OpenAI publica 722 manuscritos y sacude la matemática

OpenAI publicó 722 manuscritos y la matemática entró en duelo

OpenAI publicó 722 manuscritos matemáticos agrupados en 372 familias de investigación, y muchos de ellos incluyen versiones formalizadas en Lean, el lenguaje que permite a una computadora verificar cada paso lógico, según reportó Interesting Engineering. La colección abarca matemática pura, informática teórica y física matemática, con resultados que van del exponente de irracionalidad de pi a las conjeturas de Mahler, las progresiones aritméticas y las ecuaciones relativistas de Vlasov-Maxwell.

Para un founder, la cifra suena a hito técnico. Para la comunidad matemática, sonó a algo distinto. Hugo Duminil-Copin, ganador de la Medalla Fields en 2022, lo describió así tras el lanzamiento de octubre de OpenAI: «El martes por la noche lloré y desperté a mi hija. Han aniquilado mi campo de investigación».

Steven Strogatz, matemático y autor de Cornell University, contó al autor de la nota original que también lloró al hablar con Wired semanas atrás. «La gente usa frases como están extrayendo nuestro tema a cielo abierto o están arrasando el paisaje. La sensación es de desorientación. Hay un duelo enorme».

¿Por qué los matemáticos hablan de duelo y no de ego?

La respuesta corta es que sí hay ego: años de trabajo, estatus, la frustración de competir contra algo que no descansa. Pero la respuesta larga es más interesante, y Strogatz la explicó a través de Arquímedes.

Hace dos mil años, Arquímedes calculó el área de objetos curvos y acotó el valor de pi midiendo docenas de polígonos diminutos que rellenaban un círculo. Escribiéndole al matemático Eratóstenes, dejó una frase que para Strogatz contiene la esencia del oficio: no faltarían descubridores que añadieran al número de teoremas que les habían tocado en suerte.

Esa frase es una invitación al futuro. La matemática, como la ciencia toda, es a la vez un oficio y una conversación: alguien resuelve y alguien comparte, y el que viene después se para sobre los hombros del anterior. Cuando un modelo entrega cientos de resultados de golpe, gana en el eje del oficio e interrumpe la conversación de mil años.

Strogatz lo comparó con Wimbledon y el US Open. Wimbledon es blanco, respetuoso, con decoro. El US Open es ruidoso, individualista, disruptivo. La matemática se parece al primero; los laboratorios de IA, al segundo. Y esa falta de modales no es solo estética: TechCrunch reportó en septiembre que el profesor de NYU Tristan Buckmaster acusó a OpenAI de haber construido sobre su trabajo antes de que fuera público.

Conocimiento sin comprensión: el riesgo que sí debería preocuparte

El punto más incómodo de la nota original no es el duelo gremial. Es la distinción entre saber y entender.

Strogatz usa Google Translate como ejemplo: resolvió la traducción en vivo entre idiomas y no enseñó prácticamente nada sobre lingüística. «No entendemos por qué funciona. Simplemente funciona. Eso es conocimiento sin comprensión».

La historia que mejor ilustra el dilema es la de Regina Barzilay, científica computacional del MIT. Tras sobrevivir a un cáncer de mama, lideró un equipo que entrenó IA con cientos de miles de mamografías para predecir casos con años de anticipación. Strogatz le preguntó si entendía qué veía el modelo. Respondió que no. Y cuando le preguntó si eso la preocupaba, contestó: «¿Por qué limitaríamos un modelo que salva vidas a lo que los humanos podemos entender?».

Es una pregunta difícil de rebatir. Y es exactamente la pregunta que va a llegar a tu sector.

La pelea por el crédito ya empezó

Si crees que esto es un debate filosófico lejano, mira la carrera por Navier-Stokes, uno de los siete problemas del Milenio, cada uno con US$1 millón de recompensa del Clay Mathematics Institute.

Según Wired, Sebastien Bubeck, investigador de OpenAI, dijo en una rueda de prensa que la empresa empezó a entrenar un modelo nuevo con capacidades matemáticas avanzadas el 28 de agosto. Más de 1.000 agentes atacaron el problema durante más de 50 horas, y llegaron a ser hasta 10.000 agentes antes de encontrar la solución. Mark Chen, jefe de investigación de OpenAI, dijo que el cómputo necesario costó «millones de dólares».

TechCrunch reportó que el esfuerzo semanal consumió 300.000 millones de tokens de salida, el equivalente a US$22,5 millones en cómputo a las tarifas vigentes. Y que OpenAI publicó su prueba completa poco después de que Buckmaster y Levent Alpöge, matemático de Anthropic, anunciaran avances en la misma dirección.

No hace falta resolver quién tiene razón para sacar la lección: cuando el recurso escaso pasa a ser el crédito y no el hallazgo, las reglas de atribución se vuelven el campo de batalla.

Qué significa esto para tu startup

Tres movimientos concretos.

• Separa oficio de conversación en tu operación. Identifica qué parte de tu trabajo es producción (código, análisis, borradores, reportes) y qué parte es relación (interpretar al cliente, decidir con contexto, sostener la confianza). Automatiza lo primero con agresividad y protege lo segundo con presupuesto y tiempo. La ventaja competitiva se está mudando al segundo grupo.
• Audita tu dependencia de modelos que no puedes explicar. Si tu producto entrega una decisión y no puedes explicar por qué, prepárate para el día en que un cliente regulado, un banco o un comprador corporativo te lo pida. Documenta qué entra, qué sale y con qué evidencia. Eso es lo que separa un producto vendible de una demo.
• Protege tu know-how propietario antes de exponerlo. El caso de Buckmaster abrió una duda real: si entrenas tus procesos internos con herramientas de terceros, ¿qué pasa con ese conocimiento? Revisa los términos de retención y entrenamiento de cada proveedor que usas y decide explícitamente qué datos entran.

Conclusión

La nota original cierra con una idea que vale para cualquier fundador: Arquímedes resolvía problemas y Arquímedes escribía cartas. La IA puede quedarse con buena parte del primer trabajo. El segundo sigue siendo humano, si tenemos la sabiduría de conservarlo.

Traducir lógica alienígena en insight comprensible, discutir qué significa un resultado, enseñarlo y pasarlo a la siguiente generación: eso no se automatiza con más cómputo. Para una startup, la pregunta no es si un modelo va a hacer mejor tu trabajo. Es qué parte de tu trabajo vale la pena defender como conversación.

Fuentes

• I know why Mathematicians weep (fuente original)
• OpenAI's largest mathematics release tackles 4,000 problems with Lean-checked proofs
• OpenAI fought dirty on career-making math problem, says NYU mathematician
• OpenAI Just Claimed a Huge Math Discovery. Some Academics Are Crying Foul