La disputa del problema del milenio pone en duda la fiabilidad de OpenAI
Tristan Buckmaster acusa a OpenAI de usar sus datos y presionarlo. OpenAI lo niega, pero admite no poder descartar haberlos usado.
El matemático Tristan Buckmaster ha acusado a OpenAI de presionarlo, de intentar eliminar a su coautor Levent Alpöge y de haber usado sus datos para entrenar modelos, en el marco de la disputa por la supuesta solución al problema de Navier-Stokes. Todas las partes implicadas han hecho declaraciones públicas, y el caso deja en evidencia las dudas sobre la fiabilidad de los laboratorios de IA.
El problema de Navier-Stokes es uno de los Problemas del Milenio, con un premio de un millón de dólares. OpenAI afirma que, tras oír rumores de que los modelos de Anthropic lo habían resuelto, decidió atacarlo con sus propios recursos. Pero Buckmaster y Alpöge sostienen que su enfoque ya había sido introducido en los sistemas de OpenAI y que ese material pudo acabar en los datos de entrenamiento.
En una entrada de blog, OpenAI reconoce que “no podemos descartar que datos desidentificados procedentes del uso de nuestros productos hayan ayudado a mejorar nuestros modelos”. Sin embargo, el investigador Boaz Barak afirma que el modelo no necesitaba ayudas externas: “Es un consuelo pensar que lo necesitaba; de hecho, empezó demostrando una afirmación más fuerte que la suya”. El consejero delegado Sam Altman ha defendido al equipo, asegurando que actuó con “integridad y generosidad” y que las acusaciones son “infundadas”. Alpöge contradice a Altman: asegura que habría estado dispuesto a colaborar con OpenAI y que la autoría no le importaba. “También me gusta la idea de que los laboratorios cooperen, y más aún en el progreso científico. ¡Es una pena!”, escribe.
Más allá del caso concreto, el episodio plantea un problema serio para la ciencia abierta. El matemático Terence Tao ha advertido en Mastodon de que el simple rumor de que alguien trabaja en un problema puede desencadenar un esfuerzo masivo de IA para aplastarlo antes de que la investigación original llegue a su máximo potencial. Esto podría “revertir siglos de tradiciones de ciencia abierta y causar un daño grave a largo plazo”.
Para los profesionales de TI, la conclusión es práctica: si alimentas datos de investigación en herramientas de OpenAI, corres el riesgo de que te adelanten con tus propios hallazgos. Desactivar la opción de entrenamiento con tus datos ofrece una protección débil, y la confianza en los laboratorios de IA está lejos de estar ganada.
