OpenAI ha desatado un nuevo terremoto en la comunidad científica al publicar tres demostraciones masivas que abordan problemas fundamentales en matemáticas, física y ciencias de la computación. El anuncio, realizado apenas unas semanas después de otra avalancha de avances matemáticos generados por inteligencia artificial, ha dejado a los expertos atónitos y ha reavivado el debate sobre la transparencia y la validación de los resultados producidos por modelos de lenguaje de gran escala (LLM).
Las pruebas, que aún no han sido verificadas de forma independiente en su totalidad, contradicen las recomendaciones del Grupo Asesor en Matemáticas e Inteligencia Artificial (AGMAI), el panel de expertos que OpenAI organizó para responder a las críticas de los matemáticos. El modelo que generó las demostraciones sigue siendo propietario, y no se han hecho públicos los prompts exactos, el tiempo de cómputo ni las cadenas de razonamiento utilizadas. Además, dos de los tres resultados coinciden con trabajos estrechamente relacionados del competidor Anthropic, lo que añade una capa de rivalidad y urgencia al debate.
¿Qué son estas pruebas y por qué importan?
Los tres resultados abordan problemas de enorme relevancia teórica y práctica. A continuación, un desglose de cada uno y su significado.
La conjetura de Kakeya en todas las dimensiones
La conjetura de Kakeya, un problema de geometría que parece simple pero es fundamental en el análisis armónico, plantea cuál es el volumen mínimo que puede barrer una aguja al girar en todas las direcciones. Dos matemáticos la probaron en tres dimensiones el año pasado, un hito que valió a Hong Wang la Medalla Fields en el Congreso Internacional de Matemáticos celebrado en Filadelfia. Sin embargo, la conjetura seguía abierta en dimensiones superiores. En la anterior “lluvia de resultados” de OpenAI, un modelo interno resolvió el caso tetradimensional. Ahora, la compañía afirma haber resuelto el problema en todas las dimensiones, demostrando que existe un límite para el espacio mínimo que puede ocupar una aguja en cualquier dimensión.
El problema de Yang-Mills y la existencia matemática
El problema de Yang-Mills, uno de los siete Problemas del Milenio del Instituto Clay de Matemáticas, indaga si la matemática que sustenta el Modelo Estándar de la física de partículas es consistente. Se divide en dos partes: “existencia” y “brecha de masa”. OpenAI afirma haber probado la primera: que la teoría de Yang-Mills es matemáticamente consistente en todos los casos relevantes. La parte cuantitativa, la brecha de masa, sigue abierta. En la década de 1980, el matemático Tadeusz Balaban publicó una serie de artículos densos que esbozaban un camino para probar la existencia, pero nadie había completado el programa debido a su complejidad. Recientemente, un equipo liderado por Ethan Sussman, de la Universidad Northwestern, y Levent Alpöge, de Anthropic, creó un repositorio público en GitHub para avanzar en esa dirección con ayuda de LLM. Según los expertos, OpenAI habría llegado primero a la meta, aunque sin hacer pública la demostración. El AGMAI ya ha exigido a OpenAI que publique el documento, argumentando que “no hay razón científica para retrasar más su divulgación”.
La hipótesis del tiempo exponencial (ETH) y la complejidad computacional
La ETH postula que el problema 3-SAT, fundamental en ciencias de la computación, no puede resolverse en tiempo inferior al exponencial. Esto implicaría que ciertos problemas son intrínsecamente difíciles y se vuelven inabarcables a medida que crecen. OpenAI presenta una demostración que refuta la ETH al ofrecer un algoritmo que resuelve 3-SAT en un tiempo ligeramente inferior al exponencial. Este resultado tiene implicaciones profundas para el problema P versus NP, otro de los Problemas del Milenio, y para la criptografía moderna. Debido a su potencial impacto, OpenAI ha convocado a los creadores de la ETH, Russell Impagliazzo y Ramamohan Paturi, de la Universidad de California en San Diego, y a Ryan Williams, del MIT, para llevar a cabo una investigación independiente. La compañía también patrocinará una conferencia científica sobre la prueba.
Reacciones y controversias
La comunidad científica ha recibido los anuncios con una mezcla de asombro y escepticismo. La falta de transparencia sobre los prompts y el proceso de generación de las pruebas ha generado inquietud. Además, la publicación de Anthropic horas después, con su propio resultado que refuta la ETH, subraya la creciente competencia entre las empresas de inteligencia artificial por adjudicarse hitos científicos. Mientras tanto, el AGMAI insiste en que OpenAI debe cumplir con las recomendaciones de publicar las demostraciones completas y someterlas a revisión por pares.
Expertos como Roland Bauerschmidt, de la Universidad de Nueva York, señalan que el programa de Balaban es tan complejo que nadie ha podido verificar su corrección en más de tres décadas. “Él básicamente lo hizo, pero creo que no hay nadie que entienda esos artículos y pueda decir si son correctos o no”, comentó. La irrupción de la IA en este terreno promete acelerar la validación, pero también plantea desafíos éticos y metodológicos.
Implicaciones para Latinoamérica y México
Aunque los resultados son de naturaleza teórica, sus efectos podrían repercutir en la investigación y el desarrollo tecnológico de la región. La capacidad de resolver problemas matemáticos complejos con IA podría transformar la forma en que se abordan desafíos en criptografía, optimización y física teórica. Países como México, con una comunidad matemática activa, podrían beneficiarse de estas herramientas si se garantiza el acceso abierto y la colaboración internacional. Sin embargo, la opacidad de los modelos propietarios y la falta de infraestructura para validar resultados independientemente representan un obstáculo. Universidades y centros de investigación de la región deberán estar atentos a las validaciones que se produzcan en los próximos meses.
La noticia también plantea preguntas sobre la propiedad intelectual y la ética de la investigación generada por IA. ¿Quién ostenta la autoría de una demostración creada por un modelo? ¿Cómo se asegura la reproducibilidad? Estas cuestiones son especialmente relevantes para países que buscan insertarse en la vanguardia científica sin depender de las grandes tecnológicas.
El futuro de la demostración asistida por IA
OpenAI ha indicado que continuará trabajando en los problemas restantes, incluida la brecha de masa en Yang-Mills y el problema P versus NP. La compañía ha prometido publicar las demostraciones completas una vez que concluyan las verificaciones internas, pero no ha dado plazos. Mientras tanto, Anthropic también sigue desarrollando sus propios modelos, y la competencia por resolver los Problemas del Milenio podría intensificarse.
La comunidad matemática, por su parte, exige transparencia. El AGMAI ha sido claro: sin acceso a las pruebas y a los detalles del proceso, los resultados no pueden considerarse científicos. La validación independiente es crucial, y OpenAI ha comenzado a colaborar con expertos externos para lograrlo. El desenlace de esta historia determinará no solo la credibilidad de estos anuncios, sino también el papel de la IA en la ciencia fundamental.
Por ahora, el mundo académico observa con expectación. Si las demostraciones se confirman, estaríamos ante uno de los avances más significativos en matemáticas y física teórica de las últimas décadas, logrado con la asistencia de inteligencia artificial. Si no, el episodio quedará como un recordatorio de los riesgos de la hype tecnológica y la necesidad de rigor científico.