OpenAI dice haber resuelto Navier-Stokes con 10.000 agentes

La apuesta de OpenAI: 10.000 agentes y 88 horas para un problema abierto desde el siglo XIX

OpenAI asegura haber resuelto el problema de Navier-Stokes, uno de los siete Problemas del Milenio definidos por el Clay Mathematics Institute en 2000, con un premio de un millón de dólares para cada uno de los acertijos que sigan en pie. Hasta ahora solo la conjetura de Poincaré, resuelta por el matemático ruso Grigori Perelman, había caído.

Según la compañía, hasta 10.000 agentes de IA trabajaron de forma coordinada durante unas 88 horas para alcanzar el resultado. El anuncio se produjo el 8 de septiembre de 2026 con un documento de unas 165 páginas que incluye una demostración formalizada en Lean, el lenguaje que usan los matemáticos para verificar proofs paso a paso con una computadora.

El modelo utilizado es un prototipo interno que la empresa describe como «significantly more capable» que GPT-6 Astra, su lanzamiento más reciente. OpenAI aclaró que no reclamará el millón de dólares del premio y que el objetivo del documento es mostrar el avance de sus modelos.

🤖 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 es exactamente el problema de Navier-Stokes

Las ecuaciones de Navier-Stokes se formularon en el siglo XIX y describen cómo se mueven fluidos como el agua o el aire. Se usan para diseñar aviones, predecir el clima y modelar el flujo sanguíneo.

El reto abierto desde hace casi un siglo es demostrar si, en tres dimensiones, un fluido que arranca comportándose de manera regular puede desarrollar una singularidad: un punto donde la velocidad crece sin límite en un tiempo finito. La conjetura opuesta es que las soluciones siempre se mantienen «suaves». OpenAI asegura haber probado que sí pueden romperse.

«Nuestra prueba muestra que existen fluidos que arrancan perfectamente normales y, bajo las ecuaciones de Navier-Stokes, alcanzan velocidad infinita en un tiempo finito», dijo en la rueda de prensa Venkat Chandrasekaran, científico de computación en OpenAI (Nature).

Cómo se cocinó el resultado, según OpenAI

El relato interno de la compañía, recogido por Office Chai, dibuja una operación sin precedentes en gasto de cómputo:

El 28 de agosto empezaron a entrenar un nuevo modelo que mostraba saltos de rendimiento en benchmarks matemáticos.
El 1 de septiembre, tras oír rumores de que dos Problemas del Milenio podían estar cerca de caer, lo soltaron sobre todos los problemas abiertos y unas cuantas preguntas adicionales, usando un sistema de agentes coordinados.
Para Navier-Stokes, dividieron a los agentes en grupos que atacaban variantes en paralelo (pruebas de suavidad y pruebas de «blow-up»).
Un grupo pequeño, unas 100 agentes, resolvió primero el problema equivalente en las ecuaciones de Euler (sin viscosidad) en unas 50 horas.
El grupo ganador llegó al resultado completo en 88 horas, tras intercambiar 2,7 millones de mensajes y consumir unos 130.000 millones de tokens de salida. La verificación en Lean añadió otras 17 horas. En total, sumando todos los problemas intentados, la operación movilizó 4,9 millones de mensajes y unos 300.000 millones de tokens.

Según New Scientist, un cliente que quisiera replicar el experimento debería gastar alrededor de 15 millones de dólares en cómputo.

La disputa que rodea al anuncio

El comunicado llegó en medio de una pelea pública sobre la prioridad del hallazgo. El detonante, según The Wall Street Journal, fue el trabajo de Tristan Buckmaster, matemático de la Universidad de Nueva York, y Levent Alpöge, investigador de Anthropic. Ambos llevaban cerca de un año usando modelos de IA (Claude, Codex y Astra) para avanzar en las ecuaciones de Euler forzadas, un primo cercano de Navier-Stokes.

El 7 de septiembre publicaron un paper en el que mostraban que las soluciones de las ecuaciones de Euler sin viscosidad también pueden generar singularidad. Horas después, OpenAI anunció su propia versión para Navier-Stokes con viscosidad.

Buckmaster afirma que, tras contactar a un matemático de OpenAI para aclarar la situación, la reunión con personal de la compañía no le dio detalles concretos y le dejó «red flags». También asegura que le ofrecieron coautoría a cambio de dejar fuera a Alpöge por su vínculo con Anthropic. Sébastien Bubeck, científico de OpenAI, calificó esa versión de «falsa e incendiaria».

OpenAI niega haber accedido al trabajo no publicado de ambos investigadores, pero reconoce que no puede descartar por completo que las conversaciones que ellos mantuvieron con sus sistemas de IA hayan contribuido al desarrollo de la herramienta usada para la prueba.

¿Por qué los matemáticos no se lo creen todavía?

La cautela es casi unánime. Martin Bridson, presidente del Clay Mathematics Institute, recordó que «el proceso de evaluación es deliberadamente lento y nos aseguraremos de que sea absolutamente riguroso» (New Scientist). Hasta que la prueba se publique y sea validada por la comunidad, el resultado es, técnicamente, un claim.

Terence Tao, medalla Fields y matemático de la Universidad de California en Los Ángeles, celebró el trabajo de Buckmaster y Alpöge como un «logro notable», pero advirtió que soltar una solución generada por IA de forma opaca y sin revisión «puede terminar haciendo más daño que bien a la disciplina», incluso aunque el resultado sea correcto.

El propio New Scientist enmarca el movimiento en una racha más amplia: en los últimos meses, un modelo de OpenAI agrietó una conjetura de Erdős de hace décadas; Claude (de Anthropic) encontró un contraejemplo a la conjetura jacobiana, casi centenaria; y la semana anterior otro modelo formalizó el último teorema de Fermat en 11 días.

Qué significa esto para tu startup

Aunque suene a noticia de física pura, el caso importa por dos razones que tocan directamente al trabajo de cualquier founder técnico: el costo brutal de esta clase de razonamiento y la cadena de confianza que se está montando alrededor.

El techo de cómputo como nueva variable estratégica. Si reproducir este experimento cuesta unos 15 millones de dólares en cómputo, queda claro que el «razonamiento profundo» con agentes sigue siendo un recurso caro y concentrado. Para founders, eso significa diseñar productos que deleguen solo lo crítico a razonamiento pesado y usen modelos más baratos para el resto, igual que se separa la inferencia del cacheo.
Trazabilidad y datos de cliente como activo legal. El caso Buckmaster–OpenAI deja una lección clara: cualquier prompt o borrador que un usuario mete en Codex, Claude o equivalentes puede terminar influyendo en resultados futuros del proveedor. Si trabajas con código, papers o datos sensibles, revisa las políticas de entrenamiento de tu proveedor y, si hace falta, usa instancias con zero-retention o self-hosted.
Verificación humana como cuello de botella real. Tao lo dijo en una frase: hay una «desacoplación sin precedentes entre obtener respuestas y obtener comprensión». Si integras modelos de razonamiento en tu producto (legal, salud, finanzas), el valor no está en el output: está en construir el pipeline de revisión que lo valide. Eso puede ser tu moat.