OpenAI: 3 avances y el malestar de los investigadores

Tres resultados, tres formas distintas de publicarlos

Tres resultados científicos, tres estrategias de publicación diferentes y una comunidad académica que empieza a perder la paciencia. OpenAI anunció el lunes avances en matemáticas, ciencias de la computación y física, y con ellos un modelo de comunicación que cambia según el caso: en un resultado liberó el output crudo de su modelo, en otro armó un grupo externo para que lo explique y en el tercero directamente no publicó nada.

La compañía dice que trabaja con expertos "shepherds" (pastores o curadores) que deciden cómo compartir cada hallazgo. Para el resultado matemático, OpenAI publicó el output generado por la IA "dejando a los investigadores en libertad de organizar sus propios esfuerzos para explicarlo". Para el hallazgo en ciencias de la computación, ensamblará un grupo externo de investigadores "para explicar el resultado". Y el de física no se liberó: la empresa dijo que "deferirá" a un grupo externo de expertos sobre cómo publicar los materiales.

¿Qué son los tres avances que anunció OpenAI?

Los tres tocan algunos de los problemas abiertos más importantes de sus disciplinas. Algunos extienden trabajo previo de la compañía y otros abren terreno nuevo.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Matemáticas: el resultado afirma resolver la conjetura de Kakeya en todas las dimensiones. En términos simples, el problema pregunta cuánto espacio mínimo se necesita para rotar una aguja o un lápiz en todas las direcciones. Una prueba de la versión tridimensional estuvo entre los logros por los que la matemática de NYU Hong Wang recibió una Medalla Fields este año. El profesor de matemáticas de Brown University Brendan Hassett dijo a The Verge que la afirmación de OpenAI "parece bien respaldada", aunque aclaró que todavía no había revisado la formalización en Lean, un método de verificación computacional de resultados.
Física: el hallazgo explora el Modelo Estándar y la cromodinámica cuántica (QCD), que describe la fuerza nuclear fuerte, y su relación con la teoría de Yang-Mills. Esa teoría está en el corazón de uno de los siete Problemas del Milenio, aunque el trabajo de OpenAI no aborda el "mass gap" que sigue sin resolver.
Ciencias de la computación: el tercer resultado afirma refutar la hipótesis del tiempo exponencial (ETH), una suposición ampliamente sostenida en teoría de la complejidad según la cual ciertos problemas no pueden resolverse sustancialmente más rápido que por fuerza bruta. Está íntimamente ligada a P versus NP, otro Problema del Milenio.

Expertos consultados por The Verge dijeron que hay buenas razones para tomarse los resultados en serio, describiéndolos como "enormes", "avances importantes" y "significativos".

Por qué los investigadores están molestos

La emoción por la ciencia vino acompañada de fastidio por la conducta de la compañía. Muchos investigadores querían que la comunidad amplia se pusiera a escrutar los hallazgos y cuestionaron por qué OpenAI levantaba barreras adicionales al elegir a mano a los expertos que supervisan el proceso.

"No tiene ningún sentido que primero solo unos pocos científicos distinguidos puedan mirarlos", dijo Constantin Kogler, investigador del Institute for Advanced Study, que sí celebró que esta vez fueran tres resultados y no cientos.

"El hecho de que elijan el grupo a dedo es un desastre", dijo a The Verge Andreas Karch, profesor de física de la University of Texas at Austin. "Los grandes laboratorios ya tienen suficiente poder. No deberían estar eligiendo ganadores y perdedores". Karch sugirió después que por qué OpenAI "no puede publicar la prueba ahora" además de nombrar a su equipo de expertos: "Esto democratizaría el acceso y aun así mostraría que les importa que los resultados sean significativos y comprensibles".

Xiaoyu He, profesor de matemáticas del Georgia Institute of Technology, cree que el problema es más profundo que la forma de anunciar: "Los resultados son muy impresionantes, pero creo que están haciendo un show de intentar ser responsables y reflexivos sobre cómo los publican, sin poder cambiar los problemas de fondo: que se están resolviendo resultados fundamentales muy rápido y sin contribución humana, y que los papers son difíciles de leer y verificar".

Qué dice AGMAI, el panel que OpenAI dijo escuchar

El Advisory Group on Mathematics and Artificial Intelligence (AGMAI), un grupo de expertos que OpenAI se había comprometido a consultar sobre cómo compartir sus hallazgos, advirtió justo un día antes del anuncio contra exactamente esta práctica. "Recomendamos que las empresas de IA no adopten esta práctica", dijeron, argumentando que elegir a ciertas personas para recibir el output primero es "innecesario", se apropia de la reputación de los investigadores seleccionados y arriesga acceso desigual, selección sesgada y demoras.

En su lugar, recomendaron publicar en repositorios académicos, con pruebas formalizadas e información sobre cómo se eligieron los problemas, además de financiar a quienes trabajan en entender los resultados. Tras el anuncio, AGMAI urgió a OpenAI a "hacer público sin demora" el material detrás del resultado de física.

La sombra de Anthropic y el problema de la verificación

El contexto competitivo agrega presión. Según Scientific American, apenas horas después del anuncio de OpenAI, Anthropic publicó su propio resultado independiente refutando la ETH, basado en el trabajo de un modelo interno. Ese medio también señala que el modelo de lenguaje que produjo las pruebas sigue siendo propietario y que los prompts exactos, el tiempo de cómputo y las cadenas de razonamiento no se hicieron públicos.

OpenAI dijo que acordó con el grupo de ciencias de la computación —liderado por Russell Impagliazzo y Ramamohan Paturi de UC San Diego y Ryan Williams de MIT— publicar todos los datos crudos y financiar una conferencia sobre las implicancias del trabajo, según unite.ai. La compañía también anunció una contribución de US$5 millones a la Simons Foundation para talleres y programas que ayuden a los investigadores a entender resultados producidos por IA, según el mismo medio.

El problema de fondo es que la formalización en Lean solo garantiza que el teorema enunciado se sigue de sus supuestos. Como apunta CryptoBriefing, la pregunta se corre de "¿la IA se equivocó?" a "¿el enunciado formal captura fielmente la conjetura que a los matemáticos les importa?".

¿Qué significa esto para tu startup?

Si tu producto, tu equipo de I+D o tu tesis de inversión dependen de resultados de IA, este episodio deja lecciones operativas concretas.

Exige artefactos verificables, no titulares. Antes de construir sobre un claim de IA —propio o de un proveedor— pide el material crudo: datos, prompts, método y, cuando exista, una verificación formal. Un anuncio sin artefactos públicos es una hipótesis, no un insumo de producto.
Diseña tu política de divulgación antes de necesitarla. El costo reputacional de OpenAI no vino del resultado científico sino de cómo lo comunicó. Si tu startup publica hallazgos o benchmarks, define de antemano qué liberas, con qué nivel de detalle y quién puede auditarlo.
Vigila el hueco de verificación como oportunidad. Con más resultados generados por IA y más difícil de leerlos y comprobarlos, crece la demanda de herramientas y servicios que verifiquen, simplifiquen y expliquen. Es un nicho real para equipos pequeños con expertise de dominio.

El propio OpenAI admite que cada enfoque tiene tradeoffs. Como resumió el matemático de Stanford Jared Duker Lichtman: "Para cualquier enfoque va a haber alguien molesto. Así que la cuestión es encontrar la opción menos ofensiva".