OpenAI lanzó lo que debería haber sido una bomba triunfal esta mañana: un modelo de IA interno, mucho más poderoso que cualquier cosa a la que el público pueda acceder, produjo una prueba de que las ecuaciones de Navier-Stokes pueden descomponerse en singularidades. Pero antes de llegar al drama, hablemos de por qué a cualquiera que no sea matemático debería importarle las ecuaciones de fluidos del siglo XIX. Las ecuaciones de Navier-Stokes son las reglas matemáticas que describen cómo se mueven los fluidos. No solo el agua en tu bañera, sino el aire fluyendo sobre el ala de un avión, la sangre bombeando a través de tus arterias, las corrientes oceánicas, el humo de un incendio forestal, el sistema meteorológico que traerá la tormenta de mañana. Los ingenieros utilizan estas ecuaciones todos los días para diseñar aeronaves, predecir rutas de huracanes, modelar la propagación de la contaminación, desarrollar stents cardíacos, optimizar plantas de energía y simular prácticamente cualquier cosa que fluya. Cuando Boeing diseña un nuevo jet, cuando los meteorólogos pronostican el clima de la próxima semana, cuando las empresas farmacéuticas modelan cómo se mueven los medicamentos a través de tu torrente sanguíneo, todos están ejecutando simulaciones por computadora basadas en las ecuaciones de Navier-Stokes. Aquí está el problema que ha desconcertado a los matemáticos durante 90 años: nadie pudo probar si estas ecuaciones siempre dan respuestas sensatas. Específicamente, ¿puede un flujo de fluido perfectamente suave y normal de repente espiralizarse en una singularidad matemática, un punto donde la velocidad se vuelve infinita, en tiempo finito? La pregunta importa porque si las ecuaciones pueden producir velocidades infinitas (que los fluidos reales obviamente no pueden tener), entonces bajo ciertas condiciones extremas, las simulaciones en las que los ingenieros confían podrían ser fundamentalmente poco fiables. La prueba de OpenAI dice que sí, las ecuaciones pueden descomponerse. El modelo mostró que un vórtice puede apretarse y girar cada vez más rápido mientras la energía del fluido se mantiene acotada, eventualmente alcanzando velocidad infinita en un solo punto: un fenómeno llamado explosión en tiempo finito. ¿Qué hace esto realmente por nosotros? No cambiará cómo los ingenieros usan Navier-Stokes mañana: han estado trabajando alrededor de las limitaciones durante décadas utilizando aproximaciones. Pero aclara exactamente dónde el modelo matemático se separa de la realidad física. Eso importa para escenarios extremos: vuelo supersónico, diseño de reactores de fusión, turbulencia en motores a reacción, comprensión de cómo se forman los tornados. La prueba también valida (o revela fallas en) las soluciones alternativas que los ingenieros utilizan actualmente. Más ampliamente, demuestra que la IA ahora puede resolver problemas en la frontera absoluta de las matemáticas, lo que significa que las técnicas que OpenAI desarrolló - 10,000 agentes de IA intercambiando 2.7 millones de mensajes durante 88 horas, consumiendo millones de dólares en computación - pueden dirigirse a otros problemas difíciles. Y ahí es donde las cosas se ponen realmente interesantes. El problema de Navier-Stokes es uno de los siete Problemas del Premio del Milenio establecidos por el Instituto Clay de Matemáticas en 2000, cada uno con un premio de un millón de dólares. Solo uno había sido resuelto antes de esto (la Conjetura de Poincaré, por Grigori Perelman en 2002-2003, quien rechazó el dinero). Los otros cinco problemas no resueltos no son solo acertijos matemáticos: tienen enormes implicaciones en el mundo real. El problema P versus NP pregunta si cada problema cuya solución puede ser verificada rápidamente también puede ser resuelto rápidamente, y subyace a toda la seguridad informática y criptografía. La Hipótesis de Riemann trata sobre la distribución de números primos y se conecta a algoritmos de cifrado que protegen tu cuenta bancaria. La Conjetura de Birch y Swinnerton-Dyer se relaciona con curvas elípticas utilizadas en criptografía moderna. El problema de Yang-Mills se conecta a la física de partículas y la teoría cuántica de campos. La Conjetura de Hodge involucra geometría algebraica con aplicaciones en teoría de cuerdas. Los laboratorios de IA ya están rodeando estos objetivos. En agosto de 2026, el modelo Claude de Anthropic mejoró un límite clave relacionado con la Hipótesis de Riemann del 41.6% al 67.2%. El modelo Astra de OpenAI, que no ha sido lanzado, resolvió otros diez problemas matemáticos abiertos en agosto. Google DeepMind publicó trabajos utilizando redes neuronales para encontrar nuevas singularidades en ecuaciones de fluidos. Expertos que rastrean el progreso matemático de la IA le dijeron a Quanta Magazine en agosto de 2026 que los matemáticos ahora están dejando la academia para unirse a OpenAI, Google y startups especializadas en matemáticas e IA porque "aquí es donde está la acción ahora". Los seis Problemas del Premio del Milenio restantes están ahora plausiblemente al alcance de los sistemas de IA en los próximos años. Más allá de las matemáticas puras, las técnicas para resolver ecuaciones diferenciales complejas tienen aplicaciones inmediatas. Los sistemas de IA que pueden resolver ecuaciones diferenciales parciales (EDP) ya se están implementando para el descubrimiento de fármacos, diseño de baterías, ciencia de materiales y desarrollo de catalizadores. El equipo de Ingeniería de Penn anunció en mayo de 2026 que desarrollaron técnicas de IA para resolver EDP inversas - trabajando hacia atrás desde patrones observables para inferir causas ocultas - lo que tiene aplicaciones en genética, imágenes médicas, pronósticos meteorológicos y comprensión de cómo se organiza el ADN dentro de las células. Investigadores de Texas A&M publicaron una revisión de 500 páginas en 2025 que muestra cómo la IA que resuelve ecuaciones como la ecuación de Schrödinger acelera la investigación en química cuántica, diseño de fármacos y descubrimiento de materiales. Pero el anuncio de OpenAI llegó en medio de una fea disputa de crédito. Horas antes de la conferencia de prensa de OpenAI, el matemático de NYU Tristan Buckmaster publicó una declaración en Mastodon alegando que OpenAI lo había presionado sobre la autoría y el crédito. Buckmaster y Levent Alpoge, un matemático que trabaja para la empresa rival de IA Anthropic, habían utilizado los modelos de ambas compañías (Claude, Codex y Astra) para resolver tres problemas relacionados con la dinámica de fluidos. Mostraron explosión en tiempo finito para las ecuaciones de Euler (una versión más simple sin viscosidad) y otros dos sistemas. Su trabajo, verificado en Lean y elogiado por el Medallista Fields Terence Tao, fue un gran paso hacia el problema completo de Navier-Stokes. Según el relato de Buckmaster, los rumores de su progreso llegaron a OpenAI el 3 de septiembre. El 6 de septiembre, Buckmaster alega que Sebastian Bubeck (un matemático de OpenAI que se unió desde Microsoft en octubre de 2024) se puso en contacto con él dos veces y presentó dos opciones: coordinar un anuncio conjunto, o que Buckmaster debería redactar el resultado de Navier-Stokes él mismo mientras acreditaba a un modelo interno de OpenAI y excluía a Alpoge de la autoría porque, en las supuestas palabras de Bubeck, era molesto que Alpoge trabajara en Anthropic. Buckmaster dice que se negó y amenazó con hacerse público si OpenAI procedía. Afirma que Bubeck respondió con "¿Por qué arruinarías tu carrera?" y "Si no quieres que sea amable, entonces no tengo que ser amable." Bubeck también supuestamente envió un mensaje a Alpoge pidiendo hablar uno a uno porque no estaba seguro de que Buckmaster estuviera "siendo completamente racional en este momento." Alpoge se negó. Bubeck negó las acusaciones en X, llamándolas "falsas e inflamatorias" y diciendo que siguió las normas académicas. En la conferencia de prensa del 8 de septiembre, los investigadores de OpenAI dijeron que primero centraron recursos en Navier-Stokes el 1 de septiembre después de escuchar rumores de progreso en los problemas del Premio del Milenio. Bubeck dijo que el modelo de OpenAI resolvió independientemente el problema de Euler utilizando métodos totalmente diferentes a los de Buckmaster y Alpoge. Sin embargo, para el problema completo de Navier-Stokes, admitió que la prueba siguió un método similar. Se desarrolló durante el fin de semana, después del momento en que Buckmaster afirma que la noticia de su trabajo llegó a OpenAI. Bubeck negó enfáticamente que el trabajo de los dos matemáticos influyera en los modelos de OpenAI. "No utilizamos sus indicios ni pruebas para impulsar nuestros modelos," dijo. La prueba tomó 88 horas de tiempo de computación y movilizó aproximadamente 10,000 agentes de IA trabajando en paralelo, intercambiando 2.7 millones de mensajes y consumiendo aproximadamente 130 mil millones de tokens de salida. Los costos de computación supuestamente ascendieron a millones de dólares. La compañía lanzó una prueba de 165 páginas y la formalizó en Lean, un lenguaje de programación que verifica la lógica matemática paso a paso. Bubeck la llamó la culminación de 12 meses de IA resolviendo problemas de creciente complejidad. OpenAI dice que no reclamará el premio de un millón de dólares. La comunidad matemática más amplia está observando de cerca. Terence Tao, uno de los pocos matemáticos calificados para evaluar estas afirmaciones, llamó al trabajo de Buckmaster y Alpoge "un logro notable" y dijo que no ve ningún obstáculo obvio para que los mismos métodos eventualmente resuelvan el problema completo de Navier-Stokes. Confirmó que sus argumentos han sido formalizados en Lean, lo que garantiza que la lógica es sólida. Pero Tao también ha advertido públicamente que la IA que resuelve problemas importantes podría ser netamente negativa para las matemáticas si las soluciones llegan como cajas negras selladas con las empresas manteniendo oculta la razón. En un hilo del 3 de septiembre en las redes sociales, argumentó que tal solución podría "envenenar el problema como fuente de progreso futuro" en lugar de generar nuevas ideas. El mismo día del anuncio de OpenAI, Anima Anandkumar del Instituto de Tecnología de California y sus colaboradores también publicaron una solución para el problema de cero viscosidad utilizando una red neuronal informada por la física en lugar de un modelo de lenguaje de propósito general. El campo se está moviendo rápido, y las líneas entre la contribución humana y la de la máquina se están difuminando de maneras que las normas académicas no estaban preparadas para manejar.
🌍 world
La IA acaba de resolver un problema matemático de 90 años. Aquí está por qué deberías preocuparte.
El 8 de septiembre de 2026, OpenAI anunció que 10,000 agentes de IA resolvieron el problema de Navier-Stokes en 88 horas, uno de los siete Problemas del Premio del Milenio de un millón de dólares. Las ecuaciones predicen todo, desde el clima hasta el diseño de aviones, y demostrar que pueden descomponerse indica a los ingenieros dónde podrían fallar sus simulaciones por computadora. Pero la celebración se convirtió en una pelea cuando un matemático de NYU acusó a OpenAI de apresurarse a vencerlo después de enterarse de que su equipo estaba cerca.
Fact checked - 15 claims 8 Sept 2026 · 15 with sources
Mi opinion
Este es el momento en que la investigación en IA se convierte en un deporte de contacto, y está sucediendo porque las apuestas se han vuelto reales. Ya no estamos hablando de que la IA escriba mejores correos electrónicos o genere imágenes. Estamos hablando de sistemas de IA que pueden resolver problemas con implicaciones directas para la ingeniería aeroespacial, el descubrimiento de fármacos, la criptografía y la ciencia de materiales: problemas que determinan si tu cifrado es seguro, si los nuevos medicamentos funcionan, si los jets son seguros, si los reactores de fusión son viables. OpenAI quiere reconocimiento por resolver un problema de 90 años que lleva un premio de un millón de dólares y marcaría el segundo Premio del Milenio que se resuelve. Pero el momento es sospechoso. Buckmaster y Alpoge estaban a días de publicar un trabajo que mostraba el camino, y de repente OpenAI corre con 10,000 agentes hacia la meta en un solo fin de semana. Incluso si cada línea de la negación de OpenAI es cierta, la percepción es radiactiva. La academia se basa en el crédito, y las disputas de crédito destruyen carreras. Buckmaster se hizo público porque no tenía otra palanca. El problema más profundo es que nadie sabe cómo arbitrar este nuevo juego. Cuando los matemáticos humanos resuelven problemas, podemos rastrear la influencia, ver quién se basó en las ideas de quién y otorgar crédito en consecuencia. Cuando 10,000 agentes de IA intercambian 2.7 millones de mensajes y producen una prueba de 165 páginas, ¿cómo sabes qué aprendieron del método de Buckmaster en comparación con descubrirlo de forma independiente? OpenAI dice que no usaron los indicios o pruebas de Buckmaster. Está bien. Pero el modelo fue entrenado con décadas de literatura matemática, incluido el trabajo de investigadores cuyos métodos Buckmaster amplió. Estamos en territorio inexplorado, y las estructuras de incentivos están completamente equivocadas. Las empresas tienen miles de millones en juego. Los matemáticos tienen carreras. Y no hay reglas. Lo que debería frustrarte es que este avance, que podría acelerar todo, desde la predicción del clima hasta el diseño de stents cardíacos, se está enterrando en una disputa de prioridades. Los verdaderos ganadores aquí deberían ser los ingenieros y científicos que ahora pueden usar mejores herramientas matemáticas. En cambio, estamos presenciando un juego de gallina académica entre un gigante tecnológico y dos matemáticos que cometieron el error de estar cerca de la meta cuando llegó la caballería de IA. Terence Tao lo expresó perfectamente cuando advirtió que la IA que resuelve problemas importantes podría envenenar el pozo. Si cada problema difícil se convierte en una carrera entre laboratorios con presupuestos de computación infinitos, los matemáticos pierden lo que hace que los problemas sean valiosos: la lucha que obliga a la existencia de nuevas técnicas. Las técnicas importan más que la respuesta. La prueba de OpenAI podría ser correcta. Podría incluso ser hermosa. Pero si llegó a través de un esfuerzo brutal en un sprint de fin de semana después de escuchar que alguien más estaba cerca, estamos optimizando por la cosa equivocada. Estamos obteniendo respuestas sin comprensión, soluciones sin visión. Y en ciencia, la comprensión es el objetivo principal.
Que pasa despues
El Instituto Clay de Matemáticas ahora tiene la desagradable tarea de decidir si la prueba de OpenAI cuenta. Las reglas requieren que una solución sea publicada en una revista revisada por pares y aceptada por la comunidad matemática durante dos años antes de que se otorgue el premio. OpenAI dice que no reclamará el dinero, lo que evita ese campo minado, pero no resuelve la cuestión del crédito. El trabajo de Buckmaster y Alpoge ya está siendo revisado por expertos, y si su método es realmente distinto del de OpenAI, pueden tener reclamos paralelos a la prioridad. Pero la verdadera acción es lo que sucederá a continuación. Los cinco Problemas del Premio del Milenio restantes son ahora objetivos activos. La Hipótesis de Riemann trata sobre la distribución de números primos y subyace a la criptografía moderna: si la IA la resuelve, cada algoritmo de cifrado necesita ser reevaluado. El problema P versus NP pregunta si los problemas que son fáciles de verificar también son fáciles de resolver: una respuesta positiva rompería la mayoría de la seguridad informática de la noche a la mañana, mientras que una respuesta negativa probaría límites fundamentales en la computación. Estos no son acertijos abstractos. Son pilares de carga de la economía digital. Expertos que rastrean las matemáticas de la IA le dijeron a Quanta Magazine a mediados de 2026 que el consenso cambió de cauteloso a sorprendido en el transcurso de unos pocos meses. Los mercados de predicción en Manifold y Polymarket que rastrean si la IA resolverá un Problema del Premio del Milenio saltaron a una probabilidad del 38% para el 5 de septiembre de 2026, antes del anuncio de OpenAI. Después de hoy, esas probabilidades se dispararán. La pregunta no es si la IA resolverá otro Problema del Premio del Milenio, sino cuál y cuán pronto. Los observadores de la industria esperan que la Hipótesis de Riemann y P versus NP sean los próximos grandes objetivos, con sistemas de IA de OpenAI, Google DeepMind y Anthropic todos posicionados para competir. Para aplicaciones prácticas, las técnicas desarrolladas aquí se cascada rápidamente. Los sistemas de IA que resuelven ecuaciones diferenciales complejas ya se están implementando para el plegamiento de proteínas, química de baterías, diseño de reactores de fusión y descubrimiento de fármacos. El anuncio de Ingeniería de Penn en mayo de 2026 sobre la IA que resuelve EDP inversas (trabajando hacia atrás desde efectos a causas) abre puertas en imágenes médicas, geofísica y ciencia de materiales. La revisión de 2025 de Texas A&M mostró que la IA que resuelve la ecuación de Schrödinger acelera la investigación en química cuántica en órdenes de magnitud. El avance de Navier-Stokes prueba que estos métodos escalan a los problemas más difíciles en matemáticas, lo que significa que el mismo enfoque puede abordar la dinámica de proteínas, modelado climático y física de plasmas. Las verdaderas repercusiones estarán en cómo responda la comunidad matemática. Si Tao tiene razón en que los problemas resueltos por IA pueden envenenar el pozo, las agencias de financiamiento y los comités de premios pueden comenzar a diferenciar entre avances generados por humanos y aquellos asistidos por máquinas. Podríamos ver nuevas categorías: problemas resueltos con asistencia de IA, problemas donde la IA encontró la respuesta pero los humanos la refinaron, y problemas donde los humanos hicieron el trabajo pesado. La Unión Matemática Internacional podría necesitar redactar nuevas reglas para la Medalla Fields y otros honores. Ya, los mejores matemáticos están dejando la academia para unirse a empresas de IA: un Medallista Fields se unió a OpenAI en julio de 2026, porque ahí es donde se está moviendo la frontera. Para OpenAI y Anthropic, esto es una guerra de marcas disfrazada de disputa académica. OpenAI acaba de demostrar que su modelo de frontera no lanzado (más capaz que GPT-6 Astra, que a su vez resolvió diez problemas difíciles en agosto de 2026) puede abordar matemáticas a nivel de Premio del Milenio. Pero si la narrativa se convierte en "OpenAI robó crédito del matemático de Anthropic", eso sería un desastre de relaciones públicas en una guerra de talentos donde cada investigador destacado está observando. Bubeck prometió "más que decir mañana" el 8 de septiembre. La comunidad matemática estará observando si su explicación se sostiene, y si OpenAI abre su proceso de prueba a un escrutinio independiente o lo mantiene encerrado en una caja negra propietaria. Esta pelea apenas comienza, pero la línea de meta para que la IA resuelva los restantes Problemas del Premio del Milenio ahora es visible.
Lo que nos dice la historia
Solo un Problema del Premio del Milenio ha sido resuelto antes: la Conjetura de Poincaré, probada por el matemático ruso Grigori Perelman en 2002-2003. Perelman rechazó el Premio Clay de un millón de dólares en 2010, diciendo que no estaba de acuerdo filosóficamente con el premio y que el matemático Richard Hamilton (cuyo trabajo utilizó) merecía un reconocimiento igual. Los Problemas del Premio del Milenio fueron anunciados en 2000, inspirados por la famosa lista de 23 problemas planteados por David Hilbert en 1900 que dieron forma a las matemáticas del siglo XX. Los siete problemas abarcan teoría de números, topología, informática y física. Antes de hoy, todo el progreso provino de matemáticos humanos, a menudo trabajando durante décadas. Las ecuaciones de Navier-Stokes datan del trabajo del siglo XIX de Claude-Louis Navier y George Gabriel Stokes, y la cuestión de la regularidad ha desconcertado a los matemáticos desde la década de 1930.