OpenAI afirma que un modelo interno ha resuelto más de cien problemas matemáticos que llevaban años abiertos. La compañía lo anunció el 21 de septiembre al presentar su colaboración con un grupo independiente de especialistas. La noticia llega después de una carta firmada por investigadores como Terence Tao y Maryna Viazovska, preocupados por una carrera que premia acumular soluciones sin dedicar suficiente tiempo a comprenderlas.
El debate tiene una consecuencia que va más allá de las matemáticas: si una máquina entrega una respuesta que los expertos todavía no han podido asimilar, ¿cuándo se convierte esa respuesta en conocimiento útil? Las fuentes publicadas permiten separar tres cuestiones que se están mezclando: lo que asegura haber conseguido OpenAI, la comprobación de cada resultado y la forma de incorporarlo a la investigación.
Qué ha anunciado OpenAI sobre esos cien problemas
En su comunicado del 21 de septiembre, OpenAI atribuye los resultados a un sistema interno cuyo entrenamiento comenzó el 28 de agosto. Habla de problemas de numerosas áreas y reconoce que el ritmo de avance sorprendió incluso a sus matemáticos. No presenta ese modelo como una nueva opción que cualquiera pueda seleccionar en ChatGPT.
La cifra debe leerse como una afirmación de la empresa. La creación de un grupo asesor tampoco equivale a que ese grupo haya validado públicamente cada una de las soluciones. Es una diferencia importante respecto a los GPT-6 Sol y Luna que OpenAI acaba de lanzar: aquí la noticia trata de investigación interna y de cómo comunicar sus resultados.
La crítica: las matemáticas necesitan algo más que acertar
La declaración publicada el 11 de septiembre no niega los avances de la IA. Sus firmantes reconocen que estos sistemas ya pueden abordar grandes problemas. Su preocupación es que convertir esas soluciones en una clasificación de rendimiento desplace el propósito de la disciplina: descubrir ideas y entender estructuras que otros puedan estudiar, enseñar y utilizar.
La carta alerta sobre anuncios precipitados, explicaciones insuficientes y problemas de atribución del trabajo previo. También pone el foco en los estudiantes. Resolver un ejercicio o investigar durante años no sirve únicamente para obtener un resultado: ese proceso desarrolla la capacidad de plantear las siguientes preguntas.
Una demostración puede ser correcta y, aun así, resultar difícil de aprovechar. Para el lector ajeno a esta disciplina, basta pensar en la diferencia entre disponer de un mapa terminado y entender cómo dibujar el siguiente cuando cambia el terreno.
Navier–Stokes muestra por qué importa la revisión
Un antecedente ayuda a dimensionar la discusión. El 8 de septiembre, OpenAI publicó lo que describe como una solución al problema de existencia y regularidad de Navier–Stokes, uno de los Problemas del Milenio. Estas ecuaciones describen el movimiento de los fluidos y aparecen en aplicaciones como la meteorología o el diseño de aviones.
El resultado anunciado aborda si, bajo determinadas condiciones matemáticas, un movimiento inicialmente suave puede desarrollar una singularidad en un tiempo finito. La compañía publicó una explicación de la demostración y una formalización en Lean, un sistema que permite comprobar razonamientos expresados con reglas precisas. Según su relato, trabajaron miles de agentes coordinados; no fue una única pregunta en un chat corriente. OpenAI dice que no pretende reclamar el premio asociado al problema.
El Clay Mathematics Institute establece su propio procedimiento para considerar una solución: publicación en un medio que cumpla sus requisitos, al menos dos años desde esa publicación y aceptación general en la comunidad matemática. Ese proceso no se sustituye con una nota de lanzamiento. Tampoco permite concluir que una demostración sea falsa mientras se examina: son planos distintos, la revisión del resultado y la concesión de un premio.
Un grupo independiente, con capacidad de aconsejar
El Advisory Group on Mathematics and Artificial Intelligence reúne a nueve especialistas, entre ellos Timothy Gowers, Martin Hairer y Melanie Matchett Wood. Su web explica que surgió después de que OpenAI contactara con algunos de ellos y que optaron por constituir un grupo independiente.
Sus integrantes no cobran por esa labor, prevén publicar sus recomendaciones y se ofrecen a asesorar a otras empresas. Su primer encargo consiste en aconsejar cómo coordinar la difusión de los numerosos resultados que OpenAI comunica haber obtenido. También han abierto una vía para recibir opiniones de la comunidad matemática.
El límite de su papel está escrito con claridad: no tienen poder para tomar decisiones dentro de las empresas. La responsabilidad de publicar, retrasar o cambiar una práctica sigue correspondiendo a cada compañía. Su existencia abre un canal de diálogo; su influencia dependerá de las recomendaciones concretas y de cómo se respondan.
Qué conviene mirar a partir de ahora
Para seguir esta historia, lo relevante será observar qué demostraciones se publican, cómo las valoran especialistas externos y si aparecen explicaciones que permitan aprovechar sus ideas. Una lista de logros puede llamar la atención; una técnica comprensible puede abrir trabajo nuevo para mucha más gente.
Para quien utiliza IA a diario, hay una consecuencia práctica: pedir el resultado y pedir una explicación comprobable son encargos distintos. En investigación esa distancia puede ocupar años de trabajo. La próxima noticia importante será saber qué nuevas ideas consiguen extraerse de las soluciones anunciadas.
Fotografías de archivo: Sam Altman, Village Global (2022), CC BY 2.0; Terence Tao, IPAM (marzo de 2026), CC BY 4.0; Timothy Gowers, AllenS (2009), dominio público. Imágenes adaptadas al encuadre de publicación.
.jpg){kind=link}
