Astra resuelve Navier-Stokes y cien conjeturas mientras matemáticos denuncian opacidad

La noticia llegó en dos tiempos. Primero, el 8 de septiembre, OpenAI anunció que un modelo interno —bautizado Astra— había resuelto el problema de Navier-Stokes, uno de los siete Problemas del Milenio del Instituto Clay, cuyo premio es de un millón de dólares. Trece días después, la misma empresa reveló que ese modelo había resuelto más de cien problemas abiertos adicionales en geometría, teoría de códigos, complejidad cuántica y criptografía reticular, y presentó un grupo asesor alojado en el Institute for Advanced Study de Princeton para "dar voz a los matemáticos".

Esa velocidad y la escala de los resultados son inéditas. Según la propia OpenAI, el costo computacional para encontrar las diez demostraciones que publicó en detalle —incluyendo cotas nuevas para empaquetamiento de esferas, la conjetura de rigidez de Connes y el problema del vector más cercano en retículos— fue de apenas 2.000 dólares en tokens de API, aunque la carrera final contra Navier-Stokes requirió 10.000 agentes simultáneos durante días, con un gasto de millones de dólares.

Pero la euforia técnica quedó eclipsada por la controversia ética. El matemático de NYU Tristan Buckmaster y el investigador de Anthropic Levent Alpöge llevaban casi un año trabajando en Navier-Stokes con modelos públicos de ambas empresas. Buckmaster denunció que empleados de OpenAI le ofrecieron dos opciones: publicar su resultado y ver la solución de OpenAI al día siguiente, o coescribir un artículo con la empresa excluyendo a Alpöge por ser de la competencia. OpenAI negó haber accedido a sus transcripciones, aunque no respondió si sus modelos se entrenaron con ellas.

Esa tensión no es anecdótica. Veinticinco medallistas Fields firmaron una carta abierta argumentando que los laboratorios de IA "amenazan su trabajo intelectual" al competir por resolver problemas famosos sin respetar las normas de colaboración académica. Terence Tao advirtió en Mastodon que resolver problemas prematuramente con IA opaca puede "contaminar el proceso hasta convertirse en un perjuicio neto para el progreso matemático".

¿Qué está en juego para Latinoamérica?

Una tradición matemática fuerte —IMPA en Brasil, CIMAT en México, la Universidad de Buenos Aires, la Universidad de Chile— tiene la región, pero sus recursos computacionales son una fracción de los que OpenAI o Anthropic pueden desplegar. El programa "ChatGPT para investigadores académicos" ofrece acceso gratuito a 100.000 científicos, pero los modelos de frontera como Astra siguen siendo internos.

Tres implicaciones directas para ejecutivos y centros de I+D en la región:

• Brecha de capacidad asimétrica: Los avances en dinámica de fluidos (Navier-Stokes), criptografía post-cuántica (problema del vector más cercano) y teoría de códigos tienen aplicaciones inmediatas en energía, telecomunicaciones y fintech. Quien controle los modelos que resuelven estos problemas controla la frontera tecnológica.
• Dependencia de infraestructura ajena: La formalización en Lean de las demostraciones de OpenAI requirió herramientas especializadas como Aristotle AI, que no están disponibles abiertamente. La autoformalización sigue siendo el talón de Aquiles de los modelos de propósito general: en el benchmark UnsolvedMath, GPT-5.2, Gemini 3 Pro, Grok y Opus 4.5 obtuvieron cero en autoformalización.
• Riesgo de extracción de conocimiento local: Si los modelos de frontera se entrenan con interacciones de investigadores latinoamericanos —tesis, preprints, conversaciones en APIs— sin atribución ni consentimiento, la región aporta datos pero no captura valor.

El nuevo contrato social de la demostración

OpenAI sostiene que "la atribución debe reflejar honestamente cómo se obtuvo un resultado" y asume responsabilidad por la corrección de las pruebas, mientras los argumentos matemáticos fueron generados por su sistema. Pero el grupo asesor que acaba de crear —nueve matemáticos, solo uno de los cuales firmó la carta de los Fields— no tiene poder para frenar o redirigir la investigación interna. El Institute for Advanced Study lo dejó claro: "no tenemos poder de decisión en ninguna empresa de IA".

Firmada por cientos de investigadores, la Declaración de Leiden sobre IA y Matemáticas pide transparencia, atribución justa y gobernanza comunitaria. Ningún laboratorio grande se ha adherido formalmente.

Hacia una estrategia regional

Latinoamérica no puede igualar el gasto computacional de OpenAI. Pero puede:

1. Exigir cláusulas de soberanía de datos en contratos con proveedores de IA para investigación pública. 2. Invertir en formalización abierta: apoyar el desarrollo de herramientas como Lean en español y portugués, y crear repositorios regionales de problemas abiertos verificables. 3. Usar el benchmark UnsolvedMath —1.146 problemas en 12 dominios, 632 de Erdős— para evaluar proveedores de IA con criterios propios, no solo leaderboards de marketing. 4. Formar consorcios universitario-empresariales que compartan costo de cómputo a cambio de acceso a modelos fine-tuned en problemas locales (hidrología andina, optimización logística amazónica, modelado de yacimientos).

Siempre fue un bien público global la matemática. La irrupción de modelos que resuelven problemas del Milenio por millones de dólares en días cambia la economía del descubrimiento. La pregunta para la región no es si adoptar estas herramientas, sino bajo qué términos. Si el "olfato investigador" —elegir qué problema atacar y por qué— sigue siendo humano, como sugiere Tao, entonces la ventaja competitiva de Latinoamérica está en formular las preguntas correctas para su propio desarrollo. Y en no dejar que la respuesta llegue solo en inglés, desde un servidor en Princeton, sin atribución ni retorno.