Historia
octubre 8, 2026
Los 722 artículos de matemáticas de OpenAI entusiasman a los investigadores y reavivan los temores de una toma de control sin reglas
OpenAI presenta su más reciente publicación matemática como un paso hacia un descubrimiento científico más rápido, mientras que muchos matemáticos ven la misma avalancha de resultados como una prueba de si los laboratorios de IA pueden respetar los estándares, el reconocimiento y la deliberación de los que depende la investigación.
En septiembre, OpenAI afirmó que un modelo de frontera aún no publicado había resuelto más de 100 problemas abiertos de larga data en gran parte de las matemáticas. A medida que crecía la expectativa, el recién formado Grupo Asesor sobre Matemáticas e Inteligencia Artificial instó a los laboratorios a publicar con prontitud a través de canales académicos establecidos, revelar los modelos, las indicaciones y la capacidad de cómputo, y evitar convertir los resultados en marketing.1
El martes, OpenAI publicó 722 manuscritos, organizados en 372 familias de hallazgos relacionados. La empresa proporcionó protocolos de revisión de artículos y de citas mediante un repositorio de GitHub, junto con resúmenes del razonamiento, estimaciones de cómputo y estadísticas sobre los problemas intentados. Afirmó que el resultado promedio consumió el equivalente a tres horas de razonamiento de ChatGPT Pro.1
Los ejecutivos de OpenAI presentaron la publicación como parte de un proyecto científico más amplio. Greg Brockman la calificó como un paso «hacia la aceleración del descubrimiento científico y la mejora de la calidad de vida para todos».
2 El volumen por sí solo impresionó a los observadores: cientos de demostraciones generadas por un modelo aún no publicado sugieren que las matemáticas podrían seguir a la programación hacia un mundo en el que las máquinas ya no sean una novedad, sino una fuerza de trabajo en campos especializados.3
Pero el entusiasmo ha ido acompañado de alarma. Los investigadores aún se preguntan si los resultados son verdaderamente originales o si dependen en gran medida de aportes humanos previos, y si un torrente de artículos producidos por máquinas puede evaluarse de manera significativa. Stephen Wolfram resumió la objeción de calidad frente a cantidad: «Se puede producir fácilmente un billón de teoremas. El problema es que la mayoría de esos teoremas no serán de los que le importen a nadie».3
La desconfianza no es meramente filosófica. Anuncios anteriores de OpenAI ya habían desencadenado acusaciones relacionadas con trabajos inéditos, adelantarse a otros investigadores y una divulgación deficiente sobre los orígenes de los datos de entrenamiento. Los críticos temen que un laboratorio de IA adinerado pueda avanzar a toda velocidad por problemas que los investigadores han perseguido durante sus carreras, sin las normas académicas que rigen la atribución y la verificación. Un profesor describió la conducta como el «tipo de cosas que los matemáticos generalmente no hacen».4
Incluso la respuesta más amplia en internet reflejó esa cautela: Elon Musk amplificó una publicación que insistía: «No, la IA no acaba de resolver las ecuaciones de Navier-Stokes».
5 La nueva publicación puede ser un hito técnico extraordinario; que se convierta en una contribución confiable a las matemáticas sigue siendo una cuestión humana.