OpenAI dice haber resuelto Navier–Stokes y estalla una polémica por plagio

Un anuncio histórico y una reacción inmediata

OpenAI aseguró haber resuelto el problema de existencia y suavidad de Navier–Stokes, uno de los siete Problemas del Milenio del Clay Mathematics Institute, con un premio asociado de un millón de dólares. En la práctica, si la prueba se verifica, sería un hito: hasta ahora solo se había resuelto la conjetura de Poincaré y nunca una máquina —al menos públicamente— había completado una demostración de esta envergadura.

Sin embargo, la euforia inicial quedó ensombrecida por una disputa pública sobre prioridad, atribución y prácticas internas de investigación en empresas de inteligencia artificial. La prueba fue publicada el 8 de septiembre, pero como ocurre con trabajos matemáticos de alto calibre, la revisión independiente por parte de especialistas puede tardar meses.

Cómo se llegó a la supuesta solución

Según la propia OpenAI, la compañía comenzó a entrenar un nuevo modelo contra los Problemas del Milenio el 1 de septiembre, tras difundirse rumores de que investigadores vinculados a Anthropic habían avanzado en alguna de estas conjeturas. Dos investigadores mencionados en la controversia son Tristan Buckmaster, de la Universidad de Nueva York, y Levent Alpöge, quien trabajaba en el proyecto a título personal mientras estaba vinculado a Anthropic.

Buckmaster y Alpöge, apoyándose en un método propuesto por los matemáticos españoles Diego Córdoba y Luis Martínez-Zoroa, lograron el 15 de agosto avanzar hacia Navier–Stokes, aunque no alcanzaron la solución completa. El premio Fields Terence Tao calificó ese trabajo como “un logro notable” y estimó que no veía obstáculos evidentes para extender el método hacia Navier–Stokes. OpenAI aprovechó precisamente esa dirección para, según su versión, completar la demostración.

La compañía afirma que usó un modelo interno mucho más potente que el ChatGPT-6 Astra recientemente lanzado y que llegó a desplegar cerca de 10.000 agentes de IA autónomos durante 88 horas para explorar variantes y completar la prueba.

Las acusaciones de los investigadores y la respuesta de OpenAI

La noche antes del anuncio público, Buckmaster publicó en la web de su universidad un documento con acusaciones graves: aseguró que OpenAI tuvo conocimiento de su investigación privada y no publicada en la última semana previa al anuncio, que la empresa ya tenía una prueba antes de contactar con él y que le ofrecieron opciones que, según su relato, minimizaban su atribución.

Buckmaster incluso planteó la posibilidad de que OpenAI hubiese accedido a sus notas o prompts almacenados en Codex u otras herramientas, lo que, de confirmarse, constituiría una forma de plagio y un serio golpe a la confianza en los servicios de OpenAI.

OpenAI niega haber accedido a los trabajos de los investigadores por cualquier medio antes de su publicación. En su comunicado la empresa afirma que ni investigadores ni agentes vieron el trabajo hasta que fue público, y que en particular no se accedió a datos de usuario concretos para resolver el problema. No obstante, la compañía admite que no puede descartar por completo que “datos desidentificados” derivados del uso de sus productos hayan contribuido al entrenamiento del modelo. Esa ambigüedad es la que ha encendido las alarmas sobre privacidad y la manipulación de datos de investigación.

Por su parte, Sébastien Bubeck, investigador de OpenAI mencionado por Buckmaster, calificó la versión de este último como “falsa e incendiaria” y ha prometido aclaraciones. Bubeck explicó que en discusiones internas se mencionó la conveniencia de que Alpöge no figurara como autor por su vínculo con Anthropic, lo que alimentó el conflicto sobre atribuciones y lealtades entre grupos de investigación y empresas competidoras.

La comunidad pide estándares y transparencia

Más allá de las acusaciones puntuales, voces influyentes en la comunidad matemática y de IA han planteado preocupaciones de fondo. Terence Tao advirtió que si un rumor puede desencadenar el despliegue masivo de recursos computacionales —con millones de dólares de cómputo— por parte de un competidor con mayor capacidad, los incentivos para compartir ideas preliminares se evaporan. Investigadores podrían optar por no divulgar avances hasta tener resultados concluyentes, lo que reduce la colaboración abierta y ralentiza el progreso científico colectivo.

Tao también criticó el secretismo sobre intentos fallidos y el proceso técnico de la demostración, y pidió estándares que valoren tanto la idea original como el proceso y la verificación. La comunidad matemática está acostumbrada a la revisión por pares y a la réplica abierta; cuando la mayor parte del esfuerzo se hace dentro de plataformas privadas con recursos exclusivas, esas normas tradicionales se ponen en tensión.

Riesgos y lecciones para América Latina

Para instituciones académicas y empresas en América Latina la controversia trae lecciones prácticas. En la región, donde los recursos de cómputo y financiación suelen ser más limitados, existe el riesgo real de que ideas o avances valiosos sean adelantados por compañías con acceso a enormes infraestructuras. Esto debería motivar a universidades y centros de investigación latinoamericanos a:

• revisar y actualizar políticas de propiedad intelectual y acuerdos de confidencialidad cuando colaboren con proveedores de IA;
• exigir transparencia sobre el uso de datos y cláusulas claras sobre si los insumos de investigación pueden integrarse en modelos comerciales;
• promover prácticas de verificación abierta y replicabilidad para que los resultados relevantes puedan ser auditados por la comunidad regional e internacional.

Además, la advertencia de OpenAI sobre la posibilidad de contribuciones a partir de “datos desidentificados” subraya la necesidad de cautela al introducir información sensible en plataformas de IA, algo relevante para gobiernos, bancos, startups y equipos de investigación en la región.

Qué sigue: verificación y gobernanza

Por ahora, lo esencial es que la demostración pase la prueba de la verificación independiente. La historia matemática nos recuerda que las pruebas trascendentales requieren escrutinio riguroso. Al mismo tiempo, la controversia impulsa un debate inaplazable sobre autoría en trabajos asistidos por IA, la ética del uso de datos de investigación y la responsabilidad de las empresas tecnológicas.

Cualquiera que sea el resultado final —si la prueba se valida o si aparecen fallos y matices—, la discusión ya dejó lecciones: hace falta mayor transparencia en proyectos científicos impulsados por IA, normas claras sobre atribución cuando humanos y máquinas colaboran, y salvaguardas para los datos de investigadores. Para América Latina, estas discusiones deben traducirse a políticas institucionales concretas que protejan a sus investigadores y fomenten la investigación en condiciones de confianza.

La comunidad científica y regulatoria tendrá ahora la oportunidad (y la responsabilidad) de definir cómo se reconocen los méritos en la era de la IA y cómo se equilibran recursos, propiedad intelectual y apertura científica. Hasta que los pares validen la prueba y se aclaren las circunstancias del proceso, la reivindicación de OpenAI será tanto un avance potencial en matemáticas como un estudio de caso sobre las tensiones éticas de la investigación asistida por máquinas.