OpenAI asegura haber resuelto el problema de Navier-Stokes con miles de agentes de IA
OpenAI afirma haber encontrado una solución al problema de existencia y regularidad de Navier-Stokes, uno de los siete Problemas del Milenio de las matemáticas. La compañía ha presentado una demostración analítica y una versión formalizada en Lean, un lenguaje informático diseñado para comprobar pruebas matemáticas.
El anuncio no implica que el problema esté oficialmente resuelto. El resultado todavía debe superar el examen de especialistas independientes y el procedimiento establecido por el Clay Mathematics Institute, que concede un premio de un millón de dólares por cada uno de estos desafíos.
Una solución que aún debe ser validada
Las ecuaciones de Navier-Stokes describen el movimiento de fluidos como el agua y el aire. Se utilizan para modelizar fenómenos tan distintos como la turbulencia, la aerodinámica de los aviones, las corrientes oceánicas o la evolución de la atmósfera.
El problema del milenio no consiste en resolver una situación concreta, sino en demostrar si las soluciones de estas ecuaciones existen y mantienen un comportamiento regular en tres dimensiones. En términos sencillos, los matemáticos quieren saber si, partiendo de unas condiciones iniciales razonables, el modelo siempre produce una solución bien definida o si puede aparecer una singularidad: un punto en el que determinados valores se vuelven infinitos o dejan de estar controlados.
OpenAI sostiene que su trabajo aborda precisamente esa cuestión. Sin embargo, una prueba matemática no se considera aceptada por el mero hecho de ser publicada. La comunidad debe revisar cada paso, comprobar las definiciones empleadas y descartar posibles errores, lagunas o supuestos no justificados.
Diez mil agentes y millones de dólares en computación
Para elaborar la demostración, la compañía recurrió a un modelo interno que describe como significativamente más capaz que GPT-6 Astra, aunque todavía se encuentra en fase de entrenamiento. El sistema trabajó junto a unos 10.000 agentes coordinados durante aproximadamente 88 horas.
En este contexto, un agente de IA es un programa capaz de ejecutar tareas de forma relativamente autónoma: consultar información disponible, proponer pasos, escribir código, revisar resultados o coordinarse con otros agentes. La estrategia permite repartir una investigación compleja entre múltiples procesos en lugar de depender de una única respuesta generada por un modelo.
El despliegue tuvo un coste de varios millones de dólares en capacidad de cálculo. La cifra muestra cómo la investigación matemática asistida por inteligencia artificial empieza a depender no solo de la calidad de las ideas, sino también del acceso a grandes centros de datos y recursos económicos.
La formalización en Lean añade una capa de comprobación
Además de la demostración escrita en lenguaje matemático convencional, OpenAI ha publicado una formalización en Lean. Este sistema permite traducir una prueba a un lenguaje que un ordenador puede verificar paso a paso.
La formalización no sustituye por sí sola a la revisión humana. Lean comprueba que las deducciones respetan las reglas lógicas y las definiciones introducidas, pero los expertos todavía deben analizar si el modelo representa correctamente el problema original y si no se ha demostrado una afirmación distinta de la planteada por el Clay Mathematics Institute.
Por ese motivo, la revisión académica seguirá siendo decisiva. La aceptación oficial exigiría que investigadores especializados estudiasen el resultado durante el tiempo necesario y confirmasen tanto la validez de la prueba como su relevancia para el enunciado del problema.
Una investigación que no partía de cero
La polémica también está relacionada con el origen de las ideas que condujeron al resultado. Tristan Buckmaster, matemático de la Universidad de Nueva York, y Levent Alpöge, investigador vinculado a Anthropic, llevaban meses trabajando en avances relacionados con Navier-Stokes.
Su investigación continuaba, a su vez, una línea desarrollada por los matemáticos españoles Diego Córdoba y Luis Martínez-Zoroa. OpenAI reconoce que comenzó a estudiar el problema después de conocer los progresos de otros investigadores.
En matemáticas, apoyarse en resultados previos, artículos públicos y líneas de investigación abiertas forma parte del funcionamiento normal de la ciencia. El debate no se centra en que OpenAI utilizase conocimientos publicados, sino en si pudo beneficiarse de información privada generada durante el trabajo de investigadores externos.
La disputa por el uso de herramientas de IA
Buckmaster y Alpöge emplearon herramientas de inteligencia artificial, entre ellas Codex, durante su investigación. Buckmaster llegó a plantear si OpenAI pudo haberse beneficiado de esas sesiones privadas. La compañía niega que sus investigadores o sus agentes accedieran a sus instrucciones, demostraciones o materiales antes de que fueran públicos.
Hasta ahora no hay pruebas de que OpenAI recuperase de forma deliberada esas conversaciones para obtener la solución. No obstante, la empresa admite que no puede descartar por completo que datos anonimizados derivados del uso de Codex contribuyesen a mejorar sus modelos.
Esta distinción resulta importante. Que un modelo mejore a partir de patrones agregados y anonimizados no significa que haya sido entrenado directamente con una demostración concreta ni que pueda reconstruirla. Aun así, el caso reabre una cuestión pendiente: dónde termina el uso privado de una herramienta de IA y dónde comienza el aprendizaje indirecto del sistema.
Quién merece el reconocimiento
La atribución del mérito ha añadido otra fricción. Buckmaster sostiene que Sébastien Bubeck, de OpenAI, le propuso participar en una posible publicación del resultado sin incluir inicialmente a Alpöge, que trabaja para una empresa competidora.
Bubeck ofrece una versión diferente y afirma que no se pretendía excluir a Alpöge, sino explorar quién podría colaborar en la publicación de una demostración generada por el sistema de OpenAI. Con la prueba todavía pendiente de revisión, el conflicto sobre la autoría y la prioridad científica continúa abierto.
El caso anticipa una transformación profunda de la investigación: los laboratorios con más recursos pueden lanzar miles de agentes para acelerar problemas en los que equipos humanos llevan años trabajando. La pregunta ya no es únicamente quién tiene la idea correcta, sino quién dispone de los datos, los conocimientos y la capacidad de cálculo necesarios para convertirla en una demostración verificable.
