OpenAI publica 722 pruebas matemáticas y la academia replica

OpenAI publicó 722 manuscritos matemáticos generados por un modelo no revelado

OpenAI hizo público esta semana un repositorio en GitHub con 722 manuscritos matemáticos producidos por un modelo de frontera aún no lanzado, agrupados en 372 "familias de resultados", según reportó The Verge. La compañía asegura haber resuelto más de 100 problemas abiertos de larga data en la mayoría de las áreas de las matemáticas, aunque ni el nombre del modelo ni los prompts utilizados fueron publicados, como confirmó International Business Times.

Cada resultado consumió, en promedio, un cómputo equivalente a unas tres horas de razonamiento de ChatGPT Pro, según OpenAI. Los trabajos se distribuyeron bajo licencia de código abierto. Entre los resultados más llamativos, la compañía asegura haber avanzado en la Conjetura de Juegos Únicos (teoría de la computación), en el problema del factor de grupo libre (álgebra de operadores, abierto desde los años 40) y en una versión parcial de la Hipótesis de Riemann que limitaría los ceros de la función zeta a una región donde la parte real no supere 7/8, según IBTimes.

Ninguno de estos hallazgos ha sido verificado de forma independiente por la comunidad matemática. Resultados de esta magnitud suelen requerir meses o años de revisión por pares antes de aceptarse.

AGMAI, el comité que asesoró a OpenAI… y quedó en evidencia

Para evitar la polvareda que levantó su anuncio de septiembre, OpenAI consultó al Advisory Group on Mathematics and Artificial Intelligence (AGMAI), un panel independiente de nueve investigadores creado el 21 de septiembre de 2026 y alojado en el Institute for Advanced Study de Princeton, según informó Unite.AI. Entre sus miembros figuran los medallas Fields Timothy Gowers (Collège de France, Cambridge), Martin Hairer (EPFL, Imperial College London) y el físico Edward Witten (IAS), junto a Ravi Vakil (Stanford), Ulrike Tillmann (Oxford), Nikhil Srivastava (Berkeley), Melanie Matchett Wood (Harvard), Camillo De Lellis (IAS) y François Charles (ENS-PSL).

AGMAI publicó sus primeras recomendaciones a fines de septiembre. La petición más inmediata fue directa: pedir a los laboratorios que dejaran de evaluar problemas avanzados de investigación sobre modelos propietarios. OpenAI hizo lo contrario: su comunicado afirma explícitamente que sigue probando sus modelos propietarios sobre problemas abiertos. AGMAI también pidió que se publicaran los prompts, el nombre del modelo y el costo de cómputo, y que los laboratorios financiaran el trabajo de los matemáticos humanos que tendrán que dar sentido a los resultados. Las dos primeras condiciones no se cumplieron en este lanzamiento.

El problema del "lost in translation": cuando el código Lean no dice lo mismo que la prosa

El punto más delicado lo expuso un paper de la University of Cambridge y el King's College de Londres publicado esta semana. Los autores documentaron al menos dos discrepancias entre la explicación en lenguaje natural y el código Lean —un lenguaje de programación que, en teoría, verifica si una demostración matemática es correcta— en la solución que OpenAI ofreció a un problema derivado de las ecuaciones de Navier-Stokes, que describen el comportamiento de fluidos.

El flujo habitual de estos modelos es: primero generan una explicación en lenguaje natural, después intentan traducirla a Lean para que un compilador la certifique. Si ambas versiones no dicen lo mismo, la "verificación automática" pierde valor. AGMAI había pedido incluir metadatos legibles por máquina que vincularan ambas representaciones; OpenAI no lo hizo. Solo 10 de los 719 manuscritos publicados incluyeron la cadena de razonamiento del modelo, y un 42% de las pruebas ni siquiera pasó por el proceso de formalización.

"Los problemas están siendo resueltos de forma autónoma por 'prompters' de IA que no tienen interés en el campo una vez que su objetivo inicial está 'resuelto', y no entienden lo suficiente la salida de la IA como para responder preguntas, dar charlas o interactuar con el resto de la comunidad", escribió en redes Terence Tao, medalla Fields y uno de los matemáticos más influyentes del mundo.

Melanie Wood, profesora de matemáticas en Harvard, lo resumió así a TechCrunch: cuando un modelo escupe una solución a un problema difícil, "no hay comprensión humana de ellas en el momento de la publicación, y ahora comienza el trabajo".

La carta de los Fields Medal y la fractura entre la IA y la academia

La fricción no es nueva. El 11 de septiembre de 2026, un grupo de matemáticos de primer nivel publicó la carta abierta "A Severe Misalignment of AI in Mathematics" (DOI 10.5281/zenodo.22737750), firmada por Artur Avila, Manjul Bhargava, Simon Donaldson, Martin Hairer, June Huh, Peter Scholze, Terence Tao y Maryna Viazovska, entre otros. El texto argumenta que los objetivos de las empresas de IA y los de la comunidad matemática están "gravemente desalineados": las soluciones se anuncian con prisas, sin tiempo para escribir el paper con detalle, aislar ideas nuevas ni citar el trabajo previo, lo que abre serias dudas de atribución y posibles plagios.

Los firmantes también advierten del riesgo de que la producción masiva y acelerada de enunciados verdadero/falso "destruya el terreno fértil para nuevas ideas", y recuerdan que los resultados concebidos por IA quedarán en letra muerta si no hay matemáticos dispuestos a desarrollarlos, conectarlos con la literatura previa e integrarlos en el corpus aceptado.

¿Qué significa esto para tu startup?

Aunque la noticia ocurre en el mundo de la matemática de frontera, deja tres lecciones prácticas para cualquier founder que use o construya productos con IA:

• La transparencia no es opcional cuando el resultado es serio. Si tu producto emite respuestas que afectan ciencia, salud, finanzas o derecho, publica el modelo, los prompts relevantes y las métricas de cómputo. AGMAI pidió lo mismo y OpenAI no lo cumplió: la consecuencia es que nadie externo puede reproducir el trabajo.
• Automatizar la verificación de tus propias salidas no es suficiente. El paper "lost in translation" muestra que un mismo modelo puede producir una explicación en lenguaje natural y un código Lean que se contradicen. Si tu stack usa IA para generar y validar al mismo tiempo, añade una capa humana o de un sistema independiente antes de dar algo por bueno.
• Cuidado con el marketing de benchmarks. AGMAI pidió explícitamente a los laboratorios "abstenerse de tratar la publicación de resultados matemáticos como vehículos de marketing". Si vendes una capacidad de IA en términos de "hitos superados", prepárate para que la comunidad técnica revise con lupa si la métrica significa lo que dices que significa.

Conclusión

OpenAI demostró capacidad de cómputo matemática genuina, pero la forma de comunicar esos resultados reproduce los mismos vicios que la academia le viene señalando desde septiembre. La pregunta de fondo no es si la IA puede intentar resolver problemas abiertos — claramente puede — sino si la comunidad matemática logrará digerir cientos de papers en semanas en lugar de meses, y si las empresas de IA aceptarán financiar ese trabajo de digestión en lugar de seguir tratándolo como un comunicado de prensa. Mientras tanto, la lección para founders es directa: la confianza se construye con método reproducible, no con anuncios.

Fuentes

• OpenAI's math solutions aren't meeting the field's standards yet (fuente original)
• OpenAI drops another batch of mathematical breakthroughs
• OpenAI Releases 722 AI-Written Math Papers Claiming Hundreds of Breakthroughs, but Experts Urge Caution
• OpenAI Creates Independent Math Panel as It Claims 100+ Problem Solutions