Esta semana OpenAI publicó algo que suena a ciencia ficción: una solución al problema de existencia y suavidad de las ecuaciones de Navier-Stokes, uno de los siete Problemas del Milenio, con premio de un millón de dólares y 26 años sin que nadie lo resolviera. Según ellos, un modelo interno «significativamente más capaz que GPT-6 Astra» lo resolvió usando 10.000 agentes concurrentes trabajando 88 horas. Incluyen el writeup del proof y hasta una formalización en Lean, lo cual es seria la cosa.
Pero lo que de verdad me tiene pegado mirando esta noticia no es el resultado. Es cómo llegaron a él.
El otro lado de la historia
El matemático Tristan Buckmaster (NYU) acusa directamente que OpenAI se enteró del trabajo que él venía haciendo con Levent Alpöge (que trabaja en Anthropic) sobre el problema de Euler forzado, y que después usó un modelo interno para ganarles la carrera y resolver Navier-Stokes primero. Buckmaster publicó su propio statement en la página de NYU. No es un tuit airado, es un documento.
La respuesta de OpenAI tiene capas. Primero negaron que sus investigadores o modelos hayan visto los prompts de Buckmaster y Alpöge. Después, y esto es la joya, admitieron que «no podemos descartar que datos desidentificados derivados del uso de nuestros productos hayan ayudado a mejorar nuestros modelos». Lea esa frase de nuevo, despacio. Es literalmente «no podemos descartar que espiamos a los investigadores que competían contra nosotros». Sébastien Bubeck, por su parte, dice que contactó a Alpöge para coordinar los anuncios, lo cual Buckmaster relata muy distinto.
Otro dato que no es menor: segúin OpenAI, dispararon millones de dólares en cómputo después de enterarse de rumores de que Anthropic estaba avanzando. O sea, parte del achievement es puro hype competitivo entre labs.
Mi opinión: la verificación es lo que importa
Si el proof es correcto y la formalización en Lean pasa revisión de la comunidad, esto sería histórico y hay que reconocerlo. Que un sistema resuelva un Problema del Milenio, incluso con 10.000 agentes y un presupuesto absurdo, cambia la conversación sobre qué pueden hacer estos modelos en matemática. El propio Terence Tao comentó al respecto, y él no regala comentarios.
Pero el proceso me da urticaria. La ciencia funciona porque hay traces claros de quién aportó qué. Aquí tenemos a un lab que anuncia un hito de millones de dólares como post viral, un matemático independiente afirmando que le achicaron el camino, y una letra chica tipo «no podemos descartar que los datos de sus sesiones ayudaron a nuestros modelos». Si los investigadores usaron ChatGPT sin optar out del entrenamiento, técnicamente puede ser fair game. Técnicamente. Pero ¿qué señal le mandamos a los matemáticos? Que su trabajo, incluso sus sesiones de ChatGPT exploratorias, puede terminar alimentando el modelo que les gana la carrera al millón.
Tao lo dijo bien: convertir un problema históricamente productivo en un post de redes es un costo de oportunidad enorme. Navier-Stokes motivó generaciones de matemáticos. Que una empresa lo convierta en benchmark de marketing, con un anuncio hecho en 88 horas de agentes corriendo, y con un escándalo de ética de por medio, dice más del estado actual de la industria de la IA que del modelo en sí.
Mi postura honesta: esperen la verificación de Lean y la revisión por pares antes de celebrar. Y si esto lo confirma la comunidad, igual recuerden que la pregunta del millón (literal) acá no es solo si la IA puede hacer matemática de frontera. Es quién se queda con el crédito cuando los datos con los que aprendió pueden ser los de la persona que estaba resolviendo el problema primero.
Fuente de inspiración: On the Navier–Stokes Millennium Prize Problem
