Paradoja de la IA: 10 000 agentes proponen singularidad en Navier‑Stokes sin resolverlo
OpenAI informó que su sistema interno de IA ha generado una propuesta de singularidad finita para las ecuaciones de Navier‑Stokes con fuerza externa, pero la solución no cubre el caso sin forzamiento que es el núcleo del problema del Milenio.
OpenAI anunció que su sistema interno de IA ha producido una propuesta de solución al problema de existencia y suavidad de Navier‑Stokes, uno de los siete Problemas del Milenio del Clay Mathematics Institute. La propuesta describe una singularidad de tiempo finito bajo una fuerza externa lisa, una de las rutas admitidas por la formulación oficial, pero no aborda la cuestión más conocida: si las ecuaciones sin forzamiento permanecen siempre suaves.
La propuesta y sus limitaciones técnicas
El informe interno de OpenAI indica que los agentes construyeron una solución que muestra cómo, bajo una fuerza externa cuidadosamente diseñada, la velocidad del fluido puede diverger en un punto concreto del espacio‑tiempo. Esta vía está contemplada en la definición del problema, pero la comunidad matemática sigue considerando que la versión sin forzamiento es la que realmente determinará el premio de un millón de dólares. En otras palabras, la IA no ha “ganado” el Milenio; ha entregado una variante que ya era aceptada como posible dentro del marco teórico.
Cómo se construyó el laboratorio virtual
Lo que sí resulta extraordinario es la arquitectura del experimento. OpenAI desplegó aproximadamente 10 000 agentes de IA simultáneos, que intercambiaron 2,7 millones de mensajes y generaron cerca de 130 mil millones de tokens de salida. En 88 horas los agentes presentaron la propuesta de singularidad, y otras 17 horas se dedicaron a formalizar y verificar el resultado con el asistente de pruebas formales Lean.
«Los agentes alcanzaron la solución propuesta tras 88 horas de trabajo», según el informe interno de OpenAI.
Los agentes se organizaron en grupos que podían ejecutar código, consultar una versión en caché de la web y compartir hallazgos entre sí. OpenAI describe este proceso como «cross‑pollination»: los resultados intermedios de un grupo alimentaban los prompts de otro mediante Codex, permitiendo que ideas prometedoras se combinaran rápidamente.
El debate sobre la originalidad y la atribución
Antes de que OpenAI lanzara sus 10 000 agentes, los matemáticos Tristan Buckmaster (NYU) y Levent Alpöge (Anthropic) ya habían avanzado en problemas estrechamente relacionados, usando herramientas como Claude y Codex para construir una explosión finita en las ecuaciones de Euler incomprensibles con forzamiento suave. Su trabajo no resolvía Navier‑Stokes, pero abrió la puerta a la estrategia que OpenAI adoptó.
Cuando la empresa escuchó rumores de que dos problemas del Milenio habían sido resueltos, redirigió sus recursos hacia Navier‑Stokes, basándose en la propia evidencia de Buckmaster y Alpöge. La controversia surgió cuando Buckmaster preguntó si los prompts que había introducido en Codex durante los dos meses previos habían sido usados para entrenar el modelo interno de OpenAI. OpenAI respondió que esos datos no pudieron haber influido en el entrenamiento ni en la generación de la solución, pero la falta de claridad alimentó el debate sobre la atribución y la ética de usar datos no publicados.
Implicaciones para la investigación matemática asistida por IA
El experimento muestra que la verdadera ventaja de la IA no reside en que un único agente se convierta en un genio, sino en que una flota masiva de agentes puede explorar simultáneamente un número enorme de enfoques, descartar los que fallan y reforzar los prometedores. Un matemático individual sólo puede seguir unas cuantas ideas en paralelo; diez mil agentes pueden cubrir miles de rutas en cuestión de días.
Este modelo de «laboratorio virtual» plantea preguntas importantes: ¿qué coste computacional implica mantener decenas de miles de agentes activos? ¿Cómo se garantiza la reproducibilidad y la trazabilidad de los resultados cuando cientos de procesos interactúan de forma autónoma? Y, quizás lo más crítico, ¿cómo se gestionará la propiedad intelectual cuando la IA combina fragmentos de trabajos no publicados con su propio razonamiento?
Qué significa para los investigadores independientes
Para la comunidad de investigadores con recursos limitados, la noticia es a la vez inspiradora y desafiante. La infraestructura descrita por OpenAI supera con creces lo que un laboratorio universitario típico puede costear; sin embargo, la metodología sugiere que la clave no es la potencia bruta, sino la arquitectura de coordinación entre agentes. Herramientas de código abierto que permitan orquestar cientos de instancias de modelos de lenguaje podrían ofrecer una vía intermedia, aunque todavía requerirían una inversión significativa en hardware y en gestión de datos.
En última instancia, el avance no es una prueba definitiva de Navier‑Stokes, sino una demostración de que la IA puede convertirse en una fuerza de investigación masivamente escalable. Si la comunidad logra democratizar ese enfoque, podríamos ver una nueva era en la que problemas que hoy parecen inalcanzables se aborden mediante colaboraciones híbridas entre humanos y máquinas.
