IA resuelve problema matemático y desata debate de crédito
En un anuncio que promete redefinir la forma en que se hace matemáticas, OpenAI, con sede en San Francisco, California, declaró el 8 de septiembre que su modelo de inteligencia artificial había resuelto un importante enigma en dinámica de fluidos: el problema de Navier-Stokes. Este avance no solo representa un hito científico, sino que también ha encendido un intenso debate sobre quién merece el crédito cuando las máquinas participan en descubrimientos académicos.
Un logro revolucionario con sombras de duda
El problema de Navier-Stokes es uno de los siete Problemas del Milenio seleccionados por el Instituto Clay de Matemáticas a principios de siglo. Resolverlo no solo otorgaría prestigio mundial, sino también un premio de un millón de dólares. OpenAI asegura haber verificado su prueba utilizando el lenguaje de programación Lean, pero el Instituto Clay ha sido cauto: solo considerará válida una solución después de que se publique en una revista arbitrada y sea examinada por la comunidad.
Sin embargo, la polémica estalló antes de que se confirmara el hallazgo. Tristan Buckmaster, matemático de la Universidad de Nueva York, y su colaborador Levent Alpöge, de la Universidad de Harvard, habían estado trabajando en un aspecto del problema utilizando herramientas de OpenAI y Anthropic. Según Buckmaster, OpenAI se lanzó al problema después de enterarse de su trabajo, y su modelo podría haber aprendido de sus interacciones con ChatGPT. La empresa respondió que, tras investigar, ningún aporte de usuarios posterior al 3 de julio podría haber influido en el sistema, y que comenzaron a trabajar en el problema el 1 de septiembre sin haber visto el trabajo de los investigadores hasta su publicación.
El laberinto del crédito académico
El uso generalizado de modelos de IA en la investigación y la dificultad para rastrear el origen de la información con la que se entrenan plantean un desafío sin precedentes para la noción de crédito académico. Luke McDonagh, experto en propiedad intelectual de la London School of Economics, advierte: “Es muy posible que los investigadores académicos no hayan comprendido del todo las consecuencias de subir datos y conocimiento a una cuenta personal de un modelo de IA”.
Veinticinco ganadores de la Medalla Fields, el equivalente al Nobel de matemáticas, publicaron una carta abierta en la que critican la incursión de las empresas de IA en la resolución de problemas matemáticos. “Como en todas las profesiones creativas, esto plantea graves preguntas de atribución y plagio”, escribieron. El debate no es menor: ¿cómo se reparte el mérito cuando un modelo entrenado con conversaciones humanas llega a una solución?
Casos que ilustran la complejidad
Andreas Thom, matemático de la Universidad Técnica de Dresde, vivió una situación similar. Durante más de un año, Thom mantuvo sesiones de lluvia de ideas con ChatGPT sobre la teoría de grupos, buscando construir un tipo de grupo llamado no-sófico, algo que muchos consideraban imposible. En agosto, OpenAI publicó un preprint reportando el primer ejemplo de tal grupo, utilizando una estrategia similar a la de Thom. Aunque el artículo cita correctamente trabajos previos de Thom y sus colaboradores, él no había optado por excluir sus conversaciones del entrenamiento hasta finales de junio, por lo que no hay forma de saber si sus diálogos influyeron en el modelo.
“Si un humano se hubiera sentado en mi oficina y luego hubiera escrito ese artículo, me enojaría si no hubiera dado crédito a nuestras discusiones y explicaciones”, afirma Thom. OpenAI no respondió directamente si sus modelos se basaron en esas conversaciones, pero un portavoz subrayó que son los usuarios quienes deciden si sus conversaciones ayudan a mejorar los modelos, y que una vez que optan por no participar, no se utilizan esos datos.
Implicaciones para el futuro de la ciencia
Este episodio pone de relieve la necesidad de repensar los sistemas de atribución en la era de la IA. La dificultad para rastrear el origen de las ideas y el entrenamiento de modelos con datos no públicos podrían erosionar la confianza en la autoría académica. Algunos expertos sugieren que las empresas de IA deberían ser más transparentes sobre las fuentes de entrenamiento y establecer mecanismos claros para reconocer las contribuciones humanas.
Mientras tanto, la comunidad matemática espera ansiosa la verificación independiente de la solución de OpenAI. Si se confirma, no solo será un triunfo técnico, sino un punto de inflexión en cómo se hace ciencia. La pregunta central sigue sin respuesta: ¿quién merece el crédito cuando una máquina resuelve lo que siglos de mentes humanas no pudieron?
