Vi Hart: la matemática que desmonta a OpenAI

Quién es Vi Hart y por qué su crítica al caso Navier-Stokes pesa

Vi Hart pasó años publicando videos de matemáticas en YouTube, pero también hizo carrera académica: publicó papers y dio charlas técnicas. Lo que casi nadie sabía es que trabajó un tiempo con el equipo del asistente de pruebas Lean en Microsoft Research, el lenguaje de programación matemática que usa Mathlib y que OpenAI empleó para verificar su resultado sobre Navier-Stokes.

Ese detalle es el que le da peso a su análisis. Hart no opina desde afuera: vio cómo se construyó la tecnología que hoy se presenta como un salto repentino.

En su post, Hart recuerda que el creador de Lean, Leonardo De Moura, ya tenía una visión clara de hacia dónde llevar el proyecto, y que en 2021 el equipo demostró que la herramienta podía contribuir a matemáticas "reales" al formalizar un resultado moderno del matemático Peter Scholze. Para ella, que un problema del Milenio se resuelva con verificación Lean no es una sorpresa: estaba en el plan a cinco años que se discutía en 2021.

Su tesis central es incómoda para la narrativa de la industria: el resultado no demuestra que la IA sea brillante, sino que muchísima gente construyó durante años los ejemplos y las bibliotecas sobre las que esos modelos operan.

Qué pasó realmente con la prueba de Navier-Stokes de OpenAI

Según Tulane Hullabaloo, OpenAI anunció el 8 de septiembre de 2026 una solución generada por IA al problema de Navier-Stokes, uno de los siete Problemas del Milenio del Clay Mathematics Institute, con un premio de un millón de dólares. La empresa afirmó que su sistema usó 10.000 agentes para producir la demostración y la confirmó con Lean.

El diario ecuatoriano El Comercio precisa que la demostración se produjo en 88 horas y que el propio Clay Mathematics Institute respondió el 11 de septiembre que el problema "aparentemente" había sido resuelto, pero aclaró que evaluar el resultado y asignar el crédito es un proceso "deliberadamente pausado". OpenAI, por su parte, dijo que no reclamará el millón de dólares del premio.

Hart va más allá del anuncio y apunta al costo real: sostiene que el resultado requirió años de trabajo de una comunidad enorme de matemáticos universitarios, estudiantes y voluntarios que llevan más de media década formalizando matemáticas en Lean. Su comparación es directa: Mathlib es pequeña frente a las grandes bibliotecas de la humanidad, y aun así costó dinero, apoyo institucional, matrículas de estudiantes y salarios financiados con impuestos.

El problema que OpenAI resolvió no es el que importaba

Acá está el punto más filoso, y no viene solo de Hart. Scientific American documentó que la controversia derivó hacia otra pregunta: ¿OpenAI resolvió el problema correcto?

Las ecuaciones de Navier-Stokes describen cómo fluyen los fluidos, y el problema del millón de dólares trata sobre si esas ecuaciones pueden "explotar", es decir, permitir velocidad infinita en un punto. El enunciado oficial, redactado por Charles Fefferman en 2000, tiene cuatro versiones. La opción "C" permite aplicar una fuerza externa al fluido.

OpenAI resolvió las versiones C y D, las que admiten esa fuerza externa. Las versiones A y B, sin fuerza, siguen abiertas. "El problema más importante está sin resolver", dijo al medio el matemático Luis Silvestre, de la Universidad de Chicago. "El problema de Clay está resuelto, pero el problema principal de las ecuaciones de Navier-Stokes no".

Peor para la narrativa: tres matemáticos publicaron una prueba de que el método de OpenAI nunca podrá extenderse para resolver el problema completo. El enfoque se apoya en el trabajo previo de los españoles Diego Córdoba y Luis Martínez-Zoroa, publicado primero en 2023 y luego en mayo de 2026. Martínez-Zoroa le dijo a El País que la IA "ganó tiempo, no tuvo ideas nuevas".

La disputa por el crédito: la parte que todo founder debería leer

El caso tiene un conflicto de autoría que vale la pena estudiar. Tristan Buckmaster, matemático de la Universidad de Nueva York, trabajaba desde hacía casi un año con Levent Alpöge, investigador de Anthropic, sobre esa misma línea. El 7 de septiembre, un día antes del anuncio de OpenAI, publicaron sus propios resultados sobre las ecuaciones de Euler.

Buckmaster sostiene que un investigador senior de OpenAI le pidió no incluir a Alpöge como coautor por trabajar en la competencia, y preguntó si el modelo se había entrenado con las sesiones de Codex donde guardaron un año de borradores. OpenAI niega ambas cosas en su comunicado y afirma que investigó el punto.

El contexto más amplio lo confirma: una carta abierta firmada inicialmente por 25 medallistas Fields advierte que "los objetivos de las empresas de IA y de la comunidad matemática están gravemente desalineados". Y tras anunciar que el mismo modelo resolvió "más de 100 problemas abiertos", OpenAI creó un comité asesor de nueve matemáticos cuyas recomendaciones no son vinculantes.

Hart lo resume con dureza: para ella, OpenAI barrió a sus propios clientes, matemáticos que le dieron acceso a su trabajo con la confianza ingenua de que no los iba a perjudicar.

Qué significa esto para tu startup

El episodio no es solo un drama académico. Es un ensayo general de un conflicto que se va a repetir en cualquier sector donde la IA toque trabajo experto.

• Documenta tu contribución propia antes de construir sobre un modelo de terceros. Buckmaster y Alpöge tenían un año de borradores en sesiones de Codex. Si tu ventaja competitiva vive dentro de las herramientas de un proveedor, tu ventaja no es tuya. Mantén tus datos, prompts y metodología en infraestructura que controles.
• Distingue "verificado" de "importante". Lean confirma que una demostración no tiene errores lógicos, pero no que resuelva el problema que a tu cliente le importa. Aplica la misma lógica a tus métricas: un test que pasa no significa que el producto resuelva el dolor real.
• Invierte en capas de verificación, no solo en generación. El valor diferencial del caso Navier-Stokes fue el checker automático. Si tu producto genera contenido, código o análisis, el activo defendible es cómo lo validas, no cuánto generas.

El ritmo tampoco se detiene. Según WWWhat's New y El Periódico, OpenAI publicó el 7 de octubre de 2026 un repositorio en github.com/openai/math con 722 demostraciones verificadas con Lean, agrupadas en 372 familias de teoremas, generadas con unas tres horas de cómputo cada una. Para dimensionarlo: Mathlib acumula alrededor de 200.000 teoremas tras años de trabajo colaborativo.

La lectura para un founder es simple. La IA acelera la parte del trabajo experto que consiste en construir y chequear argumentos. Lo que sigue siendo humano es decidir qué problema vale la pena resolver y en qué dirección buscar. Esa intuición, como dice Hart, es lo más parecido a la matemática de verdad.

Fuentes

• Vi Hart's Big Navier-Stokes Post (fuente original)
• OpenAI's Navier-Stokes proof sparks disputes over credit, role of AI in math
• Did OpenAI solve the wrong Navier-Stokes problem?
• ¿Por qué los matemáticos aún no validan la solución de OpenAI al problema del milenio?
• OpenAI publica 722 demostraciones matemáticas generadas por IA
• OpenAI publica el mayor corpus de pruebas matemáticas con IA