OpenAI afirma resolver el problema Navier-Stokes con 10.000 agentes y 40 millones de dolares
La empresa publica un preprint basado en el modelo Astra-next. La comunidad matemática y técnica muestra escepticismo ante la falta de verificación formal independiente.
OpenAI ha anunciado un avance que, de confirmarse, marcaría un antes y un después en la capacidad de razonamiento de los modelos de lenguaje. La empresa afirma haber encontrado una solución al problema de las singularidades de Navier-Stokes, uno de los siete problemas del milenio de las matemáticas. Para lograrlo, desplegó una arquitectura distribuida compuesta por aproximadamente 10.000 agentes autónomos utilizando Astra-next, el sucesor de GPT-6. El complejo consumió 130.000 millones de tokens de inferencia en un periodo de 88 horas, lo que se traduce en un coste directo superior a los 40 millones de dólares.
Ethan Knight, figura clave en el proyecto, detalló en sus redes sociales el enfoque técnico. No se trató de un único paso de predicción, sino de un sistema entrenado durante un año con aprendizaje por refuerzo multiagente (multi-agent RL). La tesis operativa es que los problemas de alto nivel de abstracción requieren enormes cantidades de cómputo paralelo en tiempo de inferencia, permitiendo que los agentes organicen su propia colaboración y división del trabajo sin una estructura rígida predefinida. OpenAI publicó un artículo en arXiv que detalla los resultados, aunque el texto se centra más en la arquitectura del sistema de investigación que en la demostración matemática pura.
La reacción en el sector ha sido bifurcada. Por un lado, validaciones técnicas inician con cautela; por otro, un escepticismo generalizado ante la premura de la comunicación. La comunidad matemática insiste en que la aceptación del resultado sigue siendo una "formalidad menor" hasta que pasen los rigurosos filtros de revisión por pares. No hay, hasta la fecha, una verificación formal automática ni un consenso experto que avala la corrección de la prueba. La distinción entre haber generado una pista de investigación válida y haber completado una demostración cerrada es crucial, y los comunicados de OpenAI no desambiguan este punto con la precisión necesaria.
El impacto estructural es inmediato. Si la arquitectura escala, redefine el límite entre la asistencia a la programación y la investigación autónoma. Lo que antes requería meses de trabajo de grupos de especialistas ahora se ejecuta en horas mediante orquestación masiva de LLMs. Esto obliga a replantear los presupuestos de infraestructura para I+D en empresas que trabajan con problemas complejos. No se trata solo de tener el modelo mejor, sino de poder costear los ciclos de inferencia necesarios para que miles de instancias del modelo negocien entre sí hasta converger en una solución.
La transparencia sobre el rol humano sigue siendo limitada. No está claro si los ingenieros de OpenAI definieron los lemas intermedios o curaron los pasos de la prueba, o si la intervención se limitó al lanzamiento de la infraestructura y la curaduría final. Hasta que no haya un fork abierto del código de verificación o un artículo revisado en una revista de alto impacto, el resultado debe tratarse como una aspiración técnica de gran escala, no como una verdad matemática establecida.
El dato de los 40 millones de dólares refleja la realidad actual de la investigación con IA de vanguardia: el cuello de botella no es la inteligencia del modelo, sino el coste de la inferencia extendida. Empresas y laboratorios deben prepararse para escenarios donde la resolución de problemas complejos dependa de presupuestos de computación que antes se reservaban para el entrenamiento de base.
