OpenAI resuelve Navier-Stokes con 10.000 agentes de IA

10.000 agentes, 88 horas y USD 10 millones: así fue la operación de OpenAI

OpenAI anunció que un modelo de inteligencia artificial sin publicar encontró una solución parcial al problema de existencia y suavidad de las ecuaciones de Navier-Stokes, uno de los siete Problemas del Milenio que el Clay Mathematics Institute planteó en 2000 con un premio de un millón de dólares cada uno. Para llegar al resultado, la compañía desplegó un enjambre de aproximadamente 10.000 agentes de IA autónomos que trabajaron de forma conjunta durante unas 88 horas, intercambiaron cerca de 2,7 millones de mensajes y consumieron 130.000 millones de tokens de salida — un volumen equivalente, según la propia OpenAI, a cerca de un millón de libros.

El esfuerzo computacional se estima en torno a los USD 10 millones, una cifra aproximadamente 1.000 veces superior a la que OpenAI había gastado en resultados matemáticos anteriores, según declaró el investigador Sebastien Bubeck. TechCrunch, en su cobertura del caso, eleva esa estimación a unos USD 22,5 millones si se cobrara a las tarifas actuales del modelo GPT-6 Astra, con un total de 300.000 millones de tokens de salida consumidos durante toda la semana de trabajo.

El equipo de OpenAI entrenaba el modelo desde finales de agosto. El 1 de septiembre, tras detectar rumores en redes sociales de que Anthropic había resuelto dos problemas del milenio, decidió lanzarlo contra los seis problemas aún abiertos. Tras 50 horas, la IA mostró progreso inesperado en la línea de Navier-Stokes; los humanos redirigieron toda la potencia de cálculo hacia ese único frente y escalaron el enjambre de 100 a 10.000 agentes. La solución se completó el sábado y fue verificada por computadora el domingo, según reportó Livemint.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

¿Qué resolvió realmente OpenAI sobre Navier-Stokes?

Las ecuaciones de Navier-Stokes, formuladas en el siglo XIX, describen matemáticamente cómo se mueven fluidos como el agua y el aire. Son la base del diseño de aviones, la predicción meteorológica y el estudio del flujo sanguíneo. El reto del Clay Mathematics Institute plantea determinar si, en tres dimensiones, un fluido que arranca con un comportamiento regular puede desarrollar una singularidad — un punto donde su velocidad crezca hasta el infinito en un tiempo finito.

En un documento de 165 páginas, OpenAI sostiene que las ecuaciones sí pueden desarrollar esa singularidad: un vórtice en forma de espagueti que se encoge mientras gira más rápido, hasta alcanzar lo que los matemáticos llaman un "finite-time blowup". La prueba aborda dos de las cuatro afirmaciones exigidas por el enunciado del problema. OpenAI fue explícita al señalar que no reclamará el millón de dólares del premio: su objetivo, dijeron, es mostrar el avance de sus modelos.

En el benchmark interno de matemáticas de OpenAI, el modelo sin publicar resolvió cerca del 50% de los problemas; GPT-6 Astra, lanzado apenas una semana antes, resolvió alrededor del 10%, según declaró Bubeck a Livemint. Antes de este anuncio, el único Problema del Milenio resuelto era la conjetura de Poincaré, demostrada por el matemático ruso Grigori Perelman en 2002-2003 (reconocida en 2006), quien además rechazó el premio.

El Clay Mathematics Institute todavía no verificó ni aceptó el hallazgo. Las reglas del premio exigen publicación en una revista con revisión por pares y dos años de aceptación en la comunidad matemática. El presidente del instituto, Martin Bridson, declaró a AFP que el proceso de evaluación "es deliberadamente pausado, y garantizaremos que sea absolutamente riguroso".

La tormenta: la disputa con Buckmaster y Alpöge

El anuncio llegó envuelto en una controversia que amenaza con convertirse en el primer gran escándalo de propiedad intelectual de la era de la IA matemática. El matemático Tristan Buckmaster, profesor de la Universidad de Nueva York, y Levent Alpöge, investigador de Anthropic (que trabajó a título personal), llevaban meses atacando el problema por una ruta poco habitual: opciones c y d del enunciado clásico de Fefferman, la misma vía que habían abierto los matemáticos Luis y Diego previamente. Según Buckmaster, "casi nadie más" estaba trabajando en esa dirección.

Para su investigación, el dúo usó principalmente Codex de OpenAI y Claude de Anthropic. El 3 de septiembre, Buckmaster descubrió que información sobre el progreso de su equipo había llegado a OpenAI, lo que coincide con el momento en que la tecnológica redirigió toda su potencia de cálculo hacia Navier-Stokes. En su comunicado, Buckmaster preguntó directamente si el modelo había sido entrenado o había tenido acceso a sus sesiones en Codex, donde había cargado todos sus borradores: "Me dijeron que el modelo no consultaba datos de usuarios. Pregunté de nuevo, sobre el entrenamiento, y no obtuve respuesta".

OpenAI reconoció el contacto y la felicitación pública al trabajo del dúo, pero negó tajantemente haber accedido a sus datos. Bubeck sostuvo que "los investigadores y los agentes no vieron ningún trabajo suyo por ningún medio hasta que lo publicaron". Sin embargo, en un comunicado posterior en X, la propia compañía dejó una puerta abierta: "si bien es improbable, no podemos descartar que datos desidentificados derivados del uso de nuestros productos hayan ayudado a mejorar nuestros modelos".

La disputa escaló cuando Buckmaster aseguró que Bubeck le ofreció dos opciones para repartir el crédito: publicar un avance parcial mientras OpenAI publicaba la solución completa al día siguiente, o firmar un artículo individual que reconociera el uso de un LLM de OpenAI sin mencionar a Alpöge. Según Buckmaster, al pedir hacer pública la disputa, Bubeck respondió: "¿Por qué arruinarías tu carrera?" y, ante la insistencia: "Si no quieres que sea amable, entonces no tengo que ser amable". Bubeck negó específicamente haber pedido remover el nombre de Alpöge. El CEO Sam Altman también publicó su versión de los hechos en redes sociales.

Para founders que construyen productos sobre LLMs, la pregunta operativa es incómoda: cuando los datos de uso de un chatbot o un agente terminan entrenando al modelo de su propio proveedor, ¿dónde está la frontera entre iteración legítima y apropiación?

El contexto GPT-6 Astra y el modelo "sin publicar"

El modelo que resolvió Navier-Stokes es significativamente más potente que GPT-6 Astra, lanzado el 3 de septiembre de 2026, apenas una semana antes. Astra, según CNET, fue entrenado en más de 100.000 GPUs Nvidia Grace Blackwell NVLink72, en lo que el vicepresidente de investigación Aidan Clark calificó como "por mucho, nuestro entrenamiento de mayor escala". En benchmarks públicos, Astra logró un 98% en FrontierMath Tier 4, un 99,9% en ARC-AGI-3 y un 100% en ExploitBench, reportó Blockonomi.

El CEO de Nvidia, Jensen Huang, reaccionó al lanzamiento de Astra proclamando en X que "AGI ha llegado". El presidente de OpenAI, Greg Brockman, fue más cauto y habló del "comienzo de la era AGI" sin afirmarla. El científico jefe Jakub Pachocki declaró a Livemint que "hace apenas un mes, no habríamos predicho que estaríamos hablando de un Problema del Milenio", una muestra del vértigo interno en los propios laboratorios frontera.

Este nuevo episodio se enmarca en una escalada más amplia: en los últimos meses, los principales laboratorios han convertido los avances en matemática avanzada en una forma de publicidad competitiva — geometría combinatoria, teoría algebraica de números, y ahora un Problema del Milenio. El matemático medallista Fields Timothy Gowers, que aún no había revisado la prueba, dijo a Livemint que "es innegable que, simbólicamente, es un gran momento".

¿Qué significa esto para tu startup?

Más allá de la matemática pura, el episodio deja tres lecciones accionables para founders que construyen o compran IA:

El coste de resolver problemas duros con IA ya tiene orden de magnitud. USD 10M y 88 horas para un Problema del Milenio; USD 22,5M según otra estimación. Para founders que evalúan usar IA en I+D, simulación, o generación de código complejo, este número redefine lo que significa "caro": problemas que antes requerían décadas de trabajo humano ahora entran en presupuesto de una sola ronda Serie B.
El uso de Codex, Claude u otros LLMs en tu I+D interno deja huella entrenable. OpenAI se reservó el derecho de entrenar sobre interacciones de Codex, con opción de opt-out. Si tu startup usa estos agentes para prototipar propiedad intelectual, revisa la configuración de exclusión y documenta qué prompts y sesiones podrían tener valor como secreto comercial.
Los benchmarks públicos ya no diferencian a los modelos frontera. Si GPT-6 Astra aprueba el 98% de FrontierMath Tier 4 y el nuevo modelo interno duplica esa capacidad, los tests de selección de proveedores que hoy usas quedan obsoletos rápido. Diseña tus prompts y evaluaciones internas contra tareas específicas de tu vertical, no contra rankings genéricos.