El 28 de agosto, OpenAI comenzó a entrenar un modelo interno que todavía no está disponible públicamente . Apenas 24 días después, la compañía hizo una afirmación extraordinaria: el sistema habría conseguido resolver más de 100 problemas abiertos de larga duración repartidos por buena parte de las matemáticas. Ni siquiera los matemáticos de OpenAI esperaban semejante ritmo, según reconoce la propia empresa . Entre esos resultados está además uno particularmente difícil de ignorar: la compañía sostiene que el sistema produjo una solución al problema de existencia y regularidad de Navier–Stokes , uno de los siete Problemas del Milenio planteados por el Clay Mathematics Institute.
Hay, sin embargo, una diferencia fundamental entre ambas afirmaciones. OpenAI ya publicó el manuscrito y una formalización en Lean para Navier–Stokes. De los otros más de 100 problemas, su anuncio no incluye todavía una lista completa ni las correspondientes demostraciones públicas. Por ahora, por tanto, esa cifra es una afirmación de la compañía y no 100 resultados que la comunidad pueda revisar independientemente.
Navier–Stokes fue el punto donde todo explotó © Getty Images / andresr. La cuestión de Navier–Stokes lleva casi 90 años abierta. Dicho de forma muy simplificada, pregunta si las ecuaciones que utilizamos para describir fluidos tridimensionales pueden desarrollar en determinadas condiciones una singularidad en tiempo finito. El sistema de OpenAI concluyó que sí y produjo una demostración formalizada en Lean, un asistente capaz de comprobar mecánicamente los pasos lógicos de una prueba.
Eso no significa que el problema ya pueda darse administrativamente por cerrado. El propio Clay Mathematics Institute dijo el 11 de septiembre que el problema “aparentemente” había sido resuelto, pero recordó que su proceso es deliberadamente lento. Para considerar oficialmente una solución, esta debe publicarse en un medio aceptado, esperar al menos dos años y alcanzar aceptación general entre la comunidad matemática . Y entonces apareció un problema diferente: no matemático, sino humano.
Veinticinco ganadores de la Medalla Fields publicaron una declaración titulada A Severe Misalignment of AI in Mathematics . Entre ellos estaban Terence Tao, Peter Scholze, Maryna Viazovska, Manjul Bhargava y Martin Hairer. Su crítica no consiste en negar que la IA pueda producir resultados. Lo que cuestionan es utilizar problemas abiertos como si fueran simplemente benchmarks con los que los laboratorios compiten entre sí.
Para los firmantes, resolver una pregunta es solo una parte del trabajo. También importan las nuevas ideas que aparecen durante el proceso, explicar por qué funciona una demostración, reconocer correctamente los trabajos anteriores y formar a los investigadores que continuarán desarrollando esas herramientas. OpenAI respondió creando un grupo independiente de nueve matemáticos © Eric Sucar / University of Pennsylvania. El 21 de septiembre, OpenAI anunció un Advisory Group on Mathematics and Artificial Intelligence, alojado en el Institute for Advanced Study de Princeton.
Sus nueve miembros son François Charles, Camillo De Lellis, Timothy Gowers, Martin Hairer, Nikhil Srivastava, Ulrike Tillmann, Ravi Vakil, Edward Witten y Melanie Matchett Wood. Hay ganadores de la Fields y algunas de las figuras más reconocidas de la matemática contemporánea. El grupo podrá asesorar sobre cómo revisar, valorar y comunicar los nuevos resultados , recomendar estándares académicos e incluso criticar públicamente a OpenAI . Sus miembros no recibirán dinero de la compañía y podrán cambiar su propia composición.
Pero existe un límite bastante importante: no podrán decidir cuánto debe ralentizar OpenAI su investigación interna ni tendrán poder de veto sobre la empresa. El IAS describe su función como la de un canal entre los laboratorios de IA y la comunidad matemática, no como un organismo regulador. OpenAI ya había mostrado hacia dónde podía ir este camino. En agosto publicó diez avances en matemáticas y ciencias de la computación teórica , acompañados de trabajos técnicos, y ahora afirma que el volumen de descubrimientos potenciales ha aumentado drásticamente.
La pregunta, por tanto, ya no parece ser únicamente si una IA puede resolver matemáticas que los humanos todavía no han resuelto . El verdadero problema acaba de trasladarse un paso más adelante: qué hacemos cuando puede producir nuevos resultados más rápido de lo que los propios matemáticos pueden leerlos, comprenderlos y convertirlos en conocimiento humano.