OpenAI ha publicado 719 documentos matemáticos, agrupados en 372 familias de resultados, generados por un modelo que todavía no está disponible para el público. Importa porque muchos tocan problemas abiertos desde hace años y porque la empresa admite que algunos textos pueden contener errores, según Genbeta.
Qué ha soltado OpenAI y qué falta por comprobar
Los trabajos están en GitHub y cubren álgebra, teoría de números e informática teórica. OpenAI sometió su sistema a unos 4.000 problemas abiertos.
A cada resultado le dedicó una capacidad de cálculo equivalente a unas tres horas de ChatGPT Pro. Es un dato útil para dimensionar el esfuerzo: no es una máquina funcionando durante semanas.
Aquí conviene separar dos cosas. Lo confirmado por la propia OpenAI es la cifra de documentos, el método y el aviso de que no todas las demostraciones están verificadas. Lo demás son valoraciones de investigadores, como las que recoge Genbeta.
El contexto pesa. En septiembre, OpenAI presentó una solución al problema de Navier-Stokes. El matemático Tristan Buckmaster criticó entonces cómo se valoraba el papel de los trabajos previos en ese resultado.
Esta vez, la compañía asegura que ha consultado a un grupo independiente de expertos para mejorar cómo comparte sus hallazgos.
Cómo revisar estos documentos si no eres matemático profesional
No puedes probar el modelo: no está disponible. Lo que sí puedes es leer lo que ha producido, y hacerlo con método. Estos pasos son una propuesta práctica, no un procedimiento oficial de OpenAI.
- Paso 1. Entra en el repositorio de GitHub donde OpenAI ha alojado los documentos. Son 719 textos, así que no intentes verlos todos.
- Paso 2. Elige un campo que domines. Álgebra, teoría de números o informática teórica. Si no entiendes el enunciado, la demostración no te dirá nada.
- Paso 3. Trata cada texto como un borrador sin revisar. OpenAI reconoce que puede haber fallos. Que algo parezca riguroso no lo hace correcto.
- Paso 4. Comprueba que el problema sigue abierto y qué trabajos previos usa el documento. La polémica de Navier-Stokes giró justo en torno a eso.
- Paso 5. Si buscas aprender, intenta primero el enunciado tú mismo. Después lee la demostración y anota los pasos que no sigues. Un asistente de IA puede ayudarte a desmenuzarlos, pero contrasta lo que diga con otra fuente. Si dudas de cómo funcionan estos sistemas, la guía sobre qué es un LLM aclara por qué pueden sonar seguros y equivocarse.
¿Para quién sirve? Para un docente de matemáticas universitarias que busque ejemplos reales de resultados recientes en su área. También para un doctorando que quiera ver si alguien ya ha atacado un problema cercano al suyo, o para un revisor que quiera detectar errores.
Los límites son claros. No hay modelo público para reproducir los resultados. No todo está verificado. Y un documento correcto puede enseñar poco sobre el camino que llevó a él.
El debate: respuestas rápidas, comprensión lenta
Steven Kelk, profesor asociado de informática teórica en la Universidad de Maastricht, habló con el diario neerlandés Volkskrant. Contempla los resultados con admiración. A su juicio, la IA podría haber logrado de golpe avances equivalentes a diez o veinte años de investigación.
Pero Kelk reconoce que esto le provoca «una gran sensación de vacío». Para él, investigar también es equivocarse, colaborar y descubrir ideas por el camino. Si una máquina entrega la respuesta, parte de esa experiencia desaparece.
Terence Tao también ha expresado preocupación por los investigadores que usan IA sin entender bien los resultados. El grupo asesor independiente AGMAI pide que estos avances se compartan con transparencia y sirvan para desarrollar conocimiento humano.
OpenAI anunció una aportación de cinco millones de dólares a una iniciativa de la Fundación Simons. Su objetivo es ayudar a los matemáticos a estudiar y comprender las demostraciones generadas por IA.
Esa cifra indica que el cuello de botella ya no es solo producir demostraciones, sino entenderlas y comprobarlas. Tiene lógica: 719 documentos son muchos para revisar a mano.
Lo práctico para el lector es esto: si trabajas en alguno de esos tres campos, usa el repositorio como material de revisión, no como autoridad. Vigila qué documentos se verifican, cuáles se corrigen y qué resultados confirman matemáticos ajenos a OpenAI. Hasta entonces, cada demostración es una hipótesis bien escrita.
