OpenAI publica demostraciones para 372 importantes problemas matemáticos, incluida la Conjetura de Juegos Únicos

El 6 de octubre de 2026, OpenAI lanzó una gran cantidad de 372 artículos que afirman resolver algunos de los problemas abiertos más difíciles en matemáticas y ciencias de la computación teórica. El lanzamiento, guiado por un grupo asesor que incluye a Timothy Gowers y Edward Witten, marca un posible punto de inflexión en cómo se realiza el descubrimiento científico. Entre los problemas resueltos está la Conjetura de Juegos Únicos, una cuestión central en la teoría de la complejidad que ha resistido la demostración durante décadas.

Qué ocurrió

El anuncio sorprendió a la comunidad académica, especialmente porque las soluciones fueron generadas por un modelo interno de OpenAI en lugar de un sistema personalizado multiagente. El modelo intentó aproximadamente 8.000 problemas y logró resolver alrededor del 5 por ciento de ellos, con cada intento exitoso requiriendo unas tres horas de cómputo de nivel GPT-Pro. Los resultados incluyen no solo la Conjetura de Juegos Únicos, sino también avances en desrandomización, complejidad cuántica y eficiencia algorítmica.

La reacción entre los matemáticos ha sido mixta, abarcando desde la emoción hasta la desorientación. Dana Moshkovitz, teórica de la complejidad que ha trabajado en la Conjetura de Juegos Únicos durante toda su carrera, describió la prueba generada por IA como difícil de interpretar. Señaló que el texto parece desconectado, con citas irrelevantes y construcciones extrañas que no se alinean con la intuición humana tradicional. A pesar de la confusión, la presencia de certificados Lean para muchas de las pruebas proporciona una capa de verificación formal, incluso si la comprensión humana va por detrás.

Este evento destaca dos modelos emergentes para difundir los avances científicos impulsados por IA. OpenAI optó por publicar todos los artículos públicamente a la vez, creando una carrera para que los humanos digieran y verifiquen los resultados. En contraste, Anthropic colaboró recientemente con los investigadores Virginia Williams y Josh Alman para refinar y anunciar sus soluciones asistidas por IA a los problemas 3SUM y All-Pairs Shortest Paths de forma privada antes de su publicación pública. El enfoque de OpenAI prioriza la transparencia y la velocidad, mientras que el modelo de Anthropic enfatiza la comunicación curada y la compensación para los colaboradores humanos.

Cómo funciona

La tecnología subyacente no es un clúster especializado de supercomputadoras, sino la última iteración interna del modelo de lenguaje de OpenAI. Opera generando pruebas mediante razonamiento probabilístico, aprovechando vastas cantidades de datos de entrenamiento sobre literatura matemática. El modelo no simplemente recupera respuestas existentes, sino que construye argumentos novedosos, como un nuevo tipo de código corrector de errores para la Conjetura de Juegos Únicos que difiere de los códigos largos o cortos conocidos.

La verificación depende fuertemente de métodos formales. Muchos de los 372 resultados incluyen certificados Lean, que son pruebas verificables por máquina que aseguran la consistencia lógica. Esto permite a la comunidad matemática confiar en la corrección de los resultados incluso antes de comprender completamente el flujo narrativo de los argumentos. El proceso cambia el papel de los matemáticos humanos de principales descubridores a intérpretes y validadores de ideas generadas por IA.

Detalles clave

• OpenAI publicó 372 artículos resolviendo importantes problemas abiertos, incluida la Conjetura de Juegos Únicos y L=BPL.
• Las soluciones fueron generadas por un modelo interno utilizando aproximadamente tres horas de cómputo GPT-Pro por problema.
• Aproximadamente el 5 por ciento de los 8.000 problemas intentados fueron resueltos con éxito.
• Muchas pruebas incluyen certificados Lean para verificación formal, aunque las explicaciones legibles por humanos siguen siendo escasas.
• La prueba de la Conjetura de Juegos Únicos implica una nueva construcción de código recursivo que los expertos describen como ajena e intuitiva.
• Los problemas de criptografía estuvieron notablemente ausentes del lanzamiento, aunque según informes están en curso investigaciones sobre vulnerabilidades criptográficas.

Por qué importa

Para los ingenieros de software e investigadores, este desarrollo señala un cambio en la naturaleza del trabajo técnico. La capacidad de la IA para resolver problemas que han desconcertado a los humanos durante décadas sugiere que futuros avances pueden provenir de la interpretación de la salida de la máquina en lugar de derivar resultados desde primeros principios. Esto cambia el conjunto de habilidades requeridas para la investigación de alto nivel, enfatizando la verificación, la integración y la explicación sobre la derivación bruta.

El lanzamiento también plantea preguntas sobre la sostenibilidad de los sistemas tradicionales de crédito académico. Si la IA puede generar pruebas más rápido de lo que los humanos pueden leerlas, el valor de la autoría individual disminuye. La comunidad debe ahora decidir cómo atribuir el crédito y mantener la motivación cuando la "aventura heroica" del descubrimiento es parcialmente automatizada. Como señaló Scott Aaronson, el desafío es nutrir una comunidad que aún se preocupe por encontrar caminos hacia estas cumbres, incluso cuando existe una máquina de teletransportación.

Qué puedes hacer

• Revisa los certificados Lean para cualquier prueba relevante para tu campo para verificar la corrección de manera independiente.
• Enfócate en desarrollar habilidades en herramientas de verificación formal como Lean para cerrar la brecha entre la salida de la IA y la comprensión humana.
• Colabora con pares para digerir y explicar pruebas complejas generadas por IA, compartiendo la carga de trabajo de la interpretación.
• Mantente actualizado sobre las pautas éticas y de atribución que surgen de instituciones como el Simons Institute respecto a la investigación asistida por IA.
• Explora las implicaciones de problemas resueltos como L=BPL para tu propio trabajo en algoritmos y complejidad.
• Participa en discusiones sobre el futuro del crédito matemático y los modelos de publicación en un panorama dominado por la IA.