OpenAI anuncia una solución AI a la ecuación de Navier‑Stokes y enfrenta críticas de académicos
OpenAI afirma que su modelo ha encontrado una solución a la ecuación de Navier‑Stokes, uno de los problemas del Milenio, mientras que investigadores de NYU acusan al laboratorio de apropiarse de su trabajo.
OpenAI comunicó que su nuevo modelo, entrenado desde el 28 de agosto, habría generado una solución formal a la ecuación de Navier‑Stokes, problema abierto del premio Clay Millennium que lleva un millón de dólares. Según Sebastien Bubeck, responsable de la investigación, más de 1.000 agentes trabajaron durante 50 horas y entregaron una prueba formalizada en Lean, el lenguaje de verificación de pruebas.
El anuncio ha provocado una disputa con Tristan Buckmaster y Levent Alpöge, matemáticos de NYU que publicaron documentos sobre avances relacionados usando modelos como Claude y Codex. Buckmaster asegura que OpenAI se enteró de su trabajo antes de la publicación y destinó recursos al problema, sin responder a sus preguntas sobre el acceso a los logs de Codex. Además, alega que la empresa le ofreció publicar un artículo bajo el nombre de OpenAI excluyendo a Alpöge, propuesta que Bubeck desmintió públicamente.
OpenAI defendió su posición argumentando que no revisó los prompts ni los datos de Buckmaster y Alpöge hasta que se hicieron públicos. Mark Chen, jefe de investigación, indicó que el proceso costó “millones de dólares” en computación, superando lo que la compañía había invertido previamente en problemas matemáticos. En un blog, la empresa reconoció que “aunque improbable, no se puede descartar que datos desidentificados de usuarios hayan ayudado a mejorar los modelos”.
La comunidad académica observa con cautela la reivindicación. Ven Chandrasekaran, matemático interno, subrayó que la solución de OpenAI es estructuralmente distinta a la de los investigadores de NYU. El conflicto pone de relieve la creciente intersección entre IA generativa y la investigación matemática, y plantea preguntas sobre la atribución de descubrimientos cuando los modelos se entrenan con datos de uso externo.
Este episodio sugiere que, a medida que los sistemas de IA asumen roles más complejos, las normas de crédito y la transparencia en el entrenamiento de modelos podrían convertirse en temas críticos para investigadores y empresas del sector.
