Un sistema avanzado de OpenAI anunció que resolvió un enigma matemático que llevaba décadas sin solución: uno de los siete problemas del milenio relacionado con las ecuaciones de Navier-Stokes. Este hito se logró utilizando un modelo más potente que las versiones anteriores mediante el despliegue de 10.000 agentes simultáneos que trabajaron en paralelo.

Claves

  • Las ecuaciones de Navier-Stokes describen el movimiento de los fluidos y se emplean para diseñar aviones o predecir el clima.
  • El sistema de OpenAI requirió 88 horas de pruebas y generó unos 130.000 millones de tokens.
  • La compañía aclaró que no tiene intención de reclamar el Premio del Milenio del Clay Mathematics Institute.
IA de OpenAI resuelve enigma matemático y desata acusación de plagio

El proceso técnico y las cifras del hallazgo

Las ecuaciones de Navier-Stokes se plantearon desde el siglo XIX para estudiar cómo se mueven los fluidos. La gran incógnita consistía en determinar si un fluido en movimiento suave podía desarrollar un punto de ruptura que evidenciara un fallo en el modelo matemático.

Durante un lapso de 88 horas, los agentes analizaron un término normalmente ignorado que permite que las ecuaciones de Euler puedan explotar bajo ciertas condiciones, enviando más de 2,7 millones de mensajes en el proceso.

IA de OpenAI resuelve enigma matemático y desata acusación de plagio

La controversia por la autoría y la respuesta de OpenAI

Poco después del anuncio, el matemático Tristan Buckmaster publicó un comunicado en el que acusó a OpenAI de apropiarse de un trabajo previo que desarrollaba junto a Levent Alpöge, investigador de Anthropic. Según la denuncia, ambos habían avanzado en la solución utilizando herramientas de inteligencia artificial.

Buckmaster señaló que representantes de OpenAI intentaron excluir a su colega de la autoría debido a su vínculo laboral. Tras hacerse públicas las quejas, OpenAI negó las acusaciones y reconoció la labor previa de los matemáticos sobre las ecuaciones de Euler forzadas, admitiendo la posibilidad de que datos anonimizados de uso influyeran en el entrenamiento de sus modelos.