Investigación científica en la era de la IA: el dilema de la validación

OpenAI anunció, el 26 de octubre de 2026, tres resultados producidos por sus modelos internos en matemáticas, ciencia de la computación y física. Esta vez, el enfoque fue diferente: en lugar de verter cientos de manuscritos en la comunidad académica como lo hizo el 6 de octubre, la empresa contrató expertos externos —a los que llamó "pastores"— para guíar la difusión de cada descubrimiento. La respuesta no fue el alivio esperado. En su lugar, reveló un conflicto más profundo sobre quién tiene derecho a acceder, interpretar y validar el conocimiento científico producido por máquinas.

Qué se descubrió

Los tres resultados son sustanciales. En análisis armónico, OpenAI afirma haber demostrado la conjetura de suavizado local de Sogge (1991) en todas las dimensiones espaciales —un resultado que, si es válido, implicaría versiones de las conjeturas de Kakeya y de restricción de Stein, ampliando hallazgos anteriores limitados a contextos más restrictivos. La empresa señala un hito en dos dimensiones (2019) y otro en la conjetura de Kakeya en tres dimensiones (2025) como hitos previos.

En complejidad computacional, el modelo encontró una refutación de la Hipótesis del Tiempo Exponencial (ETH) —una suposición ampliamente utilizada en la teoría de la computación que establece que los problemas de satisfacibilidad con fórmulas booleanas fijas no pueden resolverse en tiempo subexponencial. El resultado fue formalizado en Lean el 17 de octubre.

En física teórica, OpenAI afirma haber producido una prueba de existencia para teorías de campo cuánticas en cuatro dimensiones, incluyendo cromodinámica cuántica (QCD) y teoría de Yang–Mills pura. A diferencia de los dos primeros, el resultado de física no ha sido publicado.

El nuevo modelo de "pastores"

OpenAI adoptó tres estrategias de difusión distintas. Para el resultado matemático, publicó la salida generada por la IA (incluyendo manuscritos en lenguaje natural y código en Lean) y dejó que la comunidad de investigadores organizara sus propios esfuerzos de interpretación. Para ciencias de la computación, la empresa convocó un grupo externo para explicar el resultado formalizado. Para la física, la difusión se pospuso: OpenAI dejó en manos del grupo de expertos externos la decisión de cómo y cuándo hacer accesibles los materiales.

Este modelo híbrido fue presentado por la empresa como una evolución en respuesta a las críticas de la comunidad académica. En la sesión del 6 de octubre, cuando liberó 722 manuscritos matemáticos generados por IA —algunos alegando soluciones a problemas abiertos—, la reacción fue inmediata y negativa. Los académicos señalaron que los resultados sin revisión por pares, publicados en masa, crearon una carga abrumadora para comunidades ya agotadas. El propio Simons Foundation respondió con un esfuerzo conjunto de $15 millones (con participación de Anthropic y OpenAI) para crear capacidad analítica.

Esta vez, OpenAI dice que está experimentando. Pero los expertos no están convencidos.

Los investigadores se resisten

Constantin Kogler, del Instituto de Estudios Avanzados de Princeton, elogió la reducción de volumen —tres resultados en lugar de 722— pero cuestionó la lógica de seleccionar manualmente qués científicos tendrían acceso privilegiado a los resultados antes del resto de la comunidad. "Estoy bien con que liberen los problemas como lo hicieron hoy", dijo Kogler, pero añadió que el anuncio público debería, en principio, significar acceso abierto para cualquier investigador examinar el trabajo.

Andreas Karch, de la Universidad de Texas en Austin, fue más allá: permitir que grandes laboratorios elijan a sus propios revisores crea una concentración antinatural de poder. Para Karch, las pruebas o los resultados subyacentes deberían hacerse públicos inmediatamente, independientemente de si también se forma un grupo asesor externo.

El Grupo Consultivo de Matemáticas e Inteligencia Artificial —un grupo al que OpenAI había prometido consultar— emitió una advertencia la víspera del anuncio. El grupo afirmó que el acceso temprano selectivo es innecesario, arriesga selección sesgada y demoras, presta las reputaciones de los expertos elegidos y debería evitarse en favor de repositorios académicos abiertos, pruebas formales, detalles claros de selección de problemas y apoyo a la verificación más amplia. El día siguiente al anuncio, el grupo instó a OpenAI a publicar sin demora los resultados en lenguaje natural y en Lean detrás de los resultados de Yang–Mills y QCD.

La paradoja del control

Hay algo peculiar en este debate. OpenAI está produciendo resultados que la comunidad científica clasifica como breakthroughs potenciales —avances que podrían reescribir manuales de matemáticas, refutar hipótesis fundamentales de la computación y confirmar teorías centenarias de la física. Y, al mismo tiempo, la empresa está restringiendo el acceso a estos resultados a través de un proceso de validación controlado por ella misma.

Esta paradoja no es nueva. Desde que los modelos de IA comenzaron a producir resultados científicos plausibles —el caso de AlphaFold para el plegamiento de proteínas, en 2021, siendo el ejemplo más exitoso—, la pregunta sobre cómo validar descubrimientos generados por máquina se volvió central. Lo que distingue la situación actual es la escala: OpenAI no está produciendo un único resultado notable. Está produciendo continuamente resultados que, al menos formalmente, parecen correctos.

La ironía: la propia herramienta que permite a OpenAI producir estos resultados —modelos capaces de razonamiento formal en matemáticas y física— es la misma que hace la validación tradicional más necesaria que nunca. Si un modelo puede escribir pruebas que parecen correctas para expertos limitados, ¿por qué confiaríamos en un proceso de verificación aún más limitado?

La comunidad académica ya demostró que puede manejar volúmenes masivos de preprints —arXiv es la prueba. El problema no es la cantidad, sino la calidad y legitimidad del proceso. Y un proceso en el que una empresa privada selecciona quién puede validar sus propios resultados suena más a marketing que a ciencia.

Fuentes: The Verge, HyperAI, MLQ News

✓ Fuentes independientes cruzadas y verificadas antes de la publicación