OpenAI afirma resolver Navier-Stokes con 10.000 agentes en 88h

Qué anunció OpenAI exactamente

El 8 de septiembre de 2026, OpenAI comunicó que un modelo interno —descrito como "significativamente más capaz que GPT-6 Astra" y todavía en entrenamiento— produjo una demostración de que las ecuaciones de Navier-Stokes tridimensionales pueden desarrollar una singularidad en tiempo finito, lo que la compañía presenta como resolución de uno de los seis Problemas del Milenio pendientes del Clay Mathematics Institute. Según el reporte recogido por Quanta Magazine y Unite.AI, el sistema usó alrededor de 10.000 agentes concurrentes durante 88 horas, intercambiaron unos 2,7 millones de mensajes y consumió aproximadamente 130.000 millones de tokens de salida solo en Navier-Stokes; la formalización en Lean añadió 17 horas adicionales con GPT-6 Astra. Sébastien Bubeck, investigador de OpenAI, estimó el costo en "varios millones de dólares".

La afirmación es precisa en su alcance técnico: la prueba se acompaña de una formalización en Lean y los agentes además resolvieron primero la versión Euler (sin viscosidad) con cerca de 100 agentes durante unas 50 horas. OpenAI cedió la prioridad en Euler al trabajo de Tristan Buckmaster (NYU) y Levent Alpöge (Anthropic), publicado el 7 de septiembre, y reconoció el resultado de los matemáticos como antecedente directo de su propia investigación. La compañía aclaró, además, que no piensa reclamar el premio de USD 1 millón que entrega el Clay Mathematics Institute.

Navier-Stokes: por qué importa este problema

Las ecuaciones de Navier-Stokes describen el movimiento de fluidos —aire, agua, sangre— desde 1845 y son la base del diseño aeronáutico, la predicción meteorológica y la dinámica de fluidos computacional. La pregunta matemática abierta es si sus soluciones, partiendo de condiciones iniciales suaves, pueden desarrollar una singularidad (velocidad infinita en tiempo finito), algo físicamente imposible pero matemáticamente no descartado. Es uno de los siete Problemas del Milenio anunciados por el Clay Mathematics Institute el 24 de mayo de 2000, cada uno con USD 1 millón de recompensa; hasta ahora solo se ha resuelto la Conjetura de Poincaré.

El precedente reciente clave viene del trabajo analítico de Diego Córdoba y Luis Martínez-Zoroa, quienes desde 2021 venían desarrollando técnicas de "capas infinitas" para atacar variantes de Euler y Navier-Stokes sin depender de simulaciones. Sobre esa base, el 7 de septiembre de 2026, Buckmaster y Alpöge publicaron preprints con formalización Lean mostrando singularidad con forzamiento suave en ecuaciones relacionadas (Euler tridimensional, Boussinesq y poroso incompresible), abriendo el camino a la versión sin forzamiento que exige el Millennium Prize.

Cómo lo hizo: 10.000 agentes y compute de inferencia masivo

Lo verdaderamente nuevo no es la conclusión matemática, sino el sistema de investigación detrás. Ethan Knight, de OpenAI, había adelantado que la compañía llevaba alrededor de un año entrenando modelos para colaborar mediante multi-agent reinforcement learning. El experimento del 1 al 5 de septiembre puso ese entrenamiento en producción:

• ~10.000 agentes concurrentes coordinados por el modelo interno, con acceso a una versión en caché de internet y capacidad de ejecutar código.
• Subdivisión en grupos que podían comunicarse internamente, con Codex consolidando los hallazgos útiles entre grupos a mitad del esfuerzo.
• Compute de inferencia masiva y no estructurada: los agentes decidían cómo organizarse, no seguían un guion rígido.
• Actualización del modelo a mitad del run: se les proveyó una versión aún más entrenada cuando avanzaban en Euler.
• En total, sumando Euler y Navier-Stokes, los agentes enviaron 4,9 millones de mensajes y usaron unos 300.000 millones de tokens de salida.

La lectura de OpenAI, según Bubeck, es que estamos ante "la culminación espectacular del arco de los últimos 12 meses" y un nuevo régimen donde la escalación se mueve del entrenamiento al momento de la inferencia, con agentes autoorganizándose para tareas largas.

La controversia: prioridad, datos y autoría

El anuncio de OpenAI llegó apenas 12 horas después de que Buckmaster y Alpöge hicieran públicos sus resultados en Euler. El matemático de NYU planteó en su comunicado que la dirección de investigación seguida por OpenAI era "llamativamente similar" a la suya y preguntó si las sesiones de Codex donde él y Alpöge almacenaron borradores durante un año habían podido entrenar al modelo. Según su relato, recogido por The Next Web y Free Press Journal, cuando amenazó con hacer pública la situación, alguien del lado de OpenAI respondió con frases como "¿por qué arruinarías tu carrera?".

OpenAI negó ambos puntos: el director de investigación Mark Chen aseguró que "ninguna persona ni sistema buscó en datos de usuario" para resolver el problema, y Bubeck calificó las acusaciones de "falsas e incendiarias" en redes sociales. La compañía añadió que no puede descartar que datos desidentificados derivados del uso de sus productos hayan alimentado mejoras de modelo, aunque afirma que las pruebas difieren sustancialmente.

Terence Tao, medallista Fields, subió el tono del debate: dijo haber esperado que la IA sirviera a los matemáticos como el microscopio al biólogo, pero alertó que cada vez se usa más para producir respuestas sin la comprensión de por qué funcionan, y que los laboratorios rara vez divulgan los enfoques fallidos —los callejones sin salida que suelen alimentar futuros avances. La pregunta de fondo, según Axios, es si un investigador puede usar herramientas de un laboratorio frontera mientras trabaja en un resultado no publicado sin que ese laboratorio pueda ver su trabajo.

Hay, además, una grieta en el alcance de la propia afirmación: según Forkast, la demostración resolvería la versión forzada de las ecuaciones, mientras que el criterio del Clay Mathematics Institute exige la versión sin forzamiento externo; por eso OpenAI renunció formalmente al premio.

¿Qué significa esto para tu startup?

Tres lecciones accionables, más allá del ruido mediático:

1. El cuello de botella ya no es el modelo, es la orquestación. El resultado no salió de un solo chat: salió de un sistema con descomposición de tareas, memoria entre agentes, gestión de árboles de búsqueda y políticas de coordinación aprendidas. Si tu producto hace investigación, soporte complejo o automatización larga, invierte tiempo en diseñar el harness (cómo los agentes se reparten, verifican y consolidan resultados), no solo en cambiar de modelo base.
2. Compute de inferencia es el nuevo capex. OpenAI gastó "varios millones de dólares" en un solo run. Eso reconfigura la economía: en tareas de alto valor (due diligence, auditorías legales, I+D), el coste marginal por pregunta dejará de ser centavos para moverse a dólares o decenas de dólares. Modela tus pricing en función del valor entregado por tarea, no por token.
3. La verificación formal es un diferenciador, no un nice-to-have. Lean, formalización y machine-checked proofs son lo único que separa "la IA resolvió X" de "la IA escribió algo que parece X". Si trabajas en sectores regulados (legal, salud, finanzas), integrar un asistente de pruebas o un solver verificable como capa de QA deja de ser opcional.

Y una advertencia: hasta que OpenAI publique la prueba completa, el resultado sigue siendo un claim no verificado independientemente. No lo uses como argumento de ventas ni de inversión hasta ver el preprint.

Fuentes

• AINews: OpenAI reports Navier-Stokes singularity find
• AI Has Solved One of Math's $1 Million Millennium Prize Problems — Quanta Magazine
• OpenAI Says Internal AI System Resolved the Navier–Stokes Problem — Unite.AI
• The mathematicians published machine-checkable proofs. OpenAI announced its result on a call with reporters — The Next Web
• OpenAI's 10,000-Agent Navier-Stokes Claim Solves the Wrong Problem — Forkast