OpenAI afirma que un modelo suyo sin publicar ha resuelto el problema de Navier-Stokes, uno de los siete Problemas del Milenio del Instituto Clay. Lo hizo desplegando hasta 10.000 agentes en paralelo que llegaron al resultado en 88 horas, el sábado 5 de septiembre. Y hay un detalle que cambia por completo cómo hay que leer la noticia: la demostración viene formalizada en Lean.
Si el resultado se sostiene, es el acontecimiento más importante en matemáticas desde la demostración de la conjetura de Poincaré, y el primero conseguido por una máquina. Vamos a separar con cuidado tres cosas que en los titulares van pegadas: qué se ha afirmado, qué está verificado y qué significa realmente.
Qué es el problema de Navier-Stokes
Las ecuaciones de Navier-Stokes describen cómo se mueven los fluidos: el agua en una tubería, el aire alrededor de un ala, la sangre en una arteria. Se usan a diario en ingeniería, meteorología y aeronáutica, y funcionan.
El problema abierto no es si funcionan, sino algo más profundo: ¿sus soluciones se comportan siempre bien, o pueden desarrollar singularidades? Es decir, ¿puede la matemática predecir que en algún punto la velocidad se dispara a infinito, aunque el fluido real no haga nada parecido?
Suena abstracto y no lo es. Si las ecuaciones que usamos para diseñar aviones pueden romperse matemáticamente en condiciones concretas, hay un hueco entre el modelo y la realidad que nadie sabía cerrar. Noventa años de trabajo no habían bastado.
El Instituto Clay lo incluyó en 2000 entre los siete Problemas del Milenio, con un millón de dólares por cada solución correcta. Hasta ahora solo uno de los siete se había resuelto: la conjetura de Poincaré, demostrada por Grigori Perelman, que rechazó tanto el premio como la Medalla Fields.
Lo esencial en 30 segundos
OpenAI dice haberlo resuelto con 10.000 agentes trabajando en paralelo durante 88 horas, usando un modelo más capaz que GPT-6 Astra que aún no ha publicado. Ha publicado el artículo y una demostración en Lean. No está validado todavía por la comunidad matemática ni por el Instituto Clay.
Por qué la demostración en Lean lo cambia todo
Este es el punto que separa esta noticia de las decenas de anuncios grandilocuentes que llevamos leyendo dos años, y merece que se entienda bien.
Lean es un lenguaje de programación y asistente de demostración. Escribir una prueba en Lean significa expresarla de forma tan precisa que un ordenador puede verificarla mecánicamente, paso a paso, sin interpretación humana. Si el verificador acepta la prueba, no hay lagunas argumentales escondidas.
La diferencia con una demostración en prosa es enorme. Una prueba clásica de un problema de esta magnitud ocupa cientos de páginas y su revisión lleva años; el caso de Perelman tardó tres en confirmarse. Una prueba formalizada se comprueba en horas de cálculo.
Eso no significa que sea automáticamente correcta. Significa que el escrutinio se desplaza: ya no hay que auditar cada paso lógico, sino comprobar que los enunciados formalizados dicen realmente lo que se afirma que dicen. Traducir mal el problema al lenguaje formal y demostrar rigurosamente otra cosa es el fallo que hay que buscar.
Es una tarea considerablemente más rápida que revisar cientos de páginas de prosa. Por eso sabremos si esto se sostiene en semanas, no en años.
Diez mil agentes: cómo se organiza algo así
La otra mitad de la historia es el método, y es lo que más nos interesa desde el punto de vista técnico.
No fue un modelo pensando muy fuerte durante 88 horas. Fueron hasta diez mil agentes en paralelo, explorando ramas distintas del espacio de posibles demostraciones y descartando las que no llevaban a ningún sitio.
Es un cambio de paradigma respecto a cómo se ha usado la inteligencia artificial hasta ahora. En vez de pedirle a un sistema muy capaz una respuesta, se lanza una flota de sistemas capaces a explorar un problema y se deja que la búsqueda converja. La matemática se presta especialmente bien a esto porque un intento fallido se descarta con certeza: o la prueba cierra o no cierra.
El coste computacional de una operación así es difícil de imaginar y OpenAI no lo ha detallado. Si tomamos de referencia lo que cuesta la inferencia de un modelo frontera, 88 horas de diez mil agentes es una factura de las que no se pagan por curiosidad. Es una demostración de fuerza tanto matemática como industrial.
Este enfoque de fuerza bruta dirigida tiene implicaciones para cualquiera que trabaje con agentes, aunque sea a escala doméstica: la capacidad del modelo individual deja de ser el único límite. Lo tratamos desde el lado práctico en nuestra guía para ejecutar agentes con seguridad.
El modelo que nadie ha visto
Un detalle incómodo del anuncio: el sistema que consiguió esto no está disponible. OpenAI lo describe como una generación siguiente, significativamente más capaz que GPT-6 Astra, que se presentó hace apenas seis días.
Eso plantea preguntas legítimas. Anunciar un logro extraordinario con un modelo que nadie puede probar coloca a la comunidad en una posición asimétrica: se puede verificar el resultado, pero no reproducir el método.
La contrapartida es que la prueba en Lean sí es pública y verificable, y eso es lo que de verdad importa en matemáticas. Da igual quién o qué la produjo si la demostración es correcta: un teorema no se valida por la reputación de quien lo firma.
Aun así, conviene registrar el patrón. Llevamos meses de anuncios con modelos no publicados y cifras que no se pueden contrastar. Lo comentamos al analizar el lanzamiento de GPT-6 Astra, donde también hubo una afirmación grande —la palabra AGI— hecha por un directivo y no por un resultado medido.
Qué falta para que esto sea oficial
Para cobrar el millón de dólares del Instituto Clay hay un procedimiento, y no es rápido ni automático. Las reglas exigen que la solución se publique en una revista de prestigio con revisión por pares y que sobreviva dos años de escrutinio general antes de que el instituto siquiera nombre un comité.
Es decir: aunque la demostración sea correcta, el reconocimiento formal no llegaría hasta 2028 como pronto. Lo que sí puede pasar en semanas es que la comunidad matemática se pronuncie sobre si la formalización es fiel al enunciado, que es la parte que decide de verdad.
Hay además una pregunta abierta y jugosa que nadie ha respondido: si el premio se concede, ¿a quién? Las reglas del instituto están escritas para personas. Un resultado producido por una flota de agentes bajo la dirección de una empresa no encaja limpiamente en ninguna categoría prevista.
Cómo leer esta noticia sin pasarse ni quedarse corto
Hay dos errores simétricos circulando estos días y conviene esquivar los dos.
El error entusiasta es dar por hecho que las matemáticas han terminado. Un problema resuelto no es la disciplina resuelta: quedan cinco Problemas del Milenio abiertos y una cantidad infinita de preguntas que nadie ha formulado. Y este resultado, si se confirma, resuelve una cuestión concreta sobre unas ecuaciones concretas.
El error escéptico es despacharlo como marketing. La existencia de una prueba formalizada en Lean lo separa de cualquier anuncio anterior. No es una nota de prensa: es un objeto verificable que la comunidad puede examinar. Eso merece atención seria aunque acabe siendo incorrecto.
La postura razonable, y la nuestra: tratar el resultado como probable y no como confirmado, esperar el veredicto de los especialistas en las próximas semanas, y mientras tanto prestar atención al método, que es lo que va a tener consecuencias inmediatas más allá de las matemáticas.
Qué cambia para el resto de las ciencias
Aquí está, para nosotros, la consecuencia práctica más grande. Si un enjambre de agentes puede explorar el espacio de demostraciones de un problema abierto durante días y encontrar una salida, ese mismo método se puede apuntar a otras cosas.
Los candidatos naturales son los problemas que comparten dos propiedades: un espacio de búsqueda enorme y un criterio automático para saber si una solución es válida. Diseño de proteínas, búsqueda de materiales, optimización de algoritmos, verificación de software. En todos ellos se puede comprobar mecánicamente si un candidato funciona.
Lo que no se traslada es igual de importante. En cuanto la validación requiere un experimento físico —un fármaco, un material fabricado— el cuello de botella deja de ser el cálculo y pasa a ser el laboratorio. Diez mil agentes no aceleran un ensayo clínico.
Por eso esperamos ver progresos rápidos en las disciplinas formales y bastante más lentos en las experimentales, aunque los titulares las mezclen. La velocidad de la ciencia va a volverse muy desigual entre campos.
El contexto: una semana desbordada
Conviene situarlo en el calendario porque explica parte del ruido. En nueve días hemos tenido el lanzamiento de Claude Fable 5.1, el de GPT-6 Astra con la palabra AGI encima, una propuesta legislativa sobre agentes descontrolados y ahora esto.
Esa acumulación tiene un efecto perverso: cada anuncio necesita ser más grande que el anterior para conseguir atención, y eso empuja a las empresas a comunicar resultados cada vez más preliminares. La disciplina de esperar a la validación se erosiona.
Y hay una tensión de fondo que este resultado agudiza. En julio, 1.100 investigadores firmaron una carta pidiendo frenar el desarrollo frontera. Un sistema no publicado, más capaz que el último modelo comercial y capaz de resolver problemas abiertos, es exactamente el escenario que aquella carta describía.
Qué hacer si esto te interesa de verdad
Para quien quiera seguir el desenlace en lugar de leer resúmenes, tres consejos concretos.
Sigue a los matemáticos, no a los medios generalistas. El veredicto va a salir de los especialistas en ecuaciones en derivadas parciales y de la comunidad de formalización. Sus valoraciones serán mucho más informativas que cualquier titular.
Mira si el artículo entra en una revista. El paso de una publicación propia a una revista con revisión por pares es la primera señal fuerte de que el resultado aguanta.
Vigila el silencio. Si en dos semanas la comunidad matemática no ha encontrado un fallo evidente, el resultado probablemente es bueno. Los errores en pruebas formalizadas aparecen rápido cuando mucha gente mira.
El puesto de trabajo para seguir estas cosas
Si te dedicas a esto o simplemente quieres leer papers largos sin acabar con dolor de cuello, lo que de verdad ayuda:
- Un monitor pensado para texto. Un panel con proporción alta cunde muchísimo con documentos y código, más que uno panorámico. el BenQ RD280U
- O una pantalla grande si prefieres tener paper, editor y notas a la vez. Ver precio actual en Amazon
- Un equipo silencioso para dejarlo trabajando con verificaciones largas. Ver precio actual en Amazon
- Memoria de sobra, que es lo que se agota al verificar pruebas formales grandes. Ver precio actual en Amazon
- Almacenamiento rápido para bibliotecas de formalización, que ocupan más de lo que parece. Ver precio actual en Amazon
- Ratón ergonómico para las sesiones largas de lectura. Ver precio actual en Amazon
- Silla que aguante una tarde entera con un artículo denso. Ver precio actual en Amazon
Perelman, el precedente que conviene recordar
Para calibrar la magnitud, merece la pena mirar cómo fue la única vez anterior que se resolvió uno de estos problemas.
Grigori Perelman publicó su demostración de la conjetura de Poincaré en 2002 y 2003, no en una revista sino en un repositorio abierto, en tres artículos breves y densos. La comunidad tardó tres años en verificarla, y hicieron falta varios equipos escribiendo cientos de páginas de desarrollo para completar los pasos que él había dejado condensados.
Después rechazó la Medalla Fields en 2006 y el millón de dólares del Instituto Clay en 2010, se retiró de las matemáticas y desapareció de la vida pública. Sigue siendo el único caso.
El contraste con lo de esta semana es casi caricaturesco: de un matemático solitario que trabajó siete años en silencio y rechazó el dinero, a una flota de diez mil agentes de una empresa valorada en cientos de miles de millones que anuncia el resultado con nota de prensa a los cuatro días.
Y sin embargo, la pregunta que decide sigue siendo exactamente la misma en los dos casos: ¿la demostración cierra? Esa indiferencia de las matemáticas hacia quién firma es lo que las hace verificables, y es también la razón por la que este resultado se puede evaluar sin necesidad de creerle a nadie.
Qué opina la comunidad matemática, de momento
En los primeros días, la reacción de los especialistas ha sido la que cabía esperar de gente entrenada para desconfiar: interés genuino y cautela explícita.
Las dos objeciones que se repiten son razonables y conviene conocerlas. La primera es la de la fidelidad del enunciado: formalizar correctamente el problema es tan difícil como demostrarlo, y un enunciado ligeramente distinto convierte un teorema histórico en un ejercicio. La segunda es la legibilidad: una prueba que una máquina verifica pero que ningún humano entiende aporta certeza y no aporta comprensión.
Ese segundo punto es más profundo de lo que parece. En matemáticas, el valor de una demostración no es solo saber que algo es cierto: es entender por qué. Las buenas pruebas abren técnicas que sirven para otros problemas. Si esta es correcta pero opaca, habremos ganado un resultado y no habremos ganado herramientas.
Habrá quien diga que eso es un problema de los humanos y no del método. Es una postura defendible. Pero durante trescientos años, el motor del progreso matemático han sido las ideas que sobraban de las demostraciones, no las demostraciones en sí.
Lo que este resultado no dice
Tres aclaraciones para cortar de raíz las interpretaciones que ya están circulando.
No dice que los matemáticos sobren. Alguien tuvo que decidir qué problema atacar, cómo formalizarlo y cómo evaluar el resultado. El trabajo humano se desplaza hacia el planteamiento y la verificación, que es donde ha estado el valor siempre.
No dice que los aviones vayan a volar mejor. Las ecuaciones ya funcionaban en ingeniería; el problema abierto era matemático, no práctico. Ninguna simulación de fluidos cambia mañana por esto.
No dice que la inteligencia artificial haya alcanzado el razonamiento humano. Un espacio de búsqueda enorme con un criterio de validación automático es el escenario ideal para la fuerza bruta dirigida. La mayoría de los problemas interesantes del mundo no tienen ese criterio, y ahí este método no aporta nada.
Los cinco que seguirían abiertos
Para quien tenga curiosidad, los otros Problemas del Milenio que continuarían sin resolver son la hipótesis de Riemann sobre la distribución de los números primos, la conjetura de Birch y Swinnerton-Dyer, la conjetura de Hodge, la existencia de la brecha de masa de Yang-Mills y el célebre P frente a NP, que pregunta si todo problema cuya solución se verifica rápido puede además resolverse rápido.
Ese último tiene una ironía que encaja demasiado bien con esta noticia: es precisamente la pregunta sobre si buscar y verificar son tareas de dificultad comparable. El método que OpenAI describe —lanzar una búsqueda masiva sobre un espacio donde verificar es barato— vive justo en esa frontera.
Preguntas frecuentes
¿Qué es el problema de Navier-Stokes?
Es una de las siete cuestiones designadas como Problemas del Milenio por el Instituto Clay en 2000. Pregunta si las soluciones de las ecuaciones que describen el movimiento de los fluidos se comportan siempre bien o pueden desarrollar singularidades.
¿Está confirmado que la IA lo ha resuelto?
No. OpenAI ha publicado el resultado y una demostración formalizada, pero todavía no ha sido validada por la comunidad matemática ni por el Instituto Clay. Lo correcto hoy es tratarlo como probable, no como confirmado.
¿Cuánto tardó y cómo lo hizo?
Ochenta y ocho horas, desplegando hasta diez mil agentes en paralelo que exploraban ramas distintas del espacio de posibles demostraciones. El resultado llegó el sábado 5 de septiembre de 2026.
¿Qué es Lean y por qué importa aquí?
Es un lenguaje y asistente de demostración que permite escribir pruebas de forma que un ordenador las verifique mecánicamente. Que la demostración esté formalizada acorta la revisión de años a semanas y elimina las lagunas argumentales.
¿Va a cobrar OpenAI el millón de dólares?
No a corto plazo. Las reglas exigen publicación en una revista con revisión por pares y dos años de aceptación general antes de que el instituto nombre un comité. Además, queda abierto a quién correspondería un premio pensado para personas.
¿Cuántos Problemas del Milenio quedan?
Antes de este anuncio, seis. Solo se había resuelto la conjetura de Poincaré, demostrada por Grigori Perelman, que rechazó tanto el premio como la Medalla Fields.
¿Qué modelo lo consiguió?
Uno que OpenAI no ha publicado, descrito como una generación posterior y significativamente más capaz que GPT-6 Astra, presentado apenas seis días antes.
Veredicto Arkaia
Si el resultado se confirma, es el hito más importante en la historia de la inteligencia artificial aplicada a la ciencia, y el primer problema abierto de primer nivel resuelto por máquinas. La demostración en Lean lo hace tomárselo en serio: no es una nota de prensa, es un objeto verificable.
Nuestro consejo Arkaia
Trátalo como probable y no como confirmado hasta que hablen los especialistas, cosa que ocurrirá en semanas y no en años precisamente por estar formalizado. Y presta más atención al método que al titular: diez mil agentes explorando en paralelo un espacio de soluciones verificables es una receta que se va a aplicar a muchas otras cosas, y ahí está la consecuencia que te va a afectar antes.
Lecturas relacionadas
- GPT-6 Astra: OpenAI y la palabra AGI
- Claude Fable 5.1 y Mythos 5.1
- Stop Rogue AI Act: los agentes que nadie inventaría
- La carta abierta de 1.100 investigadores
- Ejecutar agentes de IA sin que rompan nada
- Guía del reglamento europeo de inteligencia artificial
- Mejores modelos de IA open source
Este artículo contiene enlaces afiliados a Amazon con el tag arkaiacorp-21. Si compras a través de estos enlaces, Arkaia puede recibir una comisión sin coste adicional para ti. Nuestra valoración editorial es independiente y no varía según los ingresos por afiliación.
Comentarios
Inicia sesion para dejar un comentario
Acceder
