OpenAI presentó ayer tres demostraciones masivas generadas por inteligencia artificial que abordan problemas abiertos en matemáticas, física y ciencias de la computación, sacudiendo a esos campos. Las pruebas, que aún no han sido verificadas por pares, resuelven la conjetura de Kakeya en todas las dimensiones, la parte de “existencia” del problema de Yang-Mills y refutan la hipótesis del tiempo exponencial (ETH). El anuncio llega apenas unas semanas después de que la compañía liberara cientos de avances matemáticos generados por IA, en un campo ya en crisis por la irrupción de estas herramientas.
El impacto es global, pero en México y América Latina la noticia resuena con fuerza: la región busca cerrar brechas en ciencia y tecnología, y estos desarrollos plantean tanto oportunidades como desafíos. La opacidad de OpenAI, que no ha revelado los modelos ni los prompts utilizados, contrasta con el avance de Anthropic, que ayer mismo publicó su propia demostración independiente refutando la ETH. La controversia está servida.
¿Qué son estas pruebas y por qué importan?
Las tres demostraciones abordan problemas fundamentales. La conjetura de Kakeya, un problema geométrico sobre el volumen mínimo que barre una aguja al girar en todas direcciones, fue resuelta en tres dimensiones el año pasado por dos matemáticos, uno de ellos galardonado con la Medalla Fields. Ahora, el modelo de OpenAI afirma haberla resuelto en cualquier dimensión, un avance que, de confirmarse, cerraría uno de los grandes enigmas del análisis armónico.
El problema de Yang-Mills, uno de los siete Problemas del Milenio del Instituto Clay, pregunta si la teoría matemática que sustenta el Modelo Estándar de la física de partículas es consistente. OpenAI dice haber probado la parte de “existencia”, aunque la demostración aún no se ha hecho pública. La parte cuantitativa, sobre la “brecha de masa”, sigue abierta. Expertos como Roland Bauerschmidt, de la Universidad de Nueva York, señalan que el trabajo previo de Tadeusz Balaban en los años ochenta ya esbozaba una ruta, pero nadie había podido completarla por su enorme complejidad. La irrupción de la IA promete acelerar ese proceso, pero también genera dudas sobre la verificabilidad.
La hipótesis del tiempo exponencial (ETH) es un pilar de la teoría de la complejidad computacional. Sostiene que el problema 3-SAT no puede resolverse en tiempo subexponencial. La demostración de OpenAI presenta un algoritmo ligeramente más rápido que el exponencial, refutando así la ETH. Esto tiene implicaciones profundas para el debate P versus NP y para la criptografía moderna. La compañía ha invitado a expertos independientes, como Russell Impagliazzo y Ramamohan Paturi, de la Universidad de California en San Diego, y Ryan Williams, del MIT, para verificar el resultado.
Reacciones y controversia
La comunidad científica está atónita. Por un lado, la magnitud de los resultados es innegable; por otro, la metodología employed por OpenAI contradice las recomendaciones del Grupo Asesor en Matemáticas e Inteligencia Artificial (AGMAI), el panel de expertos que la propia compañía organizó para responder a las críticas de los matemáticos. AGMAI publicó un comunicado un día antes del anuncio pidiendo que se designaran expertos para supervisar la difusión de los resultados, algo que OpenAI no hizo. Además, una de las demostraciones, la relacionada con Yang-Mills, ni siquiera se ha hecho pública, lo que ha llevado a AGMAI a exigir su liberación inmediata.
La falta de transparencia es un punto crítico. El modelo de lenguaje utilizado sigue siendo propietario, y no se han revelado los prompts exactos, el tiempo de cómputo ni las cadenas de razonamiento. Esto impide que la comunidad reproduzca o verifique los resultados de manera independiente. En contraste, Anthropic publicó su propia demostración refutando la ETH horas después, también basada en un modelo interno, pero con mayor apertura. La competencia entre ambas empresas por liderar la carrera de la IA matemática es evidente, y plantea interrogantes sobre la ética y la validación científica en la era de la inteligencia artificial.
Implicaciones para América Latina
Para México y la región, estos avances subrayan la necesidad de fortalecer la investigación local en matemáticas y ciencias de la computación. La dependencia de tecnologías desarrolladas en el extranjero es un riesgo, pero también una oportunidad para formar talento y participar en la verificación y extensión de estos resultados. Universidades y centros de investigación latinoamericanos podrían sumarse a los esfuerzos de validación, aprovechando la apertura de Anthropic y la presión sobre OpenAI para que libere sus pruebas.
Además, el debate sobre la transparencia en la IA es relevante para las políticas públicas de la región, que buscan regular estas tecnologías. La noticia refuerza la importancia de exigir rigor y accesibilidad en los desarrollos científicos, especialmente cuando impactan campos tan fundamentales como la matemática y la física.
El futuro de la IA en la ciencia
Este episodio marca un hito en la intersección entre inteligencia artificial y descubrimiento científico. La velocidad con que los modelos generan demostraciones complejas está superando la capacidad de los humanos para verificarlas. Esto plantea un desafío: ¿cómo garantizar la validez del conocimiento en un mundo donde las máquinas producen resultados a un ritmo vertiginoso? La respuesta pasa por mecanismos de revisión por pares adaptados a la era digital, con herramientas de verificación automática y una mayor colaboración internacional.
Mientras tanto, la comunidad matemática espera ansiosa la publicación completa de las pruebas de OpenAI y los resultados de la investigación independiente. Si se confirman, estaríamos ante uno de los avances más significativos del siglo, con potencial para transformar nuestra comprensión del universo y de la computación. Pero si no, el episodio quedará como un recordatorio de los peligros de la opacidad y la prisa por anunciar hallazgos espectaculares.
Por lo pronto, Anthropic y OpenAI han demostrado que la IA puede ser una herramienta poderosa para la ciencia básica. El reto ahora es integrar estos hallazgos en el corpus científico con transparencia y rigor. La pelota está en la cancha de los matemáticos y de las empresas, que deberán equilibrar la innovación con la responsabilidad.