OpenAI publica 372 resultados matemáticos: un modelo de IA resolvió la mayoría con una sola instrucción, sin revisión por pares

372 demostraciones y un enlace a GitHub

Pocas veces un repositorio de código en GitHub provoca debate en los círculos matemáticos. Pero eso es precisamente lo que ha ocurrido después de que OpenAI —sin ceremonia ni envío a una revista— publicara 372 resultados matemáticos obtenidos por un modelo de IA interno, según informa The Decoder.

Los resultados no son triviales. La colección incluye mejoras de algoritmos informáticos centrales y avances relacionados con la hipótesis de Riemann, uno de los problemas sin resolver más mitificados de toda la historia de las matemáticas. Otro resultado, una supuesta solución a un problema de las ecuaciones de Navier-Stokes, se encuentra actualmente en proceso de revisión formal. Que estos problemas estén siquiera cerca de resolverse es notable. Que, en ese caso, las soluciones provengan de un modelo de IA resulta casi vertiginoso.

Bastó una instrucción

Lo que hace la publicación aún más llamativa es lo sencillo que, al parecer, resultó el proceso. Según OpenAI, la mayoría de los 372 resultados requirieron solo una sola instrucción a un único agente de IA. Esto contrasta marcadamente con el resultado de Navier-Stokes, que necesitó una red de diez mil agentes y costes computacionales de millones de dólares. De media, cada resultado consumió unas tres horas de tiempo de cómputo, aproximadamente lo que equivale a una sesión en ChatGPT Pro Thinking.

Esto plantea una cuestión casi filosófica: si un problema matemático abierto puede resolverse con una sola instrucción de texto, ¿qué dice eso sobre cómo hemos entendido hasta ahora la dificultad del problema?

Lean como sustituto de la revisión humana

Uno de los aspectos técnicamente más interesantes de la publicación es que muchas demostraciones van acompañadas de formalizaciones en Lean, un lenguaje de programación diseñado para matemáticas verificables por máquina. La idea es elegante y pragmática: cuando la IA puede producir cientos de resultados matemáticos más rápido de lo que el sistema académico puede recibirlos, la verificación tiene que automatizarse.

Lean permite que un ordenador compruebe una demostración de forma lógicamente vinculante, sin que una persona tenga que leer cada línea. No es una herramienta nueva: matemáticos como Terence Tao llevan tiempo defendiendo la formalización. Pero la combinación de demostraciones generadas por IA a esta escala sí es algo nuevo.

Una postura deliberada

Que OpenAI haya elegido GitHub en lugar de una revista científica difícilmente es casualidad. Es una postura clara: el sistema de publicación académica, con sus meses de tiempo de revisión y el papel de guardián de las revistas, no sigue el ritmo que marca la investigación impulsada por IA.

Aun así, la comunidad matemática está dividida. Algunos lo ven como liberador: acceso abierto, historial de versiones, difusión rápida. Otros se muestran preocupados. El sistema de revisión por pares no es perfecto, pero cumple una función: filtrar errores, detectar sesgos metodológicos y asegurar que los resultados realmente cumplen lo que prometen. Publicar 372 demostraciones directamente, sin ese proceso, pone en juego la confianza en el sistema.

La cuestión no es si los resultados son correctos. Las formalizaciones en Lean ofrecen cierta garantía técnica. La cuestión es si la corrección basta, o si también necesitamos el proceso humano de comprender, cuestionar y situar los resultados en un contexto.

El ritmo de la ciencia frente al de la IA

He trabajado con sistemas destinados a apoyar la gestión del conocimiento y los flujos de información, y un patrón que he visto repetirse es que las organizaciones subestiman lo grande que puede ser la perturbación que provoca la velocidad en sí misma: no la calidad del contenido, sino el ritmo al que llega. Eso es precisamente lo que está ocurriendo aquí.

OpenAI envía un mensaje implícito al mundo matemático: o te pones al día o te quedas atrás. Es un mensaje que puede ser cierto y, aun así, resultar incómodo de recibir. La fortaleza de la ciencia nunca ha consistido solo en producir respuestas correctas. Ha consistido en construir un sistema de conocimiento colectivo, revisado, que genera confianza.

La tensión entre la velocidad de cálculo de la IA y los procesos sociales de la ciencia no la resuelve un repositorio de GitHub. Simplemente se ha vuelto más visible.