La IA ya es lo suficientemente poderosa como para resolver los problemas matemáticos más difíciles de la humanidad y también para eliminarnos.
Quien dice esto es el columnista del Wall Street Journal, Ben Cohen.
El 11 de septiembre, escribió una columna sobre IA y matemáticas.
Cohen admitió que no entiende las ecuaciones de Navier-Stokes, pero cree que no necesitas entender ninguna matemática para comprender lo que significa el avance que OpenAI afirma haber logrado:
El avance de la IA se está acelerando, y esta aceleración es aterradora.
Una noticia dura del círculo matemático se convirtió de pronto en un asunto que afecta el destino de toda la humanidad.
El mismo día, Terence Tao y otros 25 ganadores de la Medalla Fields emitieron una declaración conjunta: «Una grave desalineación de la IA en las matemáticas».
Lo que llaman "desajuste" se refiere a que lo que quieren las empresas de IA y los matemáticos no coincide: los matemáticos buscan nuevos métodos y nuevas comprensiones, mientras que las empresas de IA quieren usar problemas famosos para mejorar los puntajes de los modelos.
Por un lado, columnistas gritan sobre el fin del mundo; por otro, matemáticos de primer nivel hablan de desajuste.
Si ves todo lo que sucedió esta semana en conjunto, entenderás por qué no pueden quedarse quietos:
El 3 de septiembre, GPT-6 Astra se lanzó y obtuvo un 97.6% en FrontierMath Tier 4;
El 5 de septiembre, un modelo interno aún no lanzado de OpenAI obtuvo un conjunto de soluciones al problema de Navier-Stokes tras aproximadamente 88 horas de inicio de los primeros agentes;
El 8 de septiembre, OpenAI publicó los resultados, y ese mismo día fue acusado por un matemático de la NYU de hacer un "front-running", además de generar una polémica sobre la autoría al no permitir que empleados de Anthropic aparecieran en el artículo;
El 10 de septiembre, Epoch AI anunció que FrontierMath Tier 4 ya está saturado;
El 11 de septiembre, 25 ganadores de la Medalla Fields emitieron una declaración conjunta. Esa noche, The Wall Street Journal incluyó el avance matemático y el riesgo de extinción por IA en el mismo titular.
Siete días, cinco cosas que apuntan a una brecha: la velocidad con la que la IA crea conocimiento, la velocidad con la que los humanos confirman el conocimiento y la velocidad de ajuste de las reglas están desincronizadas.
14 months, AI breaks through the most difficult math benchmark
FrontierMath Tier 4, un conjunto de problemas matemáticos de nivel de investigación diseñado por Epoch AI para probar los modelos más potentes.
Las preguntas aquí son extremadamente difíciles; algunas requieren que incluso los investigadores más destacados dediquen varios días para resolverlas.
En julio de 2025, al lanzarse el Tier 4, el mejor modelo solo logró alrededor del 5%, lo que equivale básicamente a entregar una hoja en blanco.
Pero en menos de 14 meses, Epoch anunció: cada pregunta de Tier 4 ha sido resuelta al menos una vez por IA.
En其中, la última pregunta fue resuelta por GPT-6 Astra, y el creador fue el matemático Jay Pantone.
Epoch también mencionó específicamente: anteriormente, los matemáticos solían quejarse de que los modelos evitaban sus problemas cuidadosamente diseñados mediante «atajos accidentales», pero esta última pregunta no tomó ningún atajo.
Luego, Epoch arrojó una conclusión fría: este punto de referencia ya está saturado.
The exam paper has fallen behind the test-takers; it's time to switch papers.
La epoch también ha desplazado el campo de batalla hacia verdaderas preguntas abiertas, y el sistema de evaluación de IA comenzó a enfocarse en áreas donde los humanos tampoco conocen la respuesta.
La velocidad de crecimiento de la capacidad de la IA ya ha superado nuestros métodos para medirla.
Como lamentó Greg Burnham de Epoch: una era termina y otra comienza.
88 horas, la IA funcionó por primera vez como un instituto de investigación
Si FrontierMath demuestra que "el punto de referencia ya no puede seguir el ritmo del modelo", entonces el evento de Navier-Stokes presenta una imagen aún más disruptiva:
La IA no solo resuelve problemas, ya ha comenzado a funcionar como una gran organización de investigación.
Esto no es en absoluto una batalla individual, sino una "operación a gran escala" con hasta diez mil agentes.
Se dividen en diferentes grupos, algunos para demostrar, otros para refutar, comunicándose entre sí, compartiendo conclusiones intermedias e incluso cambiando sin interrupción a la versión más reciente del modelo en el camino.
Aproximadamente 88 horas después del lanzamiento de los primeros agentes, uno de los grupos presentó una prueba final de cien páginas.
Ilustración del mecanismo de singularidad de Navier-Stokes publicado por OpenAI: flujo en espiral hacia adentro (inward spiral), estiramiento axial (axial stretching); naranja representa zonas de alta velocidad, cian representa zonas de baja velocidad. El centro del vórtice se contrae cada vez más rápido, la velocidad es ilimitada pero la energía total es finita.
Todo este proceso replica perfectamente el modelo de funcionamiento de los principales institutos de investigación humanos.
Los resultados generados por la máquina en 88 horas requieren años para ser confirmados por humanos.
En el mundo humano, el estado de Navier-Stokes sigue siendo «no resuelto».
Según las reglas del Premio Milenio, una solución debe publicarse primero en un canal adecuado, esperar al menos dos años tras la publicación y obtener la aceptación general de la comunidad matemática mundial antes de que Clay inicie la revisión formal.
El presidente de Clay, Martin Bridson, dijo a AFP que el proceso de evaluación fue «intencionalmente no apresurado» y debe ser «absolutamente estricto». OpenAI también ha indicado que no planea reclamar los 100 mil dólares.
Por lo tanto, la forma más precisa de decirlo es: OpenAI ha publicado una solución a los problemas del milenio, afirmando que ha completado la formalización en Lean, pero aún no ha recibido confirmación independiente de la comunidad matemática.
Resultado generado por máquina, 88 horas. Confirmación humana, al menos dos años. Esta probablemente sea la pareja de contraste más llamativa en matemáticas de IA de esta semana.
No se trata de que la verificación humana sea demasiado lenta. El problema es que la máquina ha acelerado el «descubrimiento» cientos de veces, pero la «comprensión» humana no ha avanzado al mismo ritmo.
Entonces, la verdadera pregunta es: cuando las máquinas comiencen a producir conocimiento en ritmos de "un gran resultado cada pocos días", ¿quién hará la lectura, revisión, interpretación, simplificación y absorción que llevarán años e incluso décadas?
El sistema de firma chocó primero contra el muro
El día en que se hicieron públicos los resultados de Navier-Stokes, la comunidad matemática se conmocionó.
El matemático de la NYU Tristan Buckmaster y Levent Alpöge, que trabaja en Anthropic, también han estado investigando ecuaciones de fluidos relacionadas durante todo agosto.
Según la reconstrucción del New York Times, estas dos personas trabajan de la siguiente manera:
Buckmaster plantea la pregunta, Alpöge envía la pregunta al modelo interno de Anthropic; después de que el modelo genere el resultado, ambos ajustan la pregunta según la salida y continúan alimentando los datos hacia atrás.
Según Buckmaster, después del evento, OpenAI propuso varias medidas de compensación: permitirle publicar primero sus resultados, incluirlo como primer autor del artículo de OpenAI y proporcionarle poder de cómputo para continuar su investigación.
Pero el mayor obstáculo es: OpenAI no quiere que Levent aparezca en el artículo.
En la pizarra está la línea de tiempo del progreso de Buckmaster y Alpöge durante todo agosto: ecuación de Euler el 15 de agosto, formalización en Lean el 22 de agosto, 31 de agosto... y también los nombres de colegas como Figalli y Hairer.
En los negocios, ¿por qué un proyecto interno de OpenAI que ha invertido grandes sumas de dinero debería llevar el nombre de un empleado de su competidor Anthropic?
Luego, la conversación se extendió a otro tema aún más sensible. Buckmaster ha estado utilizando Codex durante los últimos meses para organizar borradores matemáticos generados por IA.
Entonces, ¿es posible que sus ideas de investigación exclusivas, que ingresó como Codex pero aún no ha hecho públicas, se hayan convertido en alimento para los propios modelos de investigación de OpenAI a través de una tubería de datos secreta?
Buckmaster admite que no tiene pruebas, pero en su opinión, la línea temporal del evento y la ruta de prueba de OpenAI sugieren esto.
OpenAI emitió un aviso de actualización de emergencia el 10 de septiembre, indicando que, tras una investigación interna exhaustiva, los prompts de Codex de Buckmaster durante los últimos dos meses no pudieron haber influido de ninguna manera en este modelo interno mediante entrenamiento u otro método.
Quién tiene razón o razón, por ahora se ha convertido en un lío, pero lo que realmente revela es un conjunto completo de preguntas que nadie ha respondido seriamente antes:
¿Se considera realmente un dato protegido de investigación la frase privada de una persona?
¿Pueden atribuirse los nombres de empleados de empresas competidoras a proyectos de investigación con fuertes inversiones internas?
¿Cómo se delimita la contribución nueva frente al trabajo existente si el modelo ha consultado una gran cantidad de datos públicos?
Peter Sarnak del Instituto de Estudios Avanzados de Princeton le dijo al New York Times: "Nunca he oído nada parecido en toda mi vida."
Las reglas académicas acumuladas durante cientos de años en el mundo de las matemáticas nunca fueron diseñadas para contar con barreras de seguridad contra esta velocidad de producción desenfrenada.
Lo que realmente preocupa a los 25 ganadores de la Medalla Fields
Just a day later, 25 Fields Medalists jointly issued a major statement.
Terence Tao, Peter Scholze, James Maynard, Maryna Viazovska... casi todos los cerebros más destacados del mundo matemático están participando.
Esta declaración no es ningún «manifiesto anti-AI».
De hecho, Terence Tao ha estado intentando activamente utilizar la IA para auxiliar la investigación matemática.
Y el comunicado también reconoce que la IA realmente tiene el potencial de acelerar la comprensión matemática real.
Lo que realmente detestan es equiparar directamente "resolver problemas" con las matemáticas; en el actual entusiasmo del mundo de la IA, las empresas de IA están persiguiendo con urgencia y corto plazo el objetivo de resolver problemas famosos como el máximo objetivo de optimización, para impulsar sus acciones y su promoción.
En su opinión, los problemas del milenio parecen ser solo una herramienta de evaluación para demostrar lo potente que es el modelo.
Pero el verdadero valor de las matemáticas radica en que, durante el proceso monótono de resolver problemas, surgen nuevos métodos y conceptos que finalmente se consolidan como parte del sistema de conocimiento compartido de la humanidad.
Ahora las empresas de IA lanzan constantemente resultados impactantes, tan rápido que nadie tiene tiempo para asimilarlos. Esta cadena que ha existido durante miles de años podría romperse en cualquier momento.
La carta conjunta también destacó que los resultados se publicaron demasiado rápido, lo que hizo imposible distinguir claramente qué ideas eran nuevas y cuáles se basaban en el trabajo previo, lo que inevitablemente causará una grave confusión en la atribución y la autoría.
¿Por qué un avance matemático se relaciona con una «advertencia de fin del mundo»?
Lo que realmente importa a la gente común no es que la IA haya superado a los matemáticos.
Es la velocidad con la que las máquinas crean conocimiento, por primera vez, superando con mucha ventaja la velocidad con la que los humanos confirman, atribuyen y asimilan el conocimiento.
No es un alarmismo; el sistema GPT-6 Astra especifica que es el primer modelo de OpenAI en alcanzar el umbral «Crítico» en ciberseguridad, obteniendo un 100% en ExploitBench.
La capacidad organizativa para resolver problemas del milenio, la capacidad de ataque de vulnerabilidades de día cero y razonamientos más difíciles de discernir, tres cosas que coexisten simultáneamente en el mismo modelo.
En el último párrafo del anuncio de Navier-Stokes de OpenAI, hay una frase:
A continuación, deben primero dominar este nuevo modelo antes de decidir cuán rápido avanzar, y podrían necesitar hacer elecciones más cautelosas sobre la velocidad del progreso.
Sí, la empresa de IA que acaba de entregar la respuesta al problema del milenio ha hablado voluntariamente sobre desacelerar.
Cohen también mencionó algo al final del artículo.
El mes pasado, OpenAI reunió a un grupo de matemáticos de primer nivel en su oficina de San Francisco para una reunión privada, asumiendo que la IA finalmente superará a los humanos en matemáticas, y luego discutieron cómo abordar la educación, la colaboración en investigación, la publicación de artículos y cómo formar a la próxima generación de matemáticos.
Hablé todo el día, pero no obtuve respuesta.
Este problema tampoco se puede empaquetar y enviar a Lean para verificación automática.
Solo puede ser descifrado por humanos.
Referencias:
https://www.wsj.com/tech/ai/ai-math-millennium-prize-safety-openai-anthropic-05179825
https://epoch.ai/benchmarks/frontiermath-tier-4-v2?view=graph&tab=release-date
https://www.nytimes.com/2026/09/10/science/tristan-buckmaster-openai-math-navier-stokes.html?utm_source=chatgpt.com
https://www.daniellitt.com/blog/2026/8/11/the-end-of-mathematics/
Este artículo proviene del canal de WeChat "Nuevas Inteligencias", autor: Apocalipsis de la ASI