El teorema de OpenAI cumple una semana sin que nadie lo valide

Hace una semana, OpenAI anunció que su sistema había resuelto el problema de Navier-Stokes, uno de los siete Problemas del Milenio. Siete días después conviene hacer inventario, porque la distancia entre lo que dicen los titulares y lo que ha pasado de verdad sigue siendo considerable, y porque la parte más interesante de la historia ya no son las ecuaciones.

Lo que está verificado y lo que no

Precisión, porque aquí cada palabra importa. La prueba de OpenAI está formalizada en Lean, un sistema que verifica mecánicamente que cada paso lógico se sigue del anterior. Eso descarta el error de cálculo, que no es poco. Lo que Lean no puede verificar es que el enunciado formalizado sea exactamente el problema del milenio: esa comprobación es humana, requiere expertos leyendo con calma, y no ha terminado. Por eso el Clay no se pronuncia y por eso "propuesta de solución verificada mecánicamente" y "problema del milenio resuelto" no son la misma frase, por mucho que algún titular las haya fundido.

Mientras tanto, la disputa de méritos sigue abierta. Tristan Buckmaster (NYU) mantiene que OpenAI se lanzó a la variante con fuerza externa tras enterarse de su trabajo de un año con Levent Alpöge, de Anthropic; OpenAI y Sébastien Bubeck niegan haber visto material no publicado. Una investigadora de métodos formales, Talia Ringer, ha apuntado la hipótesis más incómoda y más difícil de descartar: no hace falta leer borradores ajenos si tu modelo se entrena con las conversaciones de millones de usuarios que no marcaron la casilla de exclusión. OpenAI niega el acceso a datos concretos de usuarios, pero admite que no puede descartar que datos derivados y anonimizados hayan mejorado sus modelos. Y el mantenedor de Mathlib Joseph Myers ha puesto sobre la mesa la pregunta estructural: una empresa que vende las herramientas con las que trabajan los investigadores y a la vez compite contra ellos tiene un conflicto de interés, pase lo que pase en cada caso concreto.

El momento Deep Blue

La reacción más citada es la de Terence Tao, probablemente el matemático vivo más respetado, que llevaba años trabajando en la regularidad de Navier-Stokes. Sobre el trabajo humano de Buckmaster y Alpöge (que resolvieron el problema análogo de Euler con fuerza): "un logro extraordinario". Sobre el contexto: "este año se ha producido un desacople extraño y sin precedentes entre obtener respuestas y obtener comprensión". Y sobre lo que viene, en su cuenta de Mastodon: hemos visto que el mero rumor de un avance puede desencadenar un esfuerzo masivo de IA para aplanar el problema antes de que la investigación original madure, y eso empuja a los investigadores a no compartir sus direcciones de trabajo.

El propio Buckmaster ha elegido una comparación reveladora: un momento Deep Blue contra Kasparov. Cuenta que la primera prueba generada por máquina que le enseñó su colaborador era "la peor que había leído en su vida", y que siete días después verificaba en Lean. Su conclusión no es que las máquinas no sepan matemáticas: es que la comunidad necesita una conversación pausada sobre créditos, revisión y entrenamiento, exactamente la conversación que el calendario de anuncios de OpenAI no deja respirar.

La lectura sin humo

Es probable que la prueba sea correcta; la formalización en Lean hace que el fraude o el error grosero sean muy improbables, y nadie serio está apostando a que se caiga. Pero que la prueba aguante no resuelve la parte importante. Queda la variante (el problema con fuerza externa es una de las cuatro formulaciones oficiales, la que muchos especialistas consideran menos natural), queda el veredicto del Clay, que puede tardar años, y queda un precedente que la comunidad matemática acaba de descubrir a las malas: en 2026, contarle a un colega en qué trabajas puede ser el disparador de que una empresa con 10.000 agentes y varios millones de dólares llegue antes que tú a tu propio resultado. Las ecuaciones de los fluidos han esperado 200 años; lo que no puede esperar es la respuesta a esa segunda pregunta.

Fuentes: Clay/implicator.ai · Live Science · Stanford Tech Review · 8-11 septiembre 2026