Un modelo interno más avanzado que GPT-6 Astra coordinó cerca de 10 mil agentes durante 88 horas para atacar las ecuaciones de Navier-Stokes. Aunque la demostración todavía debe superar la revisión de la comunidad matemática, el experimento parece marcar un cambio de escala en la investigación autónoma con inteligencia artificial.
OpenAI anunció este 8 de septiembre que un sistema de inteligencia artificial produjo una posible solución al problema de existencia y suavidad de las ecuaciones de Navier-Stokes, uno de los siete Problemas del Milenio seleccionados por el Clay Mathematics Institute. El resultado todavía no puede considerarse aceptado por la comunidad matemática, pero el proceso mediante el cual fue obtenido podría constituir por sí mismo uno de los hitos más importantes hasta ahora en el desarrollo de sistemas de IA para investigación científica.
Las ecuaciones de Navier-Stokes, formuladas en el siglo XIX, describen matemáticamente cómo se mueven fluidos como el agua y el aire: desde una corriente tranquila hasta la turbulencia que se forma alrededor de un avión. El problema no consiste en saber si las ecuaciones sirven, se utilizan desde hace décadas en física e ingeniería, sino en demostrar qué ocurre siempre con sus soluciones en tres dimensiones. Los matemáticos no han podido establecer si, partiendo de condiciones suaves y razonables, esas soluciones permanecen también suaves para siempre o si pueden desarrollar en tiempo finito una singularidad: un punto en el que alguna cantidad, como la velocidad, se vuelve ilimitada y la descripción matemática “se rompe”. Resolver el Problema del Milenio significa demostrar rigurosamente una de esas dos posibilidades. El Clay Mathematics Institute lo considera abierto desde que estableció sus siete Problemas del Milenio en 2000.
No fue un chatbot respondiendo correctamente una pregunta difícil ni un único modelo trabajando durante varias horas sobre una demostración. OpenAI desplegó un sistema compuesto por del orden de 10 mil agentes concurrentes, organizados en grupos capaces de comunicarse, explorar aproximaciones diferentes, utilizar código, consultar una copia almacenada de internet y reutilizar los resultados parciales producidos por otros agentes. En aproximadamente 88 horas, esa estructura colectiva generó la demostración que la compañía presenta ahora como una resolución de Navier-Stokes.
Solo durante ese problema, los agentes intercambiaron alrededor de 2.7 millones de mensajes y produjeron aproximadamente 130 mil millones de tokens. Considerando todos los problemas matemáticos que OpenAI hizo intentar al sistema durante el experimento, fueron 4.9 millones de mensajes y unos 300 mil millones de tokens. La compañía utilizó además Codex para consolidar los hallazgos más útiles de distintos grupos y redistribuirlos como nuevas pistas para otras ramas de investigación. La escala no tiene un precedente público evidente entre los grandes experimentos de razonamiento matemático con IA conocidos hasta ahora.
La respuesta encontrada por los agentes consiste en construir matemáticamente un vórtice: un remolino de fluido que gira hacia adentro mientras se alarga progresivamente, como un espagueti. A medida que su región central se contrae, la velocidad aumenta hasta crecer sin límite en un tiempo finito, pero el volumen donde ocurre el fenómeno disminuye de tal manera que la energía total permanece finita. El desafío era demostrar que esa singularidad surge de la propia dinámica de Navier-Stokes y no de introducir artificialmente una fuerza infinita; para conseguirlo, distintos términos de las ecuaciones crecen enormemente pero se cancelan con precisión, dejando una fuerza externa que continúa siendo suave.
Los agentes no resolvieron Navier-Stokes mediante una simple simulación. El Problema del Milenio podía cerrarse de dos maneras: demostrando que las soluciones suaves de las ecuaciones permanecen siempre regulares o encontrando un caso matemáticamente válido en el que esa regularidad se rompe. OpenAI distribuyó ambas posibilidades entre miles de agentes para que exploraran enfoques diferentes. Después de que un grupo más pequeño encontrara primero una singularidad en las ecuaciones relacionadas de Euler, ese hallazgo fue utilizado como punto de partida para concentrar cerca de 10 mil agentes sobre Navier-Stokes. Los grupos intercambiaron resultados y Codex consolidó periódicamente las ideas más prometedoras para alimentar nuevas búsquedas. Finalmente encontraron una construcción explícita: un vórtice que se contrae y se alarga mientras su velocidad crece sin límite en un tiempo finito. El trabajo decisivo consistió en demostrar matemáticamente que esa dinámica satisface las ecuaciones, mantiene una energía finita y no depende de introducir artificialmente una fuerza infinita. Después, la demostración fue formalizada y verificada en Lean.
De resolver ejercicios a investigar
La inteligencia artificial ya había cruzado otras fronteras importantes en matemáticas. En 2024, AlphaProof y AlphaGeometry 2, de Google DeepMind, consiguieron un desempeño equivalente a una medalla de plata en la Olimpiada Internacional de Matemáticas. AlphaProof utilizaba Lean, un lenguaje en el que las demostraciones pueden ser comprobadas formalmente por una computadora. Fue un salto importante en razonamiento matemático, pero los problemas de una olimpiada tienen soluciones conocidas y fueron diseñados para ser resueltos por humanos en competencia.
Durante 2026 comenzó a aparecer algo diferente. Sistemas de IA consiguieron resolver conjeturas matemáticas que permanecían abiertas. Un trabajo publicado en mayo reportó que un agente de prueba formal resolvió autónomamente nueve de 353 problemas abiertos de Erdős y decenas de conjeturas de la Online Encyclopedia of Integer Sequences. Otro estudio publicado en agosto encontró que modelos generales podían resolver una proporción considerable de cientos de conjeturas abiertas previamente formalizadas en Lean. Los propios autores advirtieron, sin embargo, que muchos de esos problemas tenían importancia matemática incierta o habían recibido relativamente poca atención humana.
Anthropic mostró posteriormente otra escala de investigación. En agosto, una versión experimental de Claude recibió la instrucción de intentar seriamente la hipótesis de Riemann. No resolvió ese Problema del Milenio, pero produjo un avance sobre un problema relacionado después de coordinar cerca de 60 subagentes, generar 31 millones de tokens, ejecutar miles de comprobaciones y hacer que los propios agentes revisaran resultados de otros. Matemáticos de Anthropic estudiaron posteriormente el trabajo.
El experimento de OpenAI multiplica radicalmente esa escala. Ya no son decenas de agentes investigando durante un día y medio, sino aproximadamente 10 mil instancias trabajando concurrentemente sobre distintas ramas de un problema que ha ocupado a algunos de los mejores matemáticos del mundo durante décadas.
Una inteligencia distribuida
OpenAI dividió los agentes en grupos y entregó distintas formulaciones del problema a cada uno. Algunas ramas intentaron demostrar que las soluciones de Navier-Stokes permanecen siempre regulares; otras intentaron construir precisamente lo contrario: un escenario en el que la solución desarrolla una singularidad.
Mientras avanzaba la investigación, los grupos no permanecieron completamente aislados. La compañía utilizó los propios resultados intermedios generados por los agentes para alimentar nuevas exploraciones. Codex reunió ideas prometedoras provenientes de diferentes grupos y estas fueron incorporadas nuevamente al proceso.
En otras palabras, el sistema no se limitó a producir miles de intentos independientes y elegir posteriormente el mejor. Construyó conocimiento de manera acumulativa. Agentes distintos exploraron partes del espacio matemático; algunos resultados sobrevivieron, otros fueron descartados y los hallazgos útiles circularon hacia nuevas ramas de investigación. La capacidad final apareció así en una red formada por modelo, agentes, memoria, herramientas, comunicación, selección y verificación. Esto vuelve cada vez menos suficiente hablar únicamente de “qué tan inteligente es un modelo”. El objeto relevante empieza a ser el sistema cognitivo completo.
Primero Euler, después Navier-Stokes
La propia trayectoria del experimento muestra esa acumulación. OpenAI comenzó el 1 de septiembre probando su sistema contra los Problemas del Milenio y otros problemas científicos de gran importancia. Entre los problemas considerados “más fáciles” estaba una cuestión relacionada con las ecuaciones de Euler, que pueden entenderse como un límite de Navier-Stokes sin el término de viscosidad.
Cerca de 100 agentes trabajaron durante unas 50 horas y produjeron una solución para una variante no forzada del problema de regularidad de Euler. Después de obtener ese resultado, OpenAI decidió concentrar sus recursos sobre Navier-Stokes y proporcionó a los nuevos grupos de agentes la solución de Euler como conocimiento previo.
El sistema, por tanto, no solamente buscó una solución mediante fuerza computacional. Un descubrimiento producido por una población de agentes se convirtió en material intelectual para una población mucho mayor que atacó el siguiente problema. Esa transición puede ser más importante para el futuro de la investigación científica que cualquiera de las respuestas individuales obtenidas durante el experimento.
Un modelo que todavía está aprendiendo
Existe además otra circunstancia excepcional. El sistema que encontró la demostración no está basado simplemente en GPT-6 Astra. OpenAI afirma que utilizó un modelo interno “significativamente más capaz” que Astra, cuyo entrenamiento comenzó el 28 de agosto y todavía continúa. Durante los días que duró el experimento, una versión posteriormente entrenada del mismo modelo estuvo disponible y los agentes fueron actualizados para utilizarla.
Es decir, la capacidad que produjo el resultado no corresponde siquiera a un modelo terminado. OpenAI asegura que su rendimiento sigue aumentando. La compañía decidió revelar la existencia del sistema precisamente porque considera importante mostrar la velocidad a la que están progresando sus capacidades. Presenta el resultado no como la culminación de ese desarrollo, sino como una fotografía tomada durante el entrenamiento.
La prueba todavía tiene que sobrevivir a los humanos
Nada de esto significa todavía que Navier-Stokes pueda marcarse oficialmente como resuelto. OpenAI publicó una demostración analítica de 165 páginas y sostiene que su construcción establece los casos C y D contemplados en la formulación oficial del Problema del Milenio: una solución inicialmente suave que desarrolla una singularidad en tiempo finito bajo una fuerza externa también suave. La compañía publicó además una formalización en Lean, cuya elaboración y verificación requirió otras 17 horas utilizando GPT-6 Astra.
La existencia de una prueba formal proporciona una herramienta extraordinariamente potente de verificación, pero no sustituye completamente la revisión matemática. Los especialistas todavía deben comprobar que el teorema formalizado corresponde exactamente al resultado que se pretende demostrar, que sus hipótesis representan correctamente la formulación de Clay y que no existe algún desajuste entre la argumentación matemática, las definiciones utilizadas y la representación formal.
El Clay Mathematics Institute continúa clasificando Navier-Stokes como un problema sin resolver. Sus reglas tampoco permiten que una solución sea reconocida inmediatamente: debe publicarse primero en un medio académico calificado, deben transcurrir por lo menos dos años desde esa publicación y el resultado debe alcanzar aceptación general entre la comunidad matemática antes de que pueda ser considerado formalmente para el premio. OpenAI, por su parte, aseguró que no pretende reclamar el premio de un millón de dólares. Por eso, al menos por ahora, el resultado debe describirse como una solución propuesta por OpenAI, no como un problema definitivamente resuelto.
Un posible punto de inflexión
La cautela matemática no reduce la importancia del experimento como acontecimiento de inteligencia artificial. Hasta ahora, el progreso podía ordenarse aproximadamente en una secuencia: modelos capaces de resolver problemas escolares; modelos competitivos en olimpiadas; sistemas capaces de formalizar demostraciones; agentes que resuelven pequeñas conjeturas abiertas; sistemas que producen avances sobre problemas importantes.
Navier-Stokes añade otra categoría. Un sistema de IA compuesto por miles de agentes coordinados fue dirigido hacia una pregunta situada en la frontera más alta de las matemáticas, exploró durante días un espacio gigantesco de posibilidades, produjo resultados intermedios, compartió conocimientos entre sus propias ramas, utilizó un descubrimiento para orientar otro y terminó entregando un artefacto matemático que ahora deberá ser auditado por especialistas humanos.
Hasta donde permiten comparar los experimentos publicados hasta ahora, la combinación de escala, autonomía, coordinación multiagente y relevancia del problema no tiene un precedente claro. AlphaProof había demostrado razonamiento formal de élite; otros agentes ya habían resuelto problemas abiertos; Claude había utilizado decenas de subagentes para producir investigación original. Pero ninguno de esos casos públicos había mostrado aproximadamente 10 mil agentes trabajando de manera coordinada para producir una solución propuesta a uno de los Problemas del Milenio.
Y quizá ahí esté el verdadero hito. Si la demostración contiene un error, los matemáticos podrán encontrarlo y Navier-Stokes continuará abierto. Pero el experimento habrá ocurrido de cualquier manera: una máquina de investigación formada por miles de inteligencias artificiales consiguió producir en unos días una demostración suficientemente seria como para obligar a la comunidad matemática a revisarla.
Si la prueba sobrevive, la frontera habrá sido todavía más clara. Por primera vez, uno de los grandes problemas que los seres humanos eligieron como símbolo de los límites del conocimiento matemático habría sido atravesado por un sistema artificial de investigación. Y el sistema que lo hizo todavía estaba en entrenamiento.
