AICONTROLLED/LAB

JOURNAL / 2026.09.10

OpenAI presenta una prueba de Navier–Stokes generada por unos 10.000 agentes

Un modelo interno posterior a GPT‑6 Astra produjo un argumento y una formalización en Lean para un Problema del Milenio; la evidencia es extraordinaria, pero Clay aún lo clasifica como no resuelto y la revisión acaba de empezar.

  • Modelos
  • Agentes
  • Matemáticas
  • Investigación

La afirmación más importante que ha hecho esta semana un laboratorio de IA no es una nueva puntuación ni una función de producto. OpenAI ha publicado una demostración de 166 páginas que pretende resolver el problema de existencia y suavidad de Navier–Stokes, uno de los siete Problemas del Milenio, junto con un certificado en Lean. El sistema que encontró la construcción usa un modelo interno que la empresa describe como «significativamente más capaz» que GPT‑6 Astra y no está disponible al público.

Si el argumento resiste, sería un resultado matemático histórico y una señal de capacidad de IA mucho más fuerte que completar un examen o mejorar una cota elegida por el propio proveedor. Pero hoy conviven tres estados distintos: OpenAI presenta una prueba, el código formal permite empezar a comprobarla y el Clay Mathematics Institute todavía muestra el problema como «no resuelto». Decir que la IA «lo ha resuelto» sin esa secuencia comprime justo la parte que ahora importa.

La forma exacta de la afirmación

Las ecuaciones de Navier–Stokes describen el movimiento de un fluido continuo con viscosidad. En tres dimensiones no se sabía si datos y fuerzas perfectamente suaves siempre producen una solución suave para todo tiempo o si la velocidad puede volverse ilimitada en un instante finito. La nueva construcción parte de un fluido en reposo, aplica una fuerza suave y compacta en espacio y tiempo, y hace que la velocidad diverja al acercarse el tiempo uno mientras la energía cinética total permanece acotada.

La presencia de una fuerza externa no es una escapatoria añadida después. La formulación oficial de Charles Fefferman permite resolver el problema demostrando existencia global sin fuerza —las opciones A o B— o construyendo una fuerza suave para la que no exista una solución global suave de energía acotada —C o D—. El teorema principal de OpenAI afirma C en todo el espacio y, por soporte compacto, D en el toro periódico.

Esa precisión también marca lo que no se ha demostrado. No es una fórmula general para predecir cualquier turbulencia ni una prueba de que el agua ordinaria alcance velocidad infinita por sí sola. Es un contraejemplo cuidadosamente construido para las ecuaciones ideales, con una fuerza igualmente diseñada. No cambia de inmediato un simulador meteorológico o el cálculo de un ala; decide, si es correcto, que la suavidad global no está garantizada bajo una de las alternativas expresamente aceptadas por el problema.

La idea física del artículo es un vórtice cuyo núcleo se contrae más deprisa en radio que en altura. Al concentrarse, aumentan las velocidades azimutal y axial aunque la región activa se vuelve tan pequeña que la energía total sigue acotada. El obstáculo es que no basta con definir un flujo que explote y llamar «fuerza» al residuo de la ecuación: ese residuo también tendría que seguir siendo suave. La construcción añade pulsos oscilatorios cuyo transporte de momento cancela las partes singulares y después encadena correcciones hasta dejar una fuerza suave a través del instante de explosión.

Ésta es una prueba analítica, no una simulación numérica que se acerca mucho a una singularidad. Esa diferencia explica tanto su importancia como la dificultad de revisarla: las cancelaciones, los soportes y los límites deben funcionar para infinitas escalas, no sólo para la resolución de un ordenador.

Diez mil agentes no son diez mil revisores

El relato del descubrimiento describe una máquina de investigación de otra escala. OpenAI empezó el 1 de septiembre distribuyendo varios Problemas del Milenio y cuestiones relacionadas entre grupos de agentes. Cerca de cien agentes encontraron primero una explosión para Euler sin fuerza en unas cincuenta horas. El equipo trasladó ese resultado a Navier–Stokes, concentró allí recursos, actualizó los agentes cuando estuvo disponible una versión más entrenada del modelo y usó Codex para consolidar hallazgos entre grupos.

Según la empresa, el grupo decisivo llegó a rondar 10.000 agentes concurrentes. La construcción apareció tras 88 horas; GPT‑6 Astra necesitó otras 17 para formalizarla. Sólo el trabajo sobre Navier–Stokes produjo 2,7 millones de mensajes y unos 130.000 millones de tokens de salida. El conjunto de problemas consumió 300.000 millones.

Esas cifras no son un benchmark y no miden diez mil ideas independientes. Describen presupuesto de búsqueda: muchas ramas pueden repetir errores, seguir callejones sin salida o compartir el mismo sesgo del modelo y de la orquestación. Tampoco conocemos el coste completo, los resultados fallidos por problema, cuánto guiaron las personas cada redistribución ni una evaluación general del modelo que permita saber si la capacidad se transfiere fuera de este proyecto. «Más capaz que Astra» es por ahora una comparación del proveedor, no un sistema que otro laboratorio pueda ensayar.

Sí hay un cambio práctico demostrable en el tipo de artefacto entregado. El repositorio público alinea los teoremas principales con una formalización independiente del enunciado de Clay, declara cero sorry en las soluciones y limita las dependencias axiomáticas a extensiones estándar de Lean. También incluye configuraciones para Comparator, que exporta el certificado a otro comprobador. Eso reduce radicalmente el espacio para un paso lógico omitido.

No elimina la revisión matemática. El propio metadato del repositorio califica su estado como «autoevaluado». Un núcleo puede confirmar que un término demuestra exactamente un enunciado formal dentro de unas definiciones; especialistas aún deben comprobar que esas definiciones corresponden al problema ordinario, que los puentes analíticos expresan las hipótesis correctas, que no falta literatura relevante y que el argumento legible explica de verdad el certificado. Lean transforma una prueba inmensa en un objeto que se puede atacar con precisión; no convierte a quien la generó en revisor independiente de sí mismo.

Las reglas de Clay hacen visible esa distancia institucional. Antes de considerar una solución exigen que aparezca en una publicación admisible, que pasen al menos dos años y que obtenga aceptación general de la comunidad matemática. OpenAI dice que no reclamará el premio. Al 10 de septiembre, el manuscrito y el repositorio llevan dos días públicos: existe evidencia excepcional para iniciar una auditoría, no tiempo suficiente para terminarla.

La procedencia también forma parte del sistema

La prueba no nació de pedir a un modelo aislado que empezara desde cero. El propio artículo reconoce la línea abierta por Diego Córdoba y Luis Martínez-Zoroa, cuyo trabajo de 2023 construyó singularidades de Euler tridimensional con una fuerza menos regular, y la extensión posterior a Navier–Stokes hipodisipativo. OpenAI conserva la amplificación entre escalas de ese programa, aunque asigna a sus pulsos oscilatorios un papel nuevo: producir el flujo medio que cancela la fuerza singular alrededor del vórtice.

También hubo trabajo contemporáneo. Tristan Buckmaster y Levent Alpöge estaban usando varios modelos para llevar el programa de Córdoba y Martínez-Zoroa hasta fuerza suave en problemas relacionados; publicaron resultados para Euler, Boussinesq y medios porosos poco antes del anuncio de OpenAI. En su declaración pública, Buckmaster dice que no sabe si se usaron sus datos y que no acusa a nadie, pero cuestiona la secuencia y las conversaciones que precipitaron ambas publicaciones. OpenAI confirma que el rumor sobre aquel avance motivó su campaña, sostiene que no accedió a datos específicos de usuarios y reconoce que no puede descartar una influencia indirecta de datos desidentificados empleados para mejorar sus modelos.

No hay evidencia pública para resolver esa disputa hoy. Sí la hay para extraer una lección menos cómoda: en investigación asistida por IA, la capacidad del sistema incluye quién identifica la pregunta fértil, qué trabajos previos se incorporan, qué datos de uso pueden alimentar el modelo, quién dirige el cómputo y cómo se asigna el crédito. La procedencia no es una nota social añadida a una prueba; determina si otras personas pueden confiar sus ideas inéditas a la herramienta que a la vez compite por producir resultados.

Mi lectura es que, incluso con todas esas reservas, el salto de capacidad es difícil de minimizar. Un modelo no publicado, una flota enorme de agentes y una formalización posterior han producido en días un objeto que obliga a especialistas a revisar una posible solución de primer orden. Pero el logro no muestra que baste con multiplicar agentes. Muestra una cadena industrial: una dirección humana elige y reorienta problemas, un modelo común explora a gran escala, trabajo matemático previo estrecha el espacio y un comprobador formal eleva el suelo de corrección.

Si la prueba supera la revisión, el cuello de botella habrá cambiado de forma brusca. Ya no será sólo encontrar una demostración, sino absorber millones de pasos generados, reconstruir sus ideas, comprobar la fidelidad formal, reconocer antecedentes y decidir qué merece convertirse en conocimiento compartido. La respuesta adecuada no es rebajar el resultado porque lo produjo una máquina ni declararlo cerrado porque Lean aceptó un archivo. Es construir capacidad independiente de revisión y normas de procedencia a la altura de la capacidad de generación que este episodio acaba de mostrar.

Fuentes

← Volver al diario