Durante casi dos siglos, las ecuaciones de Navier-Stokes fueron uno de los grandes desafíos de las matemáticas modernas. Formuladas en el siglo XIX para describir el comportamiento de los fluidos, plantean interrogantes que continúan siendo fundamentales para comprender fenómenos tan diferentes como el movimiento del aire, el agua, la turbulencia y numerosos procesos físicos.
Ahora, un modelo de inteligencia artificial de OpenAI afirma haber alcanzado un resultado relacionado con uno de los problemas derivados de estas ecuaciones en cuestión de días. La noticia provocó una fuerte conmoción en la comunidad matemática y abrió una discusión que excede ampliamente la solución de un problema específico: ¿qué ocurre con una disciplina construida durante siglos sobre la creatividad, la intuición y el razonamiento humano cuando las máquinas comienzan a producir resultados matemáticos de enorme complejidad?
La reacción de algunos de los principales especialistas muestra la magnitud del cambio. Terence Tao, medallista Fields y una de las figuras más reconocidas de las matemáticas contemporáneas, expresó su preocupación por el impacto que estos avances pueden producir sobre su campo. Otros investigadores, como Benjamin Antieau, describieron el desarrollo como sorprendente, especialmente si se lo compara con las limitaciones que tenían los modelos de IA hasta hace poco tiempo.
La transformación no se limita a un único resultado. Días después, OpenAI afirmó que el mismo sistema había logrado resolver más de un centenar de problemas matemáticos abiertos de larga data en diferentes áreas, aunque la compañía no difundió públicamente todos los detalles necesarios para evaluar esas afirmaciones.
5
El problema de Navier-Stokes y una pregunta que permanece abierta
La importancia del caso no radica solamente en la velocidad con la que una IA puede procesar información. También obliga a revisar qué significa realmente resolver un problema matemático.
Una respuesta generada por una máquina no equivale automáticamente a una demostración matemática aceptada. Para que un resultado sea incorporado al conocimiento científico debe poder ser examinado, reproducido, comprendido y verificado por otros investigadores.
Ese es precisamente uno de los principales puntos planteados por la Real Sociedad Matemática Española (RSME), que calificó el avance como un hito relevante, pero insistió en la diferencia entre una propuesta de solución y una demostración rigurosa.
La distinción es fundamental. Una computadora puede encontrar una secuencia lógica que conduzca a una conclusión, pero la comunidad científica necesita conocer por qué funciona, cuáles son sus supuestos, qué pasos pueden comprobarse y si el procedimiento puede ser reproducido independientemente.
En el caso de Navier-Stokes aparece además otra cuestión: determinar cuánto de la solución procede realmente del sistema de inteligencia artificial y cuánto corresponde al conocimiento desarrollado durante décadas por matemáticos humanos.
La IA no comenzó desde cero
La discusión sobre la autoría y el mérito científico es uno de los aspectos más delicados del episodio.
Investigadores citados en el debate recuerdan que los modelos de inteligencia artificial no trabajan necesariamente sobre un territorio completamente desconocido. Pueden utilizar conocimientos matemáticos acumulados durante generaciones y reproducir, combinar o desarrollar líneas de investigación previamente exploradas.
La RSME destacó, entre otros antecedentes, los trabajos de Diego Córdoba, Luis Martínez-Zoroa y Fan Zheng, además de investigaciones más recientes de Levent Alpöge y Tristan Buckmaster.
Estos últimos investigadores sostuvieron que habían avanzado previamente en una dirección relacionada con el problema y plantearon cuestionamientos sobre la posible utilización de sus trabajos. OpenAI, por su parte, rechazó las acusaciones de plagio.
La controversia pone sobre la mesa una cuestión que probablemente se volverá cada vez más importante: si una inteligencia artificial construye una demostración a partir de miles de años de conocimiento matemático, ¿cómo debe distribuirse el mérito entre el sistema, sus desarrolladores y los investigadores que construyeron las herramientas conceptuales utilizadas?
6
Una demostración todavía necesita científicos que la verifiquen
La discusión adquiere especial importancia porque el modelo utilizado por OpenAI es interno y no está disponible públicamente.
Eso dificulta la evaluación independiente de los resultados y plantea interrogantes sobre los recursos empleados para alcanzar las conclusiones. También hace más complejo establecer qué parte del proceso correspondió al razonamiento de la máquina y qué parte a las investigaciones anteriores incorporadas directa o indirectamente en su funcionamiento.
Para la comunidad científica, la verificación independiente será entonces una etapa decisiva.
Una máquina puede producir una respuesta en horas o días, pero el conocimiento científico necesita algo más que velocidad: requiere transparencia, discusión y posibilidad de reproducción.
La diferencia podría parecer pequeña, pero es esencial. En matemáticas, demostrar no significa simplemente llegar a una respuesta correcta. Significa construir un argumento cuya validez pueda ser examinada paso a paso.
El verdadero desafío: la creatividad
La discusión más profunda, sin embargo, no se refiere a la capacidad de las máquinas para realizar cálculos o encontrar soluciones. Se refiere a la creatividad matemática.
¿Puede una inteligencia artificial descubrir una idea completamente nueva? ¿Puede decidir qué problema merece ser investigado? ¿Puede formular una pregunta que modifique una disciplina?
Algunos matemáticos sostienen que los actuales sistemas amplían enormemente la capacidad de explorar y demostrar, pero no necesariamente generan nuevas ideas matemáticas en el sentido tradicional.
Otros observan que incluso cuando una IA produce un resultado aparentemente autónomo, detrás de ella existe una enorme cantidad de creatividad humana: investigadores que diseñaron el modelo, establecieron sus objetivos, construyeron los sistemas de entrenamiento y decidieron qué problemas intentar resolver.
La cuestión se vuelve entonces más filosófica que tecnológica. Resolver no es necesariamente comprender.
5
¿Puede la IA reemplazar a los matemáticos?
La preocupación llegó incluso a algunos de los científicos más reconocidos de la disciplina. Cerca de 25 medallistas Fields firmaron una carta abierta en la que advierten sobre los posibles efectos disruptivos de la inteligencia artificial sobre la investigación matemática.
Pero la misma discusión contiene una segunda perspectiva: la IA también puede convertirse en una herramienta capaz de acelerar investigaciones que antes demandaban años.
Terence Tao plantea una visión en la que la inteligencia artificial debería estar al servicio de los matemáticos, y no orientada a reemplazarlos. Desde esa perspectiva, una máquina puede ser extraordinariamente eficaz para alcanzar un objetivo, pero los seres humanos continúan siendo necesarios para decidir qué objetivos tienen sentido.
Porque una parte esencial de la matemática no consiste solamente en encontrar el camino entre un punto A y un punto B. Consiste en descubrir qué punto vale la pena alcanzar.
En esa diferencia podría encontrarse uno de los últimos territorios de la creatividad humana.
Una nueva relación entre máquinas y conocimiento
OpenAI anunció la creación de un grupo asesor matemático independiente destinado a revisar resultados preliminares, colaborar en su comunicación y formular recomendaciones sobre estándares académicos y profesionales.
La iniciativa refleja una transformación que probablemente no será exclusiva de las matemáticas. La inteligencia artificial comienza a ingresar en espacios que durante siglos fueron considerados exclusivamente humanos: la formulación de hipótesis, la resolución de problemas complejos, la investigación científica y la producción de conocimiento.
El caso de Navier-Stokes puede terminar siendo recordado no solamente por la solución de un problema matemático, sino por la pregunta que deja detrás.
6
Durante generaciones, los matemáticos avanzaron lentamente, acumulando conocimientos, errores, intuiciones y descubrimientos. Ahora una máquina puede recorrer en días caminos que antes podían exigir años de investigación.
Pero esa velocidad plantea una paradoja: cuanto más capaces se vuelven las máquinas de encontrar respuestas, más importante puede resultar determinar quién formula las preguntas.
El futuro de las matemáticas probablemente no dependa exclusivamente de si la inteligencia artificial consigue resolver problemas que parecían inaccesibles. La cuestión decisiva será otra: si los seres humanos seguirán utilizando esas máquinas para ampliar su capacidad de comprender el mundo o terminarán delegando en ellas la tarea de decidir qué merece ser comprendido.
