Si siguió el calendario de publicaciones científicas de OpenAI durante los últimos meses, este anuncio del 26 de octubre de 2026 no fue sorpresa — solo el siguiente capítulo de una narrativa que venía desplegándose desde la publicación masiva de 722 manuscritos el 6 de octubre.
Esta vez, sin embargo, OpenAI no se limitó a publicar resultados crudos. La empresa anunció una nueva metodología de validación que involucra a expertos externos — apodados "pastores" — para ayudar a interpretar, contextualizar y explicar los outputs de sus modelos internos a las comunidades académicas relevantes. Y lo descubierto es lo suficientemente sustancial como para justificar el esfuerzo.
Matemática: la conjetura de suavizado local en todas las dimensiones
El primer resultado reside en el área de análisis armónico. En 1991, el matemático Christopher Sogge propuso la conjetura del suavizado local, que describe el comportamiento de las ondas a medida que se vuelven concentradas. La idea central es que los extremos de focalización deben ser de corta duración: en tiempos típicos aleatorios, la cantidad de focalización es siempre mucho menor que en el peor caso.
Este es un patrón familiar en toda la matemática — lo que puede ocurrir en el peor caso es más extremo que lo observado tras el promedio. Y porque este fenómeno conjetural es tan fundamental, tiene implicaciones de amplio alcance en todo el análisis matemático. La conjetura de Sogge implica, por ejemplo, la conjetura de Kakeya y la conjetura de restricción de Stein.
Desde 2019, cuando Guth, Wang y Zhang demostraron el suavizado local en dos dimensiones espaciales, y 2025, cuando Wang y Zahl resolvieron la conjetura de Kakeya en tres dimensiones, el misterio permanecía: ¿sería posible generalizar para todas las dimensiones?
La respuesta de OpenAI fue sí, y la demostración se basa en una ecuación diferencial parcial inédita. Los modelos de la empresa produjeron una prueba completa de la conjetura del suavizado local en toda dimensión espacial igual o superior a dos, resolviendo simultáneamente la conjetura de Kakeya y la conjetura de restricción de Stein en todas las dimensiones. El output fue obtenido el 18 de octubre de 2026 y formalizado en Lean al día siguiente — el mismo sistema de verificación de pruebas que OpenAI ya utilizó en la publicación del 6 de octubre.
La decisión de liberar el output directamente para evaluación de la comunidad matemática, sin intermediarios, refleja la estrategia probada anteriormente y la confianza de la empresa en el trabajo. No por casualidad: el propio equipo de consultores matemáticos de OpenAI (AGMAI) recomendó el 25 de octubre que los resultados de IA sean publicados en repositorios académicos abiertos, con pruebas formalizadas en Lean, información sobre cómo los problemas fueron seleccionados y financiamiento para investigadores dedicados a entenderlos.
Ciencias de la computación: la hipótesis del tiempo exponencial es falsa
El segundo resultado es quizás el más radical. La Hipótesis del Tiempo Exponencial (ETH) es una conjetura sobre la complejidad computacional de la satisfacibilidad booleana — un problema profundamente ligado a la famosa cuestión P vs. NP. Desde su proposición por Impagliazzo, Paturi y Zane en 1999, la ETH ha sido ampliamente considerada verdadera y utilizada en cientos de artículos para derivar resultados de dureza computacional condicional.
Si la prueba de OpenAI se confirma, la ETH es falsa. El modelo produjo un algoritmo determinístico que cuenta exactamente las asignaciones satisfactorias de fórmulas CNF de ancho fijo en tiempo subexponencial y espacio polinomial. El caso 3-SAT de este resultado refutaría directamente la ETH.
Lo más notable no es solo el resultado en sí, sino la respuesta de la comunidad. La propia OpenAI reconoció la sensibilidad: cientos de trabajos en teoría de grafos, biología computacional, bases de datos y geometría computacional dependen de la ETH como premisa. Por eso, la empresa adoptó un enfoque diferente: en lugar de simplemente publicar el resultado, solicitó que tres expertos lideraran una verificación independiente.
Russell Impagliazzo y Ramamohan Paturi — los mismos investigadores que originalmente propusieron la ETH en 1999 — junto con Ryan Williams (MIT), formarán un grupo de trabajo para examinar y explicar la prueba. Impagliazzo y Paturi fueron entre los primeros en reconocer que, si la prueba se sostiene, será necesario reevaluar suposiciones fundamentales en teoría de la complejidad.
El grupo ya solicitó que OpenAI hiciera los materiales públicos inmediatamente, antes incluso de completar el análisis. El resultado y la formalización en Lean serán lanzados en GitHub el lunes siguiente, permitiendo que la comunidad de teoría de la complejidad se manifieste en tiempo récord.
Lo que la refutación de la ETH NO significa — y esto es importante — es que automáticamente entregaremos algoritmos más rápidos para problemas computacionales existentes. La prueba teórica abre la puerta, pero traducir avances teóricos en mejoras prácticas requerirá investigación significativa.
Física: la existencia de la cromodinámica cuántica
El tercer resultado, y quizás el más ambicioso, reside en la física teórica. OpenAI afirma haber producido una prueba de existencia matemáticamente rigurosa de ciertas teorías cuánticas de campo interactivas conteniendo campos de gauge y fermiones en cuatro dimensiones — lo que incluye la Cromodinámica Cuántica (QCD) y una conclusión unificada del Modelo Estándar de la física de partículas.
El trabajo se basa en el enfoque de Balaban en la teoría cuántica de campos constructiva e incluye, como subproblema, una prueba de la existencia de la teoría pura de Yang-Mills — que es parte del problema del Premio Millennium del Clay Mathematics Institute. El Modelo Estándar describe la interacción de partículas subatómicas fundamentales para tres de las cuatro fuerzas fundamentales, exceptuando la gravedad.
La prueba de Yang-Mills fue producida por el modelo el 9 de septiembre de 2026, y la de QCD el 18 de septiembre. OpenAI pospuso el lanzamiento hasta que la formalización en Lean fuera completada, lo que ocurrió el 16 de octubre de 2026.
David Gross — que comparte el Premio Nobel de Física de 2004 por el trabajo sobre libertad asintótica en teorías de Yang-Mills, la propiedad clave que fundamenta la existencia de estas teorías como objetos matemáticamente rigurosos — liderará un grupo de pastores incluyendo Michael Douglas, Arthur Jaffe (que co-formuló el problema del Premio Millennium con Witten), Igor Klebanov y Nikita Nekrasov.
OpenAI no liberó el material de física completo — algo que la empresa reconoce como potencialmente problemático, ya que impide la verificación independiente por el cuerpo científico. En cambio, el grupo de Gross preparará su propia cuenta y explicación, bajo los cuatro principios de la colaboración: transparencia total, ausencia de crédito académico, reconocimiento de los contribuidores y un cuarto principio que la empresa aún no ha divulgado públicamente.
Qué cambia: el modelo de publicación científica
Lo más interesante tal vez no sean los resultados en sí, sino la estructura que OpenAI propuso para validarlos. La empresa reconoció abiertamente que "elegir pastores iniciales necesariamente moldea quién se involucra primero y crea asimetría de información" — un trade-off que ninguna estructura de peer review anterior había articulado con tanta claridad.
Los principios de la colaboración incluyen transparencia total (sin acuerdos de confidencialidad, libertad para discutir y publicar conclusiones), ausencia de crédito académico (OpenAI no busca crédito por los resultados), y reconocimiento formal de los investigadores que auxilian en la comprensión y contextualización. El grupo de pastores también será responsable de asegurar que el trabajo acredite adecuadamente a investigadores, técnicas e ideas de las que se derive.
La Fundación Simons anunció recientemente una contribución de US$ 15 millones — de los cuales US$ 5 millones provienen directamente de OpenAI — para ayudar a matemáticos a navegar la era de la IA, una señal de que el ecosistema financiero de la ciencia básica está comenzando a responder a la velocidad con que los modelos de IA están produciendo resultados que antes llevaban décadas ser alcanzados.
La pregunta que queda es si este nuevo modelo de "pastoreo" académico conseguirá escalar más allá de ya previamente conectadas, o si terminará por reproducir, como tantas otras innovaciones en ciencia abierta, las mismas asimetrías de acceso que busca evitar.
Fuentes: OpenAI, The Verge, The Next Web, Interesting Engineering
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
