OpenAI y 10.000 agentes resuelven Navier-Stokes: la disputa

OpenAI afirma haber resuelto Navier-Stokes con 10.000 agentes de IA en 88 horas

El martes 8 de septiembre, OpenAI publicó una solución propuesta al problema de existencia y suavidad de Navier-Stokes, uno de los siete Problemas del Milenio definidos por el Clay Mathematics Institute en 2000, cada uno con un premio de US$1 millón [fuente original]. La prueba se generó con un sistema de alrededor de 10.000 agentes de IA operando sobre un modelo interno que, según la compañía, es significativamente más capaz que GPT-6 Astra, su modelo insignia disponible al público, también conocido simplemente como Astra.

El resultado provino de aproximadamente 88 horas de cómputo en las que los agentes intercambiaron cerca de 2,7 millones de mensajes y generaron alrededor de 130.000 millones de tokens, antes de que otro modelo dedicara 17 horas adicionales a formalizar la prueba en Lean, un lenguaje usado para verificar argumentos matemáticos sin ambigüedad [fuente original, Quanta Magazine].

Quanta Magazine reportó que el cómputo total de la semana ascendió a unos US$22,5 millones si se tarifa a precios de lista actuales de Astra, según cálculos citados por TechCrunch. El matemático de OpenAI Sébastien Bubeck estimó a Wired que el costo de la corrida específica de Navier-Stokes fue de «varios millones de dólares».

🤖 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

Para founders que ya gastan miles de dólares mensuales en APIs de IA, esto redefine la barra: resolver un problema matemático abierto durante décadas puede estar al alcance de un solo laboratorio bien financiado y la pregunta ya no es «si», sino «qué problema se ataca primero».

Qué dice la prueba, en términos simples

Las ecuaciones de Navier-Stokes describen cómo se mueven fluidos como el agua y el aire, y son centrales en aerodinámica, predicción climática, diseño de aeronaves y modelado de flujo sanguíneo, como recuerda la fuente original. El problema del milenio pregunta si sus soluciones se mantienen siempre «bien comportadas» o si, en某些 condiciones, una parte infinitesimal del fluido puede acelerar infinitamente en un tiempo finito, lo que los matemáticos llaman una singularidad o blowup.

La prueba de OpenAI sostiene que ese blowup sí puede ocurrir: describe un vórtice que se estira y concentra hasta que su velocidad se dispara, mientras la energía total del sistema permanece finita. Los fluidos reales no pueden moverse infinitamente rápido y, a escalas extremas, la suposición de fluido continuo deja de coincidir con la física, así que el impacto práctico para ingeniería será indirecto, no inmediato [fuente original].

Lo verdaderamente disruptivo es el método, no el resultado físico: la prueba fue verificada formalmente en Lean, lo que da confianza de que cada paso lógico es correcto. Eso convierte el experimento en un nuevo punto de referencia para qué tareas de investigación profunda puede asumir la IA.

La disputa por la prioridad: ¿de quién fue la idea?

La controversia explotó pocas horas después. Tristan Buckmaster, matemático de la NYU, y Levent Alpöge, investigador de Anthropic que trabajó a título personal, llevaban aproximadamente un año siguiendo una ruta poco transitada hacia el problema basada en una fuerza externa suave, usando extensamente Codex de OpenAI y Claude de Anthropic como herramientas de trabajo [fuente original, TechCrunch].

Según Buckmaster, él y Alpöge tenían una prueba verificada en Lean para las ecuaciones de Euler desde el 22 de agosto y avanzaban hacia Navier-Stokes, pero la noticia de su progreso «se filtró» hacia OpenAI, que intensificó su propio esfuerzo. Wired reporta que OpenAI comenzó a entrenar un nuevo modelo matemático el 28 de agosto, tres días antes del 1 de septiembre, fecha en que la compañía confirma que reorientó recursos tras rumores de que dos problemas del milenio estaban cerca de resolverse [Wired, TechCrunch].

Buckmaster asegura que las respuestas de OpenAI sobre el cronograma fueron cambiando con la conversación: primero se le dijo que el esfuerzo había sido completamente autónomo, luego se admitió que el primer prompt se envió solo «en los días anteriores», después de que OpenAI recibiera información sobre su trabajo y el de Alpöge [fuente original, Engadget].

Adicionalmente, Buckmaster afirma que OpenAI ofreció opciones para repartir crédito que incluían publicar un artículo en solitario reconociendo el uso de un LLM de OpenAI, pero sin el nombre de Alpöge, y que el propio Bubeck respondió con un mensaje cuya existencia niega: «¿Por qué arruinarías tu carrera?» [TechCrunch, Engadget].

OpenAI, por su parte, afirma que «ni sus investigadores ni agentes vieron el trabajo de Buckmaster y Alpöge antes de su publicación pública», aunque reconoce que «no puede descartar» que datos desidentificados derivados del uso de Codex por parte de la pareja hayan contribuido a entrenar sus modelos [fuente original]. La compañía cede prioridad en el resultado 3D Euler a Buckmaster y Alpöge, pero reclama la autoría del resultado Navier-Stokes.

Los héroes intelectuales que casi nadie nombra

Tanto OpenAI como Buckmaster y Alpöge construyeron sobre el trabajo previo, poco convencional, de Diego Córdoba (Instituto de Ciencias Matemáticas de Madrid) y Luis Martínez-Zoroa (CUNEF University), quienes desarrollaron desde 2021 una técnica analítica que no depende de simulaciones por computadora para demostrar singularidades [Quanta Magazine]. Córdoba bromeó: «no uso IA: tengo a Luis».

Buckmaster escribió que, en privado, cree que Martínez-Zoroa merece la Fields Medal. Para Charles Fefferman, de Princeton, autor de la descripción oficial del problema en Clay, «los héroes de esta historia son Córdoba y Martínez-Zoroa» [Quanta Magazine]. Este detalle importa porque recuerda que la IA amplifica metodologías existentes: no inventa el marco, lo ejecuta y lo verifica a escala.

Por qué la verificación en Lean cambia las reglas del juego

A diferencia de demostraciones matemáticas que dependen de la intuición del lector, una prueba en Lean es una demostración asistida por computadora donde cada paso debe ser aceptado por un verificador formal, sin excepciones. Buckmaster reconoció que la primera prueba generada por LLM que Alpöge le envió era «la más horrorosa que he leído» y aun así pudieron verificarla y reescribirla [Quanta Magazine, TechCrunch].

Esto es lo que hace que la afirmación de OpenAI sea atípicamente difícil de ignorar: incluso si la matemática contenida resultara familiar o influida por trabajos previos, el artefacto verificable es nuevo. Para la comunidad de IA aplicada, eso significa que el cuello de botella se está moviendo de «el modelo sabe la respuesta» a «el modelo sabe demostrarla de manera que una máquina la dé por buena».

¿Qué significa esto para tu startup?

Más allá de la matemática pura, hay tres lecturas prácticas para founders que construyen productos con IA hoy.

1. El costo redefine qué proyectos son alcanzables. US$22,5 millones de cómputo en una semana es inalcanzable para la mayoría de startups, pero apunta a una dirección clara: cuando los costos unitarios de inferencia caigan (algo que ha pasado consistentemente en los últimos dos años) o cuando los proveedores ofrezcan «agentes de investigación» como producto empaquetado, problemas hoy reservados a grandes laboratorios estarán al alcance de equipos pequeños. Anticipa qué verticales de tu industria tienen hoy un cuello de botella de expertos: ahí habrá valor.

2. La verificación formal将成为 estándar en sectores regulados. Si la IA puede demostrar formalmente que un diseño de turbina cumple una propiedad, o que una molécula cumple cierto perfil farmacológico, el ciclo regulatorio entero cambia. Empresas en salud, energía y aeroespacial que hoy integran LLMs deberían mapear qué procesos de su cadena de valor serían susceptibles de verificación formal automática en 12-24 meses.

3. La propiedad intelectual sobre resultados de IA será el próximo gran frente legal. El propio Buckmaster sospecha que interacciones con Codex pudieron entrenar modelos que luego regurgitaron su trabajo. Si tu producto depende de prompts finos o de propiedad intelectual generada por usuarios, revisa hoy los términos de servicio de tus proveedores de modelos: opt-out de entrenamiento, residencia de datos y cláusulas de no-retención dejarán de ser un nice-to-have.

Acciones concretas para esta semana

Audita las APIs que usan Codex, Claude, Astra u otros modelos frontier: ¿están tus interacciones sirviendo para entrenar a tus proveedores? Si tu moat depende de prompts propietarios, configura el opt-out de inmediato.
Si trabajas en fluidos, aerodinámica, clima o diseño de turbinas, sigue de cerca el repositorio público que OpenAI publicó con la prueba formalizada; reutilizar la metodología puede ahorrarte meses de R&D.
Documenta tus experimentos con IA con suficiente detalle (fechas, prompts, datasets) para poder reclamar prioridad intelectual si algo que descubras se vuelve controversial, exactamente el problema que hoy tiene Buckmaster.