OpenAI dice haber resuelto Navier-Stokes y genera polémica

OpenAI anuncia una solución a Navier-Stokes y desata una pelea con matemáticos

El 8 de septiembre, OpenAI publicó en su blog que un modelo interno —más capaz que el recién lanzado GPT-6 Astra— junto con aproximadamente 10.000 agentes autónomos en paralelo encontró una singularidad en las ecuaciones de Navier-Stokes en tres dimensiones, resolviendo —si la comunidad matemática lo valida— uno de los seis Problemas del Milenio que seguían abiertos, según reportó The Verge (fuente original). Cada uno de esos problemas, definidos por el Clay Mathematics Institute en el año 2000, tiene un premio de un millón de dólares; OpenAI ya adelantó que no piensa reclamarlo.

El resultado fue formalizado en Lean, un lenguaje de programación usado para verificar pruebas matemáticas de forma automática. Para un fundador, esto importa porque marca un antes y un después: una IA no solo asiste en cálculos, sino que ahora produce pruebas verificables de problemas que la humanidad llevaba décadas sin cerrar.

Qué es Navier-Stokes y por qué importa

Las ecuaciones de Navier–Stokes describen cómo se mueven los fluidos: el agua, el aire, la sangre, la atmósfera. Se escribieron por primera vez a mediados del siglo XIX y son la herramienta central de la mecánica de fluidos, según explica Quanta Magazine. El problema del Milenio pregunta si sus soluciones son siempre «bien comportadas» o si, en某些某些 casos, una parte infinitesimal del fluido puede acelerarse sin límite creando lo que los matemáticos llaman una singularidad o blow-up.

🤖 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

Como resume Quanta Magazine, esa pregunta importa menos por sus consecuencias prácticas inmediatas —los fluidos reales están hechos de moléculas y no son perfectamente continuos— y más por lo que dice sobre los límites de las leyes de Newton aplicadas a los fluidos: «incluso en un sentido idealizado, la turbulencia es más rara de lo que parece» (Quanta Magazine).

La cronología que destapó la pelea

La historia tiene tres tiempos clave, confirmados por The Verge, Wired y TechCrunch:

28 de agosto: OpenAI comenzó a entrenar el modelo interno no público que luego usaría para el resultado, según dijo Sébastien Bubeck, investigador de OpenAI, en una rueda de prensa recogida por Wired.
22 de agosto: Tristan Buckmaster (NYU) y Levent Alpöge (investigador en Anthropic, aunque trabajando a título personal) ya tenían verificada en Lean una prueba para el problema Euler relacionada, según detallaron en su comunicado.
1 de septiembre: el equipo de OpenAI lanzó un esfuerzo masivo dedicado a Navier–Stokes tras escuchar rumores de que dos Problemas del Milenio podrían estar resueltos, según confirmó el propio post de la compañía y reportó TechCrunch (techcrunch.com).

Después vinieron las cifras: 88 horas de cálculo continuo con el modelo interno, 17 horas adicionales para formalizar el resultado, casi 5 millones de mensajes entre agentes y alrededor de 300.000 millones de tokens de salida, equivalentes a unos 22,5 millones de dólares en cómputo si se cobrara a tarifas de GPT-6 Astra, según TechCrunch. Mark Chen, jefe de investigación de OpenAI, calificó el costo total como «del orden de millones de dólares», recoge Wired.

Qué acusa Buckmaster

En un comunicado publicado la noche del 7 de septiembre, Buckmaster asegura que OpenAI supo de su trabajo con Alpöge y redirigió recursos enormes para llegar primero a una prueba completa. Sus puntos centrales, según Wired y TechCrunch:

Preguntó a OpenAI si el modelo había sido entrenado o había tenido acceso a sus sesiones de Codex, donde había estado trabajando durante meses. Le dijeron que el modelo «no consultó datos de usuarios», pero no obtuvo respuesta sobre entrenamiento.
La ruta matemática que OpenAI terminó usando —denominada técnicamente forcing suave, opciones c y d en la formulación del problema por Charles Fefferman de Princeton— es la misma que Buckmaster, Alpöge, Diego Córdoba (ICMAT Madrid) y Luis Martínez-Zoroa (CUNEF) venían siguiendo. Buckmaster afirma: «casi nadie más que yo conozco estaba trabajando en eso. No es la dirección a la que se llega en unos días dándole a un modelo el enunciado del problema» (TechCrunch).
Asegura que Sébastien Bubeck le propuso un acuerdo en el que Alpöge —investigador de Anthropic, rival de OpenAI— quedaría fuera del crédito, y que cuando Buckmaster quiso hacerlo público, Bubeck respondió: «¿Por qué ibas a arruinar tu carrera?».

Qué responde OpenAI

OpenAI publicó su propia versión en el blog y en X, recogida por The Verge y Wired:

Bubeck declaró: «No vimos nada de su trabajo hasta que lo hicieron público anoche. Nuestras pruebas difieren significativamente, e incluso los resultados precisos demostrados son distintos» (The Verge).
En el post oficial, la compañía escribió que «es improbable, pero no podemos descartar que datos desidentificados derivados del uso de nuestros productos hayan ayudado a mejorar nuestros modelos».
El CEO Sam Altman intervino públicamente para defender al equipo.

Buckmaster, en respuesta por Mastodon, sostuvo que esa última frase es, en sí misma, una admisión de que se usó información posterior al hallazgo de su equipo.

Por qué esta pelea importa más allá de las matemáticas

El caso abre una caja de Pandora que toca directamente a cualquier startup que use modelos por API o Codex. TechCrunch recuerda que OpenAI se reserva el derecho de entrenar con interacciones de Codex, y que los usuarios pueden darse de baja pero rara vez lo hacen.

Para un founder, las preguntas operativas que deja esta historia son:

¿Qué pasa con la propiedad intelectual de borradores, patentes o ideas战略 que pasas por Codex o Claude?
¿Cómo se demuestra la prioridad de un descubrimiento cuando un competidor con más cómputo puede repetir tu ruta en 88 horas?
¿Vale la pena desactivar el entrenamiento en tus cuentas de equipo para reducir ese riesgo?

Qué significa esto para tu startup

Aunque tu empresa no haga matemáticas puras, esta historia redefine tres reglas de juego:

La velocidad del cómputo cambia quién llega primero. OpenAI pasó de «oír un rumor» a tener una prueba formal verificada en menos de una semana. El costo fue de varios millones de dólares; la mayoría de las startups no llegará a eso, pero sí puede ser superada por un rival que sí.
El contrato con tu proveedor de IA es ahora parte de tu IP. Si tu roadmap, tu código o tu investigación vive dentro de Codex, Claude o Gemini, lee hoy los términos sobre entrenamiento y opt-out. Buckmaster no optó por salir y eso es, exactamente, lo que sospecha que pasó.
La verificación formal se vuelve una ventaja competitiva. Que el resultado esté formalizado en Lean es lo que le da legitimidad. En tu producto, apostar por herramientas que verifiquen lo que la IA produce —no que solo lo generen— empieza a ser una ميزة defensiva real.

Acciones concretas que puedes implementar esta semana:

Audita las cuentas de tu equipo en OpenAI, Anthropic y Google: revisa si el entrenamiento con tus datos está activado y desactívalo si vas a manejar material sensible.
Documenta en un log interno (con fecha y hash) los descubrimientos importantes que hagas con asistencia de IA; te servirá como evidencia de prioridad si surge una disputa.
Si trabajas en dominios donde la verificación importa —finanzas, legal, salud, ciencia—evalúa integrar herramientas con formalización o auditoría humana, no solo generación.

Las preguntas que siguen abiertas

La matemática tardará semanas o meses en digerir el resultado. Mientras tanto, quedan tres preguntas sin responder, y son las que importan a quien construye con IA:

¿La prueba de OpenAI es formalmente correcta y lógicamente equivalente al enunciado del Milenio? El Clay Mathematics Institute aún no se pronunció públicamente al momento de las notas de The Verge y Quanta Magazine.
¿Cuánto del trabajo se basó en datos de entrenamiento derivados de las sesiones Codex de Buckmaster? OpenAI dice «improbable»; no dice «imposible».
¿Qué precedente sienta para futuras disputas de prioridad entre laboratorios con cómputo masivo y académicos individuales? Charles Fefferman, autor de la descripción oficial del problema en el Clay, dijo estar «encantado de que el problema se haya resuelto» y apuntó que los héroes reales son Córdoba y Martínez-Zoroa, según Quanta Magazine.

Una sola certeza: cuando un problema lleva 90 años sin caer, la primera vez que una IA lo cierra también será la primera vez que se discuta quién es el dueño de ese logro.