OpenAI revela tres grandes descubrimientos científicos y un nuevo modelo de trabajo con académicos

Resumen del anuncio

En menos de un mes desde la divulgación masiva de cientos de manuscritos que, según OpenAI, contenían soluciones a problemas matemáticos de larga data, la compañía volvió a publicar tres resultados que describe como “mayores” en matemáticas, ciencias de la computación y física. Lo distintivo esta vez no es solo el contenido técnico, sino el esquema para trabajar con la comunidad académica: OpenAI designó expertos externos —a los que llama “shepherds”— para orientar la verificación y explicación de dos de los trabajos, mientras que en el caso matemático liberó el output del modelo para que investigadores lo analicen y formalicen por su cuenta.

Los tres resultados publicados

• Matemáticas: Local smoothing para la ecuación de onda euclidiana. Según OpenAI, el output del modelo presenta una demostración que utiliza una ecuación en derivadas parciales auxiliar para establecer el resultado de Sogge sobre “local smoothing” para ondas en dimensiones espaciales ≥2. Además, esa prueba implicaría la resolución de la conjetura de Kakeya (en sus variantes maximal y de dimensión) y las estimaciones de restricción esférica de Stein dentro del rango conjeturado. OpenAI afirma haber liberado directamente la salida del modelo, como hizo en su publicación del 6 de octubre.

• Ciencias de la computación: La Exponential Time Hypothesis (ETH) es falsa. El documento presentado describe un algoritmo determinista que cuenta exactamente asignaciones satisfactorias de fórmulas CNF de ancho fijo en tiempo subexponencial y espacio polinomial. En el caso de 3-SAT, esto constituye una refutación de la ETH, hipótesis sostenida ampliamente desde su formulación en 1999. Un grupo independiente de científicos de la computación liderado por Russell Impagliazzo, Ramamohan Paturi y Ryan Williams examinará y explicará la prueba; a petición de ese grupo, OpenAI hizo públicos los materiales de inmediato.

• Física: Existencia rigurosa de teorías cuánticas de campo en cuatro dimensiones. OpenAI describe el resultado como una prueba matemáticamente rigurosa de existencia para ciertas teorías cuánticas de campo que incluyen campos gauge y fermiones en 4D, citando explícitamente Quantum Chromodynamics (QCD) y una “completación unificada” del Modelo Estándar. La documentación completa no ha sido liberada; David Gross liderará un equipo conformado por Michael Douglas, Arthur Jaffe, Igor Klebanov y Nikita Nekrasov para “shepherdear” esta verificación.

El papel de los “shepherds” y la reacción de la comunidad

Para las piezas en ciencias de la computación y física, OpenAI optó por que grupos de expertos externos dirijan la verificación. Esa práctica pretende acelerar la revisión técnica y aportar reputación académica al proceso, pero también plantea preocupaciones: el panel AGMAI de asesores matemáticos recomendó recientemente que las empresas de IA eviten priorizar acceso a ciertos individuos, citando riesgos de acceso desigual, reputación prestada y sesgos en la selección.

El panel sugirió, en cambio, publicar en repositorios académicos, acompañar los resultados con demostraciones formalizadas (por ejemplo en Lean), documentar cómo se eligieron los problemas, y financiar a personas encargadas de entender y reproducir los hallazgos. OpenAI respondió en parte liberando materiales en GitHub y un escrito de acompañamiento que plantea preguntas abiertas a la comunidad sobre normas de acceso y crédito.

Preguntas que OpenAI pone a discusión

En la carta abierta que acompañó la publicación, OpenAI invitó a debate sobre tres cuestiones generales:

1. ¿Qué normas deben regir el acceso temprano a resultados generados por IA, la divulgación de conflictos de interés y el uso de material no publicado para investigación posterior?
2. ¿Cómo reconocer el crédito tanto por los nuevos descubrimientos como por el trabajo de verificación, corrección, simplificación, explicación y extensión?
3. ¿Cómo apoyar a estudiantes e investigadores ante cambios en métodos y líneas de investigación, preservando la comprensión y el juicio necesarios para cuestionar resultados y generar ideas nuevas?

Contexto y relevancia para América Latina

Aunque los hallazgos son muy técnicos, las decisiones sobre cómo se verifican y se difunden tienen implicaciones prácticas para la región. Universidades e institutos de investigación en América Latina podrían verse confrontados a una mayor demanda para participar en procesos de verificación y formalización de pruebas, lo que requiere infraestructura (repositorios, acceso a herramientas como Lean), capacidades en disciplinas como matemáticas, lógica y teoría de la computación, y financiamiento para equipos dedicados a reproducir y explicar resultados.

Además, la práctica de dar acceso preferente a ciertos académicos puede afectar la equidad global: si la revisión y la interpretación quedan concentradas en centros del norte global, los grupos latinoamericanos podrían quedar excluidos de debates que moldean agendas de investigación y políticas. Por eso, las recomendaciones del panel sobre transparencia, formalización y financiamiento son relevantes para los tomadores de decisión de la región.

Riesgos y recomendaciones prácticas

• Transparencia y acceso: promover la publicación en repositorios académicos y exigir documentación clara sobre cómo se generaron los problemas y las pruebas. Esto facilita la participación de investigadores de diversos contextos.
• Inversión en capacidades: considerar programas de apoyo para formar equipos que puedan verificar y formalizar resultados asistidos por IA (por ejemplo, formación en asistentes de pruebas formales como Lean y en técnicas de verificación).
• Políticas de crédito y revisión: fomentar normas que reconozcan el trabajo de verificación y explicación, no solo el hallazgo inicial generado por modelos de IA.
• Evitar dependencia de reputación prestada: diseñar procesos de revisión que no basen su legitimidad exclusivamente en la intervención de figuras prominentes.

Conclusión

Los tres anuncios de OpenAI combinan avances técnicos —siempre sujetos a verificación— con un experimento operativo sobre cómo integrar a la academia en el escrutinio de resultados generados por IA. Para América Latina, la oportunidad está en participar activamente en esos procesos: generar capacidad técnica, exigir transparencia y asegurar que la evaluación científica no quede centralizada. Las preguntas abiertas que plantea OpenAI —sobre acceso, crédito y apoyo a investigadores— merecen respuesta desde múltiples regiones para que la gobernanza de estos avances sea equitativa y robusta.