siendo éticamente discutido. O la prueba puede fracasar en la revisión mientras las preguntas de atribución siguen importando.

Lean es un asistente de pruebas: un sistema para expresar afirmaciones matemáticas y comprobar que cada paso se sigue de reglas formales. En matemáticas de alto riesgo, eso puede eliminar una gran clase de errores. También puede hacer que las pruebas generadas por IA sean más fáciles de auditar, porque la prueba no es solo prosa; es lógica formal ejecutable.

Por eso el componente de Lean es importante. Si la formalización es sólida y coincide con la afirmación pretendida sobre Navier–Stokes, el resultado se vuelve mucho más difícil de descartar como una alucinación fluida. Para quienes construyen IA, esta es la diferencia entre un modelo que escribe razonamientos plausibles y un sistema que produce artefactos que otro programa puede comprobar.

Pero Lean no resuelve todos los problemas de confianza. No establece prioridad. No revela cómo se encontró la prueba. No explica si datos privados, transcripciones o ideas no publicadas influyeron en la búsqueda. Y no sustituye el papel de la comunidad matemática a la hora de interpretar la importancia de la prueba.

Esta distinción debería resultar familiar a quienes construyen productos de IA. Las salidas estructuradas, los tests, las evaluaciones y las comprobaciones formales pueden hacer que los sistemas sean más fiables, pero por sí solos no responden a preguntas de gobernanza. Si un agente de IA puede llamar a herramientas, inspeccionar logs, reutilizar contexto privado o coordinarse con otros agentes, el sistema necesita límites y trazas de auditoría tanto como capacidad bruta.

Esa es una razón por la que el trabajo multiagente es un problema de ingeniería, no solo un truco de prompting. Tanto si diseñas agentes de investigación como flujos de trabajo empresariales, las preguntas prácticas son parecidas: qué agentes pueden ver qué contexto, a qué herramientas pueden llamar, dónde se producen los traspasos y qué se registra. Esas decisiones de diseño importan en los agentes de IA mucho antes de que lo que está en juego llegue al territorio de los Premios del Milenio.

El detalle operativo más llamativo es la escala. Quanta informa de aproximadamente 10.000 agentes, 88 horas de búsqueda, 17 horas más para la formalización y casi 5 millones de mensajes entre agentes. MIT Technology Review informa de que OpenAI dijo que la ejecución costó millones de dólares.

Esa escala no está al alcance de la mayoría de grupos académicos. Sugiere un futuro posible en el que el progreso matemático de frontera dependa de modelos internos, presupuestos de computación privados e infraestructura de agentes concentrada dentro de unas pocas empresas de IA.

MIT Technology Review plantea esto como un punto de inflexión para las matemáticas: si grandes problemas abiertos pueden ser atacados por enjambres privados de agentes, las normas de colaboración académica pueden verse tensionadas. Los matemáticos a menudo aprenden de intentos fallidos, resultados parciales y giros equivocados. Si eso ocurre dentro de sistemas privados y nunca se hace público, el campo puede obtener respuestas sin el camino compartido que tradicionalmente crea nuevas herramientas y subcampos.

Quanta cita al matemático de Princeton Charles Fefferman, que escribió la descripción oficial del problema del Clay Institute, diciendo que estaba encantado de que el problema se hubiera resuelto e identificando a Córdoba y Martínez-Zoroa como los héroes de la historia. Esa atribución es un correctivo útil. Aunque el paso final se automatizara, el criterio investigador —elegir una dirección prometedora— vino de trabajo matemático humano construido durante años.

Para quienes construyen, la lección no es «usa más agentes». Es que los sistemas agénticos amplifican la calidad del espacio de búsqueda que se les da. Mejores modelos y presupuestos más grandes ayudan, pero el planteamiento del problema, la selección de contexto, el acceso a herramientas y los bucles de verificación siguen determinando si el sistema explora territorio útil o quema cómputo.

Si enrutas trabajo entre varios modelos, el mismo principio se aplica a menor escala. Usa el mejor modelo para cada tarea, pero no trates la elección del modelo como si fuera todo el sistema. El flujo de trabajo que lo rodea —recuperación, restricciones, comprobaciones, aprobaciones y logs— es de donde sale la fiabilidad. En otras palabras, la capacidad viene de todo el flujo de trabajo, no de una elección en una tabla de clasificación.

Lo primero que hay que observar es la validación matemática. Matemáticos externos y el Clay Mathematics Institute necesitarán tiempo para evaluar si la prueba es correcta, si la formalización en Lean coincide con la afirmación pretendida y cómo encaja el resultado con el trabajo previo.

Lo segundo es la atribución. Los relatos públicos de OpenAI, Buckmaster, Alpöge y matemáticos externos aún no forman un registro asentado. Las preguntas centrales son fácticas: a qué accedieron los agentes o empleados de OpenAI, con qué entrenaron, qué sabían y cuándo lo supieron.

Lo tercero es si esto se convierte en una plantilla. Si los laboratorios de IA de frontera pueden dirigir enormes enjambres de agentes a problemas famosos sin resolver, vendrán más anuncios. Algunos serán limpios. Algunos serán disputados. Algunos fracasarán en la revisión. Los campos afectados necesitarán normas para el crédito, la divulgación, la computación privada y las reclamaciones de prioridad asistidas por IA.

Para quienes construyen con IA fuera de las matemáticas puras, el mensaje es bastante claro: la capacidad se está desplazando hacia sistemas, no hacia prompts individuales. Agentes, herramientas, enrutamiento de modelos y verificación se están convirtiendo en la unidad de trabajo. Los equipos que gestionen bien la procedencia y la revisión estarán en mejor posición que los equipos que solo persigan salidas más grandes.

Seguiremos de cerca la historia de verificación y atribución a medida que avance. Si quieres noticias de IA con el contexto técnico intacto, puedes suscribirte a la newsletter de LIA.

• OpenAI afirma que agentes de IA autónomos encontraron una singularidad en las ecuaciones tridimensionales de Navier–Stokes y produjeron una formalización en Lean.
• El resultado aún no ha sido verificado por matemáticos externos ni aceptado por el Clay Mathematics Institute.
• Una prueba en Lean puede reducir muchos errores de comprobación de pruebas, pero los revisores aún tienen que confirmar que la afirmación formal coincide con la afirmación matemática pretendida.
• El anuncio está entrelazado con una disputa de atribución que implica trabajo de Tristan Buckmaster, Levent Alpöge, Diego Córdoba y Luis Martínez-Zoroa.
• La escala comunicada de la ejecución subraya una brecha de recursos entre los laboratorios de IA de frontera y la mayoría de grupos académicos.
• Para quienes construyen IA, el episodio muestra que los agentes necesitan procedencia, trazas de auditoría, bucles de verificación y límites claros, no solo más cómputo.

Esta sección responde a las preguntas prácticas detrás de la afirmación de OpenAI sobre Navier–Stokes: las respuestas siguientes cubren el anuncio, el papel de Lean y las partes que aún necesitan revisión independiente. También separa lo que está en juego matemáticamente de la disputa de atribución en torno al trabajo.

OpenAI dice que tiene una solución generada por IA, pero la afirmación aún necesita revisión matemática externa y evaluación por parte del Clay Mathematics Institute.

Según los informes citados, OpenAI afirma que sus agentes encontraron una singularidad en las ecuaciones tridimensionales de Navier–Stokes y que otro modelo formalizó el resultado en Lean.

Lean puede comprobar que cada paso formal se sigue de reglas, lo que hace que la prueba sea más difícil de descartar como prosa plausible. Los matemáticos aún tienen que verificar que la afirmación formalizada coincide con la afirmación pretendida sobre Navier–Stokes.

La disputa se refiere a si el trabajo de OpenAI se benefició de la investigación asistida por IA de Tristan Buckmaster y Levent Alpöge sin el crédito adecuado. OpenAI ha negado que sus empleados o agentes accedieran a sus transcripciones, según MIT Technology Review.

No. Una prueba de explosión reformularía la comprensión matemática de las ecuaciones detrás del movimiento de fluidos, pero no resolvería directamente la turbulencia como problema práctico de ingeniería.