OpenAI anuncia tres descubrimientos científicos y un nuevo modelo de colaboración académica

Menos de un mes después de publicar un conjunto masivo de 722 manuscritos que afirmaban resolver cientos de problemas matemáticos, OpenAI publicó en la noche del 26 de octubre tres nuevos resultados que describe como "descubrimientos" — un término que la empresa ha estado utilizando cada vez más a medida que sus modelos avanzan en terrenos antes reservados a los seres humanos. A diferencia del lanzamiento anterior, esta vez la compañía adoptó una estrategia experimental de revisión por pares guiada por investigadores externos, en un movimiento que revela tanto la ambición como la tensión cada vez más evidente entre la aceleración de la inteligencia artificial y el ritmo de la validación científica tradicional.

Los tres resultados anunciados

El primer descubrimiento se refiere al análisis armónico, un campo de las matemáticas puras que estudia cómo las señales complejas y las funciones pueden descomponerse en ondas elementales. En 1991, el matemático Charles Sogge propuso la conjetura del suavizado local — una afirmación sobre el comportamiento de las ondas cuando se concentran. La conjetura postula que los extremos de concentración deben ser de corta duración, lo que tiene implicaciones profundas en diversas áreas de las matemáticas. En 2019, Guth, Wang y Zhang demostraron la conjetura en dos dimensiones espaciales; en 2025, Wang y Zahl resolvieron la conjetura de Kakeya en tres dimensiones. OpenAI afirma que sus modelos produjeron una prueba para todas las dimensiones — lo que, de confirmarse, resolvería no solo la conjetura original, sino también la conjetura de Kakeya y la conjetura de restricción de Stein en cualquier dimensión. La prueba, generada el 18 de octubre, fue formalizada en el sistema de demostración Lean al día siguiente.

El segundo descubrimiento es aún más impactante para la informática: los modelos de OpenAI refutaron la Hipótesis del Tiempo Exponencial (ETH, por sus siglas en inglés), una conjetura formulada en 1999 por Russell Impagliazzo, Ramamohan Paturi y Stefan Wiedemann. Desde entonces, la ETH ha sido utilizada en cientos de artículos para derivar resultados de dureza computacional en campos que van desde la teoría de grafos hasta la biología computacional, bases de datos y geometría computacional. La demostración de que la hipótesis es falsa — si se valida independientemente — reabriría preguntas fundamentales sobre qué tan rápido se pueden resolver los problemas centrales de optimización. OpenAI obtuvo la refutación en lenguaje natural el 16 de octubre y formalizó el resultado en Lean el 17 de octubre.

El tercer descubrimiento reside en la frontera entre la física teórica y las matemáticas formales: una prueba de existencia en la teoría cuántica de campos constructiva. Como subproblema, el trabajo incluye una prueba de la existencia de la teoría de Yang-Mills pura, que es parte del problema del Premio Millennium del Instituto Clay Mathematics. Esto representa un avance en lo que hay más largo y difícil de la física matemática — algo que el propio Premio Nobel de Física 2004 para David Gross, Frank Wilczek y David Politzer, por el descubrimiento de la libertad asintótica en la teoría de Yang-Mills, solo reafirma.

El nuevo modelo de "pastoreo" académico

Lo que diferencia esta ronda de lanzamientos anteriores es el intento de OpenAI de involucrar a especialistas externos directamente en el proceso de validación y contextualización. La empresa organizó su enfoque en torno a cuatro principios: transparencia pública sin acuerdos de confidencialidad (NDA), ningún crédito académico reclamado por OpenAI, reconocimiento formal para los investigadores que escriben análisis "shepherd", y participación independiente y no remunerada.

Para el resultado en matemáticas, OpenAI decidió liberar directamente la salida del modelo, dejando que los investigadores organicen sus propios esfuerzos de explicación. Para los resultados en informática y física, la empresa formó grupos externos de colaboradores —que llamó "pastores" (shepherds)— para guiar la comprensión y validación de los resultados, mientras que la salida de IA permanecía públicamente disponible en el GitHub de la empresa.

OpenAI también anunció que donó US$ 5 millones a la Fundación Simons para financiar conferencias y talleres académicos estudiando resultados generados por IA. La idea es que estos eventos sirvan como espacios neutrales donde matemáticos y físicos puedan examinar las pruebas formalizadas en Lean y construir sobre los hallazgos.

Tensiones y críticas

El enfoque de OpenAI no pasó sin críticas. El panel consultivo AGMAI (Advisory Group on Mathematics and Artificial Intelligence) emitió una advertencia a la comunidad matemática, recomendando que las compañías de IA eviten designar investigadores específicos para recibir resultados preliminares. El argumento: esta práctica crea acceso desigual, genera dependencia de la reputación de los investigadores seleccionados y puede producir sesgos de selección que distorsionen la evaluación independiente.

Además, existe un precedente histórico: en lanzamientos anteriores, Gizmodo reportó que una prueba de Navier-Stokes de OpenAI fue formalizada en Lean de manera que verificaba una proposición más débil de lo afirmado en el texto en lenguaje natural. Esto levantó dudas sobre la fiabilidad de las formalizaciones automáticas — un punto que la comunidad matemática observa con cautela.

El propio texto de OpenAI reconoce la tensión: "elegir los pastores iniciales inevitablemente moldea quién participa primero y crea una asimetría de información". La empresa dice estar abierta a comentarios sobre cómo hacer el proceso más inclusivo.

Por qué importa

Si se confirman, los tres resultados representarían saltos reales en lo que la IA puede lograr en matemáticas, física teórica e informática. Pero el más significativo quizás sea el modelo de publicación: OpenAI está probando si la combinación de pruebas formalizadas en Lean + revisión por pares guiada por expertos puede funcionar como puente entre lo que las máquinas producen y lo que la academia considera ciencia válida.

La pregunta que queda es si este modelo de "pastoreo" se generalizará — o si la comunidad científica terminará exigiendo estándares aún más rigurosos de transparencia y acceso universal, como recomienda el AGMAI.

Fuentes: The Verge, Al Jazeera, Silicon Report, OpenAI, Gizmodo

✓ Fuentes independientes cruzadas y verificadas antes de la publicación