Los modelos de IA desafían un supuesto fundamental en la teoría de la complejidad computacional

El 27 de octubre de 2026, OpenAI publicó soluciones a tres importantes problemas matemáticos, incluida una sorprendente refutación de la Hipótesis del Tiempo Exponencial (ETH). Este supuesto, vigente desde hace mucho tiempo en las ciencias de la computación, define el límite inferior del tiempo necesario para resolver ciertos rompecabezas lógicos complejos. La publicación provocó una respuesta inmediata de la comunidad científica, con Anthropic lanzando su propia contra-prueba horas después.

Qué ocurrió

OpenAI estructuró su lanzamiento de manera diferente para cada disciplina afectada. Los matemáticos recibieron el trabajo mediante una entrega en GitHub, mientras que los físicos formaron un grupo de trabajo para decidir su estrategia de publicación. Para los científicos informáticos, OpenAI estableció un grupo de trabajo y acordó financiar una conferencia para discutir los hallazgos públicamente. Este enfoque marcó un cambio respecto a interacciones anteriores, que el profesor del MIT Ryan Williams había criticado como un "ataque DDOS contra los matemáticos" debido al volumen abrumador de datos no estructurados.

Williams, especialista en complejidad computacional, aceptó ayudar a interpretar los resultados junto con los investigadores de la UC San Diego Russell Impagliazzo y Ramamohan Paturi. Impagliazzo y Paturi publicaron originalmente la ETH en 1999. El grupo emitió una carta abierta invitando a recibir comentarios de la comunidad científica más amplia y solicitando un debate sobre las normas para las contribuciones de la IA a la investigación. El matemático de Anthropic, Levent Alpöge, sugirió inicialmente que OpenAI se basaba en trabajos preexistentes, pero Anthropic publicó posteriormente su propia refutación de la hipótesis.

Williams señaló que, aunque algunas partes de la prueba de OpenAI parecían rutinarias, otras secciones tenían un aspecto "alienígena". Estos componentes inusuales le convencieron de que toda la comunidad debía colaborar para comprender las implicaciones. El objetivo no es solo verificar el algoritmo, sino determinar cómo deben adaptarse las teorías fundamentales si la ETH resulta ser falsa.

Cómo funciona

La Hipótesis del Tiempo Exponencial está estrechamente ligada al problema P versus NP, una cuestión central en las ciencias de la computación. P se refiere a problemas que pueden resolverse rápidamente, mientras que NP se refiere a problemas cuyas soluciones pueden verificarse rápidamente. Una analogía común es el Sudoku: verificar una cuadrícula completada es rápido, pero encontrar la solución desde cero es computacionalmente costoso. La mayoría de los científicos asumen que P no es igual a NP, lo que significa que algunos problemas son inherentemente difíciles de resolver incluso si son fáciles de verificar.

La ETH respalda este supuesto al afirmar que, para una clase específica de rompecabezas lógicos, el tiempo requerido para encontrar una solución crece exponencialmente a medida que aumenta el número de variables. OpenAI y Anthropic afirman que sus modelos descubrieron algoritmos que resuelven estos rompecabezas en tiempo "subexponencial". Esto significa que el costo computacional crece mucho más lentamente de lo que se pensaba posible a medida que aumenta el tamaño del problema. Si es válido, esto refuta la ETH y sugiere que algunos problemas considerados intratables podrían ser más resolubles de lo anticipado.

Detalles clave

• OpenAI publicó soluciones a tres grandes problemas matemáticos el 27 de octubre de 2026, incluida una refutación de la Hipótesis del Tiempo Exponencial.
• Anthropic publicó su propia refutación de la ETH horas después del lanzamiento inicial de OpenAI, tras los comentarios del matemático Levent Alpöge.
• El profesor del MIT Ryan Williams, junto con Russell Impagliazzo y Ramamohan Paturi, lidera un grupo de trabajo para interpretar los hallazgos.
• La ETH, publicada en 1999, postula que ciertos rompecabezas lógicos requieren exponencialmente más tiempo para resolverse a medida que aumentan las variables.
• OpenAI acordó financiar una conferencia para que los científicos informáticos discutan las implicaciones, un cambio respecto a los lanzamientos no estructurados anteriores.
• OpenAI declaró que verificaron los impactos criptográficos y están seguros de que ningún sistema actual se ve comprometido por estos nuevos algoritmos.

Por qué importa

Para los ingenieros de software y los arquitectos de seguridad, la preocupación inmediata es la criptografía. Muchos sistemas de cifrado dependen del supuesto de que ciertos problemas matemáticos son demasiado difíciles de resolver en un plazo razonable. Si los algoritmos pueden resolver estos problemas en tiempo subexponencial, los tamaños de clave actualmente considerados seguros podrían volverse vulnerables. Sin embargo, Dan Roberts, líder científico de OpenAI, confirmó que el laboratorio comprobó posibles rupturas criptográficas inmediatas y no encontró ninguna. Esto sugiere que, aunque el panorama teórico está cambiando, la infraestructura de seguridad práctica permanece intacta por ahora.

Más allá de la seguridad, este desarrollo desafía las intuiciones que tienen los desarrolladores sobre la tractabilidad computacional. Si la IA puede encontrar rutinariamente soluciones subexponenciales a problemas NP-duros, la definición de lo que es "computable" en la práctica podría expandirse. Esto obliga a reevaluar el diseño de algoritmos y las estrategias de optimización. También plantea preguntas sobre el futuro del descubrimiento científico, ya que la IA comienza a superar la intuición humana en la identificación de nuevas rutas matemáticas.

Qué puedes hacer

• Supervisa la carta abierta y las actualizaciones del grupo de trabajo lideradas por Ryan Williams para seguir el proceso de verificación de la comunidad.
• Revisa tus dependencias criptográficas para asegurarte de que estás utilizando los tamaños de clave recomendados, aunque no se haya reportado ninguna ruptura inmediata.
• Participa en la próxima conferencia financiada por OpenAI para entender cómo pueden cambiar los supuestos fundamentales de la complejidad.
• Reevalúa los supuestos internos sobre la dureza de los problemas en tu arquitectura de sistema, especialmente para tareas de optimización.
• Sigue los repositorios públicos de GitHub donde OpenAI publicó las pruebas matemáticas para su revisión por pares.
• Prepárate para un cambio en la contratación y la formación, ya que las herramientas de IA podrían encargarse de la verificación matemática rutinaria, requiriendo que los ingenieros se centren en la formulación de problemas de nivel superior.