OpenAI publica 719 demostraciones matemáticas hechas por una IA que nadie puede usar: entre la hazaña y el desconcierto
OpenAI volvió a sacudir el tablero de la investigación científica, esta vez sin un anuncio grandilocuente sino con una descarga masiva de papers: 719 documentos agrupados en 372 familias de resultados, publicados en un repositorio abierto de GitHub, con demostraciones que tocan el álgebra, la teoría de números y la informática teórica. Muchos de esos problemas llevaban años —y en varios casos décadas— sin solución conocida. El detalle que descoloca a la comunidad académica es otro: el modelo que produjo esos resultados no está disponible para el público y la propia compañía admite que parte del material puede contener errores.
La noticia, difundida originalmente por Genbeta, abre una discusión que excede la matemática y toca el corazón de cómo se produce el conocimiento científico en la era de la inteligencia artificial generativa: ¿qué significa avanzar cuando la respuesta llega antes que la pregunta?
Qué publicó OpenAI, en concreto
Según la información difundida, la compañía sometió a su sistema a una batería de unos 4.000 problemas abiertos y destinó a cada intento una capacidad de cómputo equivalente a unas tres horas de uso intensivo de ChatGPT Pro. De ese proceso salieron las 719 demostraciones hoy disponibles públicamente, organizadas por familias de resultados para que los especialistas puedan rastrear qué se resolvió y con qué método.
El gesto tiene un costado transparente que conviene reconocer: los documentos están a la vista de cualquiera con conexión a internet, no detrás de un muro de pago ni reservados a un selecto grupo de universidades. Pero también incluye una advertencia incómoda. No todas las demostraciones fueron verificadas y la empresa reconoce explícitamente que algunos documentos podrían contener errores. En matemática, donde una sola línea mal justificada invalida todo el edificio, ese asterisco pesa muchísimo.
El antecedente que todavía resuena
La publicación no llega en un vacío. En septiembre, OpenAI ya había presentado una supuesta solución al problema de Navier-Stokes, uno de los grandes desafíos abiertos de la disciplina, vinculado al comportamiento de los fluidos. Aquel anuncio cosechó elogios, pero también reproches: el matemático Tristan Buckmaster cuestionó el peso real de los trabajos previos en el resultado atribuido a la IA y puso en duda cuánto del hallazgo era genuinamente nuevo.
Esta vez, la compañía asegura haber consultado a un grupo independiente de expertos para mejorar la forma en que comunica sus descubrimientos. Es, en los hechos, un reconocimiento tácito de que la anterior estrategia comunicacional no alcanzó: publicar un resultado espectacular sin el andamiaje de verificación adecuado genera más ruido que conocimiento.
«Una gran sensación de vacío»
El profesor asociado de informática teórica de la Universidad de Maastricht, Steven Kelk, declaró al diario neerlandés de Volkskrant que contempla estos resultados con admiración genuina. A su juicio, la inteligencia artificial podría haber logrado de un solo golpe avances equivalentes a diez o veinte años de investigación humana. La magnitud de esa frase, dicha por un académico y no por un vocero corporativo, dimensiona lo que está en juego.
Sin embargo, Kelk también describió un malestar difícil de traducir a métricas: esta situación le provoca «una gran sensación de vacío». Su argumento es que investigar no consiste únicamente en llegar a la respuesta correcta. Investigar es equivocarse, descartar caminos, discutir con colegas, encontrar un atajo inesperado mientras se busca otra cosa. Si una máquina entrega el resultado final en bandeja, buena parte de esa experiencia —la que forma investigadores— se esfuma.
La advertencia de Terence Tao y el pedido de transparencia
Las objeciones no son aisladas. El matemático Terence Tao, una de las figuras más influyentes de la disciplina a nivel global, ya había advertido sobre el riesgo de que los investigadores recurran a la IA sin comprender lo suficiente los resultados que obtienen. La diferencia entre usar una herramienta y depender de una caja negra es, en ciencia, la diferencia entre construir sobre roca o sobre arena.
A eso se sumó el grupo asesor independiente AGMAI, que reclamó que estos avances se compartan de manera transparente y permitan desarrollar conocimiento humano, no solo acumular outputs. Como respuesta, OpenAI anunció una donación de cinco millones de dólares a una iniciativa de la Fundación Simons destinada a que matemáticos profesionales estudien y comprendan las demostraciones generadas por inteligencia artificial. Es un gesto razonable, aunque también revela la asimetría del momento: quien genera el contenido financia, con una fracción de su capacidad, a quienes deben auditarlo.
El costo del cómputo y la geografía de la investigación
Para un lector argentino o latinoamericano hay una arista adicional que no aparece en los titulares. Producir estos resultados exige una capacidad de cómputo que ningún grupo de investigación de la región puede costear por su cuenta. Hablamos de horas de procesamiento en infraestructura de frontera, disponible solo para un puñado de empresas con data centers propios.
Eso plantea una pregunta estratégica: ¿la IA democratiza el acceso al conocimiento matemático o concentra todavía más la capacidad de producir descubrimientos en quienes controlan los modelos? La respuesta dependerá, en buena medida, de que los papers publicados sean efectivamente verificables y reproducibles por equipos con recursos limitados. Si la única forma de validar un resultado es tener acceso al modelo que lo generó, la transparencia queda a mitad de camino.
Qué se pierde cuando la respuesta llega antes que la pregunta
Hay un punto pedagógico que atraviesa todo el debate y que excede a la matemática: la formación de recursos humanos. Un doctorando que recibe la demostración terminada aprende menos que quien se peleó dos años con el problema, incluso si fracasa. En países donde el financiamiento científico es frágil y cada becario cuenta, reemplazar el proceso por el resultado puede parecer eficiente a corto plazo y resultar empobrecedor a mediano.
Nadie discute, sin embargo, el potencial. Herramientas así podrían permitirle a grupos pequeños atacar problemas que antes requerían décadas de trabajo acumulado. La clave está en cómo se integran: como copiloto que sugiere caminos o como oráculo que clausura la conversación.
Lo que conviene mirar de ahora en adelante
El episodio deja tres frentes abiertos. Primero, la verificación: cuántas de las 719 demostraciones resisten el escrutinio de pares y cuántas caen. Segundo, la metodología: si la compañía publica detalles suficientes para que otros equipos reproduzcan el proceso, no solo el resultado. Tercero, la gobernanza: si el dinero comprometido alcanza para que la comunidad matemática deje de ser espectadora y se convierta en auditora activa.
Mientras tanto, la frase de Kelk seguirá resonando. La inteligencia artificial puede entregar demostraciones impecables de problemas que nadie resolvía. Lo que no puede entregar, al menos por ahora, es la satisfacción de haberlos entendido. Y esa distinción, en ciencia, no es un detalle romántico: es el mecanismo mismo por el cual el conocimiento se vuelve colectivo, enseñable y confiable.