El 9 de septiembre de 2026, OpenAI anunció que un sistema interno de 10.000 agentes de inteligencia artificial produjo, en 88 horas, una prueba para el problema de existencia y suavidad de Navier-Stokes, uno de los siete Problemas del Milenio del Clay Mathematics Institute. OpenAI dijo que 10.000 de sus agentes resolvieron el problema Navier-Stokes de 90 años en 88 horas, pero el resultado no es tan redondo como suena: la prueba ataca una versión del problema que técnicamente no califica para el millón de dólares del premio, y un matemático de la Universidad de Nueva York (NYU) acusa a la empresa de construir sobre investigación privada suya sin el crédito correspondiente.
Qué es Navier-Stokes y por qué llevaba casi 90 años sin resolverse
Las ecuaciones de Navier-Stokes describen cómo se mueven los fluidos, desde el agua en una cañería hasta el aire sobre el ala de un avión, y están en el centro de la dinámica de fluidos y de fenómenos como la turbulencia, algo que la ciencia todavía no logra entender del todo. El problema del millón de dólares no pide resolver las ecuaciones, sino algo más abstracto: saber si las soluciones suaves de esas ecuaciones se mantienen suaves para siempre, o si pueden “explotar” y volverse infinitas. El matemático francés Jean Leray demostró en 1934 que existen soluciones generalizadas, pero nunca se pudo establecer si esas soluciones suaves debían mantenerse así. Ese vacío, sin resolver por generaciones de matemáticos, es lo que estaba en juego.
Cómo funcionó el enjambre de 10.000 agentes (y qué significa formalizar en Lean)
Según el propio relato de OpenAI, todo partió el 1 de septiembre, después de que investigadores de la empresa escucharan rumores de que dos Problemas del Milenio ya habían sido resueltos por otro laboratorio. La compañía lanzó entonces un modelo interno, más capaz que su GPT-6 Astra público, sobre los problemas restantes. Distintos grupos de agentes exploraron enfoques diversos, y luego se usó Codex para “polinizar” entre grupos las ideas más útiles de cada uno. Antes de llegar a Navier-Stokes, cerca de 100 agentes pasaron 50 horas resolviendo una versión más simple, la de las ecuaciones de Euler sin forzamiento, y ese resultado sirvió de puente. El grupo que finalmente llegó a la solución de Navier-Stokes llegó a operar con unos 10.000 agentes concurrentes, que intercambiaron 2,7 millones de mensajes y generaron cerca de 130.000 millones de tokens de salida.
La resolución llegó el sábado 5 de septiembre, 88 horas después de lanzar los primeros agentes, y luego el modelo GPT-6 Astra dedicó 17 horas adicionales a formalizar y verificar la prueba en Lean, un lenguaje de programación que traduce el razonamiento matemático informal en código que una computadora puede revisar paso a paso, sin margen de ambigüedad. Que algo esté “formalizado en Lean” no significa que sea correcto por arte de magia: significa que la lógica interna del argumento fue chequeada mecánicamente, aunque las hipótesis, definiciones y el alcance real de lo demostrado siguen requiriendo revisión humana. Y ahí aparece el primer matiz incómodo del anuncio: el resultado formalizado corresponde a la versión forzada de Navier-Stokes, mientras que el criterio oficial del Clay Institute para el premio es la versión sin forzamiento. OpenAI no reclamó el millón de dólares.
La pelea por el crédito: Buckmaster, Alpöge y la advertencia de Tao
El mismo día del anuncio, el matemático de NYU Tristan Buckmaster publicó un comunicado alegando que su trabajo con el investigador Levent Alpöge (de Anthropic) sobre las ecuaciones de Euler forzadas, desarrollado durante casi un año y con un avance logrado el 15 de agosto, fue lo que en realidad disparó el sprint de OpenAI. Buckmaster sostiene que la empresa se enteró de su investigación privada por rumores, aceleró su propio esfuerzo, y le ofreció coautoría solo si excluía a Alpöge por trabajar en un laboratorio rival. También citó una frase del investigador de OpenAI Sébastien Bubeck cuando planteó hacer pública la disputa: “¿Por qué arruinarías tu carrera?”.
Bubeck respondió públicamente negando buena parte del relato y pidiendo disculpas por una frase puntual, y el propio Sam Altman salió a respaldarlo. OpenAI reconoce que no puede descartar que datos desidentificados del uso que ambos investigadores hicieron de sus productos hayan ayudado a mejorar sus modelos, aunque insiste en que nadie en la empresa vio el trabajo de Buckmaster y Alpöge antes de que se publicara. El Fields Medalist Terence Tao, que no tomó partido en la disputa de crédito, sí expresó públicamente su preocupación por el uso indiscriminado de resolución automatizada de problemas y la pérdida de comprensión matemática que eso puede implicar. Sobre el resultado técnico en sí, Tao fue más generoso: lo calificó como un resultado genuino y significativo, aunque advirtió que sus condiciones de frontera e hipótesis necesitan un examen independiente cuidadoso antes de cualquier conversación sobre premios.
Para qué sirve esto en el mundo real (y para qué no, todavía)
Las ecuaciones de Navier-Stokes ya se usan hace décadas, en versión aproximada, para diseñar alas de avión, predecir el clima, modelar cómo fluye la sangre por las arterias y simular la aerodinámica de autos y turbinas. La pregunta obvia es si este resultado cambia algo de eso mañana. La respuesta corta es no: como explicó el medio especializado officechai.com, los simuladores de vuelo, los modelos climáticos y el software de dinámica de fluidos computacional ya trabajan con aproximaciones y métodos numéricos que no necesitaban que se resolviera primero esta pregunta abierta de 90 años. Nadie diseña un avión hoy de forma menos segura que la semana pasada. Lo que sí aporta un resultado como este es entender con más precisión bajo qué condiciones extremas y patológicas un modelo matemático deja de funcionar, algo que a largo plazo puede afinar la próxima generación de simulaciones de turbulencia, clima y plasma en fusión nuclear.
¿La IA ya le gana a los matemáticos humanos?
Todavía no, y el propio caso lo demuestra. De los siete Problemas del Milenio, solo la conjetura de Poincaré había sido resuelta antes, por un matemático que además rechazó el premio. La prueba de OpenAI recién se publicó, no ha sido revisada por pares y ese proceso suele tomar meses, no las 88 horas que tardó en producirse. A eso se suma que, días antes, Anthropic había anunciado que su modelo Claude formalizó por primera vez una prueba completa y verificable por computadora del Último Teorema de Fermat, y que en 2025 modelos de Google y OpenAI ya habían ganado medalla de oro en la Olimpiada Internacional de Matemáticas. La carrera por el “AI for Science” entre OpenAI, Anthropic y Google DeepMind está en plena aceleración, y este episodio muestra tanto su potencial como su costado más incómodo: cuando la velocidad de una empresa con recursos casi ilimitados choca contra el ritmo, mucho más lento y colaborativo, en que tradicionalmente se construye el crédito académico.
Qué mirar de aquí en adelante
Vale la pena seguir el proceso de revisión por pares de la prueba de OpenAI, que recién empieza y donde la comunidad matemática (empezando por el propio Tao) tendrá la última palabra sobre si el resultado realmente cierra el caso forzado del problema. También conviene observar si el Clay Mathematics Institute se pronuncia formalmente sobre el estatus del premio, y si OpenAI, Anthropic o Buckmaster publican una versión ampliada de los hechos que resuelva las contradicciones sobre el momento exacto en que cada equipo tuvo acceso al trabajo del otro. Para quienes siguen de cerca cómo la IA está entrando a la ciencia y la investigación en general, en IA 2030 conviene revisar cómo estas mismas herramientas ya se están aplicando fuera de las matemáticas puras, en biología, clima e ingeniería.
