OpenAI, Navier-Stokes y el problema que va más allá de las matemáticas

El 8 de septiembre de 2026 OpenAI publicó algo bastante más serio que otro benchmark con barras de colores: afirmó tener una solución para el problema de existencia y suavidad de Navier-Stokes, uno de los Problemas del Milenio.

Son de esas noticias donde “una IA resolvió un problema matemático” se queda demasiado corto.

La empresa puso a trabajar del orden de 10,000 agentes simultáneos durante unas 88 horas. En el proceso relacionado con Navier-Stokes intercambiaron 2.7 millones de mensajes y produjeron aproximadamente 130 mil millones de tokens de salida. Después hicieron una formalización y verificación adicional con Lean usando GPT-6 Astra.

Y aun con todo eso, yo todavía evitaría decir que Navier-Stokes “ya está resuelto oficialmente”.

Qué problema intentó resolver OpenAI

Las ecuaciones de Navier-Stokes se utilizan para describir el movimiento de los fluidos.

Agua pasando por una tubería, aire alrededor de un avión, corrientes atmosféricas o incluso el comportamiento de la sangre tienen relación con ellas.

Las ecuaciones funcionan. El problema matemático es más profundo.

Desde hace décadas se intenta demostrar si, partiendo de ciertas condiciones perfectamente normales en tres dimensiones, sus soluciones se mantienen siempre suficientemente regulares o pueden llegar a un punto donde alguna magnitud se dispara y el modelo deja de comportarse de forma suave.

A eso último se le llama una singularidad.

OpenAI afirma haber demostrado precisamente que esa singularidad puede aparecer en tiempo finito.

Su publicación oficial sobre Navier-Stokes incluye tanto una explicación de la prueba como una versión formalizada mediante Lean.

10,000 agentes no son 10,000 ChatGPT abiertos

Aquí está otra parte interesante.

OpenAI no puso una pregunta enorme dentro de un chat esperando que saliera una respuesta de 160 páginas.

Utilizó grupos de agentes coordinados que probaron caminos diferentes. Algunos podían consultar una copia almacenada de Internet, ejecutar herramientas y compartir resultados entre ellos.

Después se cruzaban los hallazgos útiles de distintos grupos para continuar explorando las rutas más prometedoras.

La escala da una idea de hacia dónde se mueve esto:

Para mí, esto importa más que el nombre del modelo.

Estamos pasando de pedirle respuestas a una IA a darle un problema, capacidad de exploración, herramientas, coordinación y recursos suficientes para perseguirlo durante días.

Eso se parece bastante más a montar un equipo de investigación que a usar un chatbot.

El resultado todavía necesita pasar una prueba humana

Aquí conviene bajar un poco la velocidad del titular.

El Clay Mathematics Institute mantiene reglas específicas para reconocer la solución de cualquiera de sus Problemas del Milenio.

Una propuesta debe publicarse en un medio que cumpla sus requisitos, deben pasar al menos dos años desde la publicación y además debe alcanzar una aceptación general dentro de la comunidad matemática.

Las reglas oficiales del Clay Mathematics Institute son bastante claras en ese punto.

Lean ayuda muchísimo porque permite verificar formalmente partes de una demostración. Pero una prueba formalizada por computadora y el reconocimiento oficial de un Problema del Milenio son procesos diferentes.

Así que la frase correcta por ahora es: OpenAI afirma haber encontrado una solución.

Eso ya sería gigantesco si sobrevive al análisis de especialistas.

Y entonces apareció el problema de la autoría

La historia se vuelve bastante más incómoda cuando aparece el trabajo de otros matemáticos.

Diego Córdoba y Luis Martínez-Zoroa venían desarrollando desde 2023 una estrategia basada en una cascada de vorticidad: estructuras a escalas cada vez menores que van amplificando el comportamiento de las siguientes hasta producir una singularidad.

Después Tristan Buckmaster y Levent Alpöge siguieron trabajando sobre una dirección relacionada y obtuvieron avances importantes.

Según Buckmaster, durante el proyecto utilizaron intensivamente herramientas de IA, incluyendo Codex, e introdujeron ahí borradores de su investigación todavía no publicada.

Después OpenAI se enteró de rumores sobre esos avances.

La propia compañía reconoce que su operativo para atacar los Problemas del Milenio comenzó el 1 de septiembre, después de escuchar esos rumores.

Cuatro días después, sus agentes habían llegado a la solución de Navier-Stokes.

Es una coincidencia que inevitablemente iba a generar preguntas.

OpenAI niega haber leído sus trabajos, pero hay una frase importante

La postura pública de OpenAI es bastante concreta.

La empresa afirma que ni sus investigadores ni los agentes accedieron al trabajo de Buckmaster y Alpöge antes de que fuera publicado, y que no se utilizó información específica de esos usuarios para resolver el problema.

Hasta ahí todo parece bastante claro.

Pero inmediatamente aparece una precisión mucho más interesante: OpenAI dice que, aunque lo considera improbable, no puede descartar que datos desidentificados derivados del uso de sus productos hubieran ayudado anteriormente a mejorar sus modelos.

Ese matiz es enorme.

No demuestra que OpenAI tomara la investigación de estos matemáticos. Buckmaster tampoco afirma tener prueba de que eso ocurriera.

Pero la sola imposibilidad de descartarlo plantea una pregunta que va mucho más allá de Navier-Stokes.

¿Qué significa trabajar con información inédita dentro de una IA?

Pensemos en desarrollo de software.

Estás diseñando una arquitectura nueva para un cliente. Pegas documentación, decisiones técnicas, fragmentos de una especificación todavía confidencial y varias ideas propias dentro de una herramienta de IA porque necesitas ayuda para analizarlas.

Seis meses después aparece algo parecido en otro contexto.

¿Cómo demostrarías que existe una relación?

Probablemente no podrías.

En matemáticas el problema se vuelve todavía más delicado porque una idea correcta puede representar años de carrera profesional, publicaciones académicas y reconocimiento internacional.

Por eso creo que el caso de OpenAI va a acelerar una conversación que ya necesitábamos tener.

Antes de utilizar cualquier servicio de IA con información realmente importante deberíamos conocer, al menos:

• si nuestras conversaciones pueden utilizarse para mejorar modelos;
• qué controles permiten impedirlo;
• cuánto tiempo se almacenan;
• quién puede acceder a ellas;
• qué ocurre con los datos derivados o desidentificados;
• y qué garantías existen cuando hablamos de propiedad intelectual todavía no publicada.

No significa dejar de utilizar IA.

Significa tratarla como tratamos cualquier otro servicio externo al que entregamos información sensible.

También hay que repartir mejor el mérito

Hay otro error fácil de cometer: contar esta historia como “la IA contra los matemáticos”.

No ocurrió así.

Detrás de la ruta matemática hay años de trabajo humano. Córdoba y Martínez-Zoroa desarrollaron ideas fundamentales. Buckmaster y Alpöge avanzaron sobre ellas utilizando también herramientas de IA. OpenAI puso después una capacidad computacional enorme sobre el problema.

La pregunta interesante deja de ser quién ganó.

Es cuánto cambia la ciencia cuando una buena idea humana puede ser explorada simultáneamente por miles de agentes artificiales.

Ahí sí veo un cambio importante.

Encontrar una dirección prometedora puede seguir siendo extraordinariamente difícil. Pero una vez localizada, probar miles de variantes, conectar resultados y formalizar demostraciones empieza a ser un tipo de trabajo que las máquinas pueden comprimir brutalmente.

Un año frente a 88 horas suena espectacular.

Aunque esas 88 horas no existirían en el vacío.

Lo que me llevo

Me quedo con cuatro puntos bastante concretos.

Primero: si la prueba aguanta la revisión de la comunidad matemática, estamos ante uno de los resultados científicos más importantes producidos con ayuda de inteligencia artificial.

Segundo: la arquitectura importa tanto como el modelo. Miles de agentes coordinados pueden cambiar la escala de los problemas que una IA es capaz de atacar.

Tercero: utilizar herramientas comerciales para investigación inédita, código propietario o propiedad intelectual requiere revisar seriamente sus políticas de datos.

Cuarto: tendremos que redefinir qué significa autoría cuando una idea humana, una herramienta de IA y miles de agentes participan en diferentes partes de un descubrimiento.

Conclusión

Hace unos años discutíamos si ChatGPT podía resolver correctamente una operación o escribir código que compilara.

Esta semana estamos discutiendo quién merece crédito por una posible solución a uno de los Problemas del Milenio.

La distancia entre ambas conversaciones es enorme.

Todavía falta comprobar que la demostración de OpenAI sea aceptada, y ese proceso no será rápido. Pero incluso si mañana apareciera un error importante dentro de la prueba, el experimento ya dejó algo bastante claro: los sistemas de IA están entrando en investigación científica de frontera.

Y con ellos llegan problemas que no se arreglan aumentando el número de parámetros.

Autoría, privacidad, atribución y confianza también tienen que escalar.