Cuando una IA 'resuelve' Navier–Stokes: lecciones para la investigación y la ética

Qué pasó, en pocas palabras

OpenAI comunicó que un equipo, asistido por agentes internos basados en sus modelos, llegó a una resolución del problema de existencia y suavidad de Navier–Stokes, uno de los siete problemas del Milenio con un premio de un millón de dólares. El anuncio generó polémica porque dos matemáticos externos —Tristan Buckmaster (NYU) y Levent Alpöge (entonces en Anthropic)— afirmaron que venían trabajando en problemas relacionados durante casi un año usando grandes modelos de lenguaje y que tuvieron un avance el 15 de agosto.

La situación escaló cuando Buckmaster expresó sospechas de que OpenAI pudo haber llegado al resultado después de recibir información sobre el trabajo de ellos. OpenAI respondió explicando que su esfuerzo comenzó tras rumores el 1 de septiembre y que sus agentes alcanzaron la supuesta solución al Navier–Stokes el 5 de septiembre, tras aproximadamente 88 horas de trabajo; la verificación formal Lean tomó 17 horas adicionales usando GPT‑6 Astra.

Cronología y recursos computacionales involucrados

• Tristan y Levent trabajaron con modelos como Claude y Codex, principalmente GPT‑5.6 Sol, durante casi un año, y registraron sus borradores en sesiones de Codex.
• Tuvieron un avance el 15 de agosto y difundieron rápidamente resultados propios.
• OpenAI, al enterarse de rumores sobre resoluciones de problemas del Milenio, lanzó el 1 de septiembre una operación para evaluar su modelo en esos problemas.
• Según OpenAI, los agentes generaron 4.9 millones de mensajes y usaron cerca de 300.000 millones de tokens de salida en todos los problemas intentados; sólo para Navier–Stokes se reportaron 2.7 millones de mensajes y aproximadamente 130.000 millones de tokens de salida.

OpenAI agregó que, si se calculara al precio público de GPT‑6 Astra, esos 300.000 millones de tokens de salida equivaldrían a alrededor de 15 millones de dólares —una cifra orientativa, no necesariamente el costo real de su despliegue interno.

El nudo de la controversia: datos, acceso y prioridad

Buckmaster y Alpöge plantearon dos preocupaciones principales: primero, que habían usado productos y sesiones en los que introdujeron todos sus borradores y, segundo, que OpenAI pudo haber conocido de su avance a través de canales informales o por acceso a datos derivados. Preguntas puntuales incluyeron si OpenAI vio cuándo fue enviado el primer prompt que inició la línea de trabajo y si el modelo había sido entrenado con o influenciado por sus sesiones en Codex.

OpenAI ha afirmado que no accedió a trabajos específicos de ellos antes de su publicación y que no consultó datos de usuario concretos para resolver el problema. Al mismo tiempo, reconoció que no puede asegurar completamente que datos desidentificados derivados del uso de sus productos no contribuyeran indirectamente a mejorar sus modelos.

Hubo también un componente contractual y de reputación: OpenAI propuso opciones como esperar a que uno de los investigadores publicara o permitir que uno de ellos firmara un paper asociado, pero manifestó que no invitaría a Alpöge como coautor por la relación competitiva con su empleador, Anthropic.

Reflexión: ¿qué nos dice este caso sobre la investigación asistida por LLMs?

Hay varias lecciones relevantes para investigadores, instituciones y responsables de políticas, incluyendo en América Latina:

• Transparencia y trazabilidad: cuando equipos usan servicios comerciales para avanzar en problemas inéditos, surge la pregunta de cómo se registran y protegen los borradores, prompts y sesiones. Los investigadores deben exigir políticas claras de retención y uso de datos por parte de proveedores.

• Riesgo de “scooping” por agentes automatizados: como señaló un observador en otro contexto de seguridad informática, a veces basta un rumor para activar agentes que rastrean y explotan vulnerabilidades. En matemáticas o investigación, saber que existe una solución no publicada puede incentivar a gastar enormes recursos computacionales para intentar reproducirla y publicarla primero.

• Difícil separación entre mejora de modelos y propiedad intelectual: incluso si un proveedor no accede deliberadamente a un conjunto específico de datos, los datos agregados y desidentificados pueden alimentar mejoras que, a su vez, beneficien a modelos capaces de reproducir o acelerar ideas aparecidas en esas interacciones.

• Tensiones entre competencia comercial y cooperación científica: la negativa a incluir a un investigador por su vínculo laboral con una empresa rival evidencia cómo las relaciones corporativas pueden interferir con la atribución académica y la difusión de resultados.

¿Por qué importa esto en América Latina?

En la región hay comunidades crecientes de investigación en IA, además de startups y gobiernos que incorporan LLMs en proyectos de salud, energía y finanzas. Las lecciones del caso Navier–Stokes son relevantes por varias razones:

• Muchos grupos de la región usan servicios en la nube y APIs comerciales por falta de infraestructuras propias. Eso aumenta su exposición a las políticas de uso y a posibles efectos no intencionados sobre la propiedad intelectual.

• Instituciones académicas y gubernamentales deben definir normativas sobre privacidad, registro de experimentos y acuerdos con proveedores para proteger hallazgos sensibles.

• La capacidad de movilizar recursos (billones de tokens y millones en costo computacional) para “competir” por descubrimientos evidencia una brecha: quienes controlan infraestructuras potentes pueden priorizar velocidad sobre normas académicas tradicionales.

Recomendaciones prácticas

Para equipos e instituciones en la región conviene considerar medidas concretas:

• Revisar y negociar cláusulas de uso y privacidad con proveedores de modelos: aclarar explícitamente si y cómo se emplearán datos de usuario para entrenamiento o mejoras.
• Mantener registros locales de protocolos experimentales y borradores (repositorios institucionales, preprints) para establecer prioridad científica.
• Promover políticas institucionales sobre uso de LLMs en investigaciones sensibles, incluyendo acuerdos de confidencialidad y prácticas de anonimización robusta.
• Fomentar la creación y uso de infraestructuras abiertas y regionales cuando sea factible, para reducir dependencia de black-boxes comerciales.

Conclusión

El episodio alrededor de Navier–Stokes no es sólo una disputa entre matemáticos y una compañía tecnológica: es una señal clara de cómo la llegada de modelos cada vez más capaces cambia las reglas de la investigación científica. Para América Latina —donde la adopción de estas tecnologías es rápida pero la gobernanza aún se está construyendo— es urgente establecer prácticas que protejan la integridad académica, la privacidad y la colaboración justa. El desafío no es solo técnico, es también institucional y ético.