OpenAI: 3 hallazgos y validación con expertos externos

OpenAI anuncia tres resultados y estrena curaduría externa

Menos de un mes después de liberar cientos de manuscritos con supuestas soluciones a problemas abiertos de matemática, OpenAI anunció tres hallazgos que describe como "mayores" en matemática, ciencias de la computación y física. La novedad no son los resultados, sino el método: la compañía sumó expertos externos a los que llama shepherds —curadores que guían la revisión de un resultado— para los casos de computación y física, y en el problema matemático asegura que fueron esos asesores quienes le recomendaron publicar la salida cruda del modelo para que los investigadores construyeran sus propias explicaciones.

Para cualquier equipo que ya use IA en investigación y desarrollo, esa diferencia pesa más que los titulares: define quién verifica, quién firma y quién queda fuera del circuito.

¿Qué dice OpenAI que resolvió su modelo?

En matemática, la compañía afirma que el modelo "produjo una demostración de la conjetura de suavizado local en todas las dimensiones y, por lo tanto, también resuelve la conjetura de Kakeya y la conjetura de restricción de Stein en todas las dimensiones". El material se liberó como salida directa del modelo, igual que en la entrega del 6 de octubre. Para dimensionar el reclamo: hace pocos meses la profesora de NYU Hong Wang recibió la Medalla Fields de la Unión Matemática Internacional por resolver la conjetura de Kakeya en tres dimensiones.

En ciencias de la computación el planteo es todavía más incómodo. Según OpenAI, el modelo demostró que la Exponential Time Hypothesis (ETH) —la conjetura, ampliamente aceptada desde 1999, de que el problema 3-SAT no se puede resolver en tiempo subexponencial— es falsa. El paper describe un algoritmo determinista que cuenta asignaciones satisfactorias de fórmulas CNF de ancho fijo en tiempo subexponencial y espacio polinomial. La verificación la guía un grupo de tres expertos: Russell Impagliazzo y Ramamohan Paturi, ambos de UC San Diego y parte del grupo que propuso la hipótesis originalmente, más el profesor del MIT Ryan Williams. A pedido de ese grupo, el write-up del modelo y la prueba en Lean se publicaron en GitHub el mismo día del anuncio.

En física, el anuncio es el más cauteloso y el menos verificable: no se publicó completo. OpenAI lo describe como una "prueba de existencia matemáticamente rigurosa de ciertas teorías cuánticas de campos interactuantes que contienen campos de gauge y fermiones en cuatro dimensiones, incluida la cromodinámica cuántica (QCD) y una completitud unificada del Modelo Estándar de la física de partículas". El grupo que supervisará ese trabajo lo lidera David Gross e incluye a Michael Douglas, Arthur Jaffe, Igor Klebanov y Nikita Nekrasov.

¿Qué cambia con los curadores externos y el panel AGMAI?

La figura del curador tiene una contradicción que la propia OpenAI admite. El panel AGMAI, el grupo asesor de matemáticos que la compañía armó, recomendó que las empresas de IA "no adopten" la práctica de designar a determinadas personas para recibir primero el output, citando acceso desigual, reputación prestada y selección sesgada entre los problemas. En su lugar propone publicar en repositorios académicos, con pruebas formalizadas en Lean, información sobre cómo se eligieron los problemas y financiamiento para quienes trabajan en entender los resultados.

Es decir: el mismo día en que la compañía presenta un proceso más ordenado, su propio panel dice que ese proceso replica el problema que intentaba resolver. Como complemento, OpenAI publicó una carta abierta con tres preguntas: qué reglas deben regir el acceso temprano a resultados generados por IA, la divulgación de conflictos de interés y el uso de material no publicado; cómo reconocer el crédito tanto del descubrimiento como del trabajo de comprobar, corregir y explicar; y cómo acompañar a estudiantes e investigadores mientras cambian los métodos de trabajo.

Por qué la comunidad matemática sigue desconfiada

El antecedente pesa. En su entrega anterior, OpenAI publicó 722 papers generados por un modelo interno, agrupados en 372 familias de resultados, a partir de unos 4.000 problemas que le planteó al sistema, según TechSpot. El problema de fondo, señala ese medio, es que se pide a los investigadores evaluar hallazgos de un sistema al que no tienen acceso: solo se difundieron resúmenes de la cadena de razonamiento de 10 resultados.

La carta "A Severe Misalignment of AI in Mathematics", firmada por más de dos docenas de ganadores de la Medalla Fields, advirtió que la carrera por resolver problemas amenaza el propósito mismo de la investigación matemática. El comité asesor pidió a los desarrolladores de IA dejar de probar problemas avanzados en modelos propietarios, y OpenAI se negó a asumir ese compromiso. El profesor de Rutgers Alex Kontorovich escribió en X, sobre un resultado del lote anterior, que "si un humano hubiera hecho esto, sería una Medalla Fields instantánea, sin preguntas".

También hay dinero en juego y no solo reputación. Según The Verge, OpenAI destina US$5 millones a que matemáticos entiendan la investigación generada por IA, como parte de una iniciativa de US$15 millones liderada por la Simons Foundation y con Anthropic también aportando fondos. En paralelo, The Verge documentó cómo algunos investigadores se apuraron a publicar su propio trabajo ante el temor de ser "scoopeados" por el modelo.

¿Qué significa esto para tu startup?

El episodio deja lecciones que aplican mucho más allá de la matemática pura, sobre todo si en tu equipo ya se usan modelos de frontera para producto, desarrollo o análisis.

• Trata el output de IA como un borrador de investigación, no como un hecho. Antes de actuar sobre un resultado generado por un modelo, define quién lo audita, con qué evidencia y qué se considera "verificado" en tu organización. Copia la lógica de Lean: si el resultado es crítico, tiene que existir una verificación independiente y reproducible, no solo una respuesta convincente.

• Documenta el proceso, no solo la conclusión. Parte de la crítica pasó por no publicar los prompts, ni los criterios con los que se eligieron los problemas, ni el detalle de cómputo. Si tu equipo usa IA para un hallazgo interno, guarda el rastro: qué se preguntó, qué se descartó y quién lo revisó. Esa trazabilidad es lo que después te permite defender una decisión ante un cliente, un inversor o una auditoría.

• Presupuesta la comprensión, no solo la generación. Que OpenAI destine US$5 millones a que humanos entiendan lo que el modelo produjo es la señal más útil del anuncio: generar resultados con IA es barato comparado con interpretarlos. Reserva tiempo de tus perfiles senior para eso, o el ahorro se convierte en deuda técnica.

• Recalcula tu estrategia de publicación e IP. Si haces I+D y publicas, asume que un laboratorio con modelos de frontera puede llegar al mismo resultado antes que tu equipo, y con más cómputo. Conviene decidir de antemano qué se publica, qué se protege y cómo se atribuye el crédito interno.

Conclusión

OpenAI no anunció solo tres resultados: anunció una forma de distribuirlos. El detalle importante es que su propio panel asesor considera esa forma insuficiente, y que la verificación sigue recayendo en una comunidad que no tiene acceso al sistema que produjo las pruebas. Para un founder, la lectura práctica es simple: la IA acelera la generación de hipótesis, pero el activo escaso sigue siendo el criterio humano para verificar, explicar y decidir. Quien construya ese proceso primero tendrá una ventaja difícil de copiar.

Fuentes

• The Verge — OpenAI announces three big science discoveries and a new way to work with academics (fuente original)
• TechSpot — OpenAI publishes 722 AI-generated math papers as researchers challenge its closed model
• Yahoo News — The most exciting claims from OpenAI's heap of new proofs
• The Verge — All the drama around AI's takeover of mathematics