OpenAI resuelve un Problema del Milenio — y los matemáticos preguntan a qué costo
Tao alerta que la IA extrae problemas no renovables sin transmitir el conocimiento que los creó
Los Problemas del Milenio son siete preguntas matemáticas sin respuesta que el Clay Mathematics Institute listó en el año 2000, cada una con una recompensa de un millón de dólares. Hasta ayer, solo uno había sido resuelto — la conjetura de Poincaré, por el matemático ruso Grigori Perelman en 2003, quien famosamente rechazó el premio. El anuncio de OpenAI sobre la solución de Navier-Stokes no es solo un hito técnico: es la primera vez que una empresa privada, no un matemático individual, reclama la solución de uno de estos problemas fundamentales. Lo que vino después del anuncio revela más sobre el estado del campo que la solución en sí misma.
El millón de dólares como problema secundario
Hay una recompensa de un millón de dólares para quien resuelva Navier-Stokes. Un matemático de la NYU, cuya carrera dependía en parte de ser reconocido como el primero en avanzar sobre este problema, dice que OpenAI actuó de forma deshonesta en cómo presentó y cronometró sus resultados. Los detalles del conflicto específico son el cuadro, no el punto: el punto es que los incentivos de un lab de IA y los de un matemático académico son estructuralmente incompatibles en este contexto.
El lab gana PR, tracción con inversores y señal de capacidad técnica ante la competencia. El matemático pierde el primer crédito sobre el trabajo central de su carrera. El marco habitual para resolver estos conflictos de prioridad científica — la revisión por pares, la publicación cronológica, las convenciones de citación — fue diseñado para un mundo donde los avances llegan en papers y los actores son investigadores individuales o grupos académicos. No fue pensado para un lab que puede entrenar un modelo con la literatura completa del campo y presentar sus resultados en una conferencia de empresa antes de que el paper haya pasado revisión. En ese sentido el conflicto matemático entra en el mismo patrón de atribución que convirtió el copyright en arma de todos contra todos.
El concepto que Tao puso sobre la mesa
La respuesta más incómoda la dio Terence Tao, el matemático más reconocido del mundo, en términos que el mercado de IA preferiría no procesar. Su argumento central: los problemas matemáticos abiertos son un recurso no renovable. Cuando se resuelven — por quien sea, con los métodos que sean — dejan de estar disponibles como campo de desarrollo para la próxima generación de matemáticos.
Un investigador joven que habría pasado una década construyendo las herramientas conceptuales para atacar Navier-Stokes ya no tiene ese recorrido disponible. El problema está resuelto. Y aquí está el efecto de segundo orden que el mercado no está contando: una solución que un humano construye durante años genera una cadena de conocimiento — papers intermedios, herramientas que otros investigadores adoptan, estudiantes que aprenden el método, intuiciones que abren nuevas preguntas. Una solución generada por un modelo puede ser verificablemente correcta y epistémicamente opaca al mismo tiempo. Si no podés extraer el método de forma que otros puedan aprenderlo, tenés el resultado pero perdiste el conocimiento que el resultado debería generar.
Tao no está diciendo que la IA no debería resolver problemas matemáticos. Está diciendo que la forma en que lo hace tiene externalidades sobre el capital de conocimiento del campo que no aparecen en ningún balance.
Quién gana, quién pierde y quién no sabe que perdió
OpenAI gana el titular, gana señal de capacidad ante inversores y competidores, y probablemente gana acceso al millón de dólares del Clay Institute. Pierde credibilidad con la comunidad matemática que necesita para validar sus resultados a largo plazo, y abre un frente de conflicto con actores académicos que tienen plataformas propias y las usan.
Los matemáticos jóvenes pierden dos veces: pierden el problema como campo de desarrollo personal y pierden la claridad sobre cómo va a funcionar la atribución cuando los labs compitan en su territorio. Los departamentos de matemáticas pierden un argumento de reclutamiento que era parte de su cultura institucional — «acá podés trabajar en los problemas más difíciles del mundo» es una promesa diferente cuando esos problemas los puede atacar un modelo de lenguaje.
Qué mirar y qué significa
La predicción falsable: el Clay Mathematics Institute rechazará la solución de Navier-Stokes presentada por OpenAI, o impondrá condiciones de revisión que el lab no esté dispuesto a aceptar en sus plazos habituales. Si eso ocurre, establece que los criterios de validación de la comunidad matemática no son compatibles con el modelo de publicación de los labs. Si el instituto acepta la solución sin condiciones adicionales, la mecánica de prioridad científica habrá cambiado de forma permanente y verificable.
El dato a observar en los próximos treinta días: si otros labs — DeepMind, Google Research — anuncian soluciones a otros Problemas del Milenio, el patrón de competencia habrá alcanzado el conocimiento fundamental como nuevo terreno de benchmarks. Para decisores en LATAM que gestionan equipos de investigación o dependen de R&D propio, la implicación más concreta es que el know-how no publicado — el que vive en los equipos, no en los papers — se vuelve más valioso, no menos, en un mundo donde todo lo que está publicado ya está disponible para ser procesado por un modelo.