Una inteligencia artificial ha dado un salto llamativo desde resolver ejercicios hasta participar en investigación matemática de frontera. El 8 de septiembre de 2026, OpenAI publicó una propuesta de solución para el problema de existencia y regularidad de Navier–Stokes, uno de los siete Problemas del Milenio. La afirmación es extraordinaria: un sistema interno, coordinado mediante miles de agentes, habría construido una demostración de que ciertas soluciones tridimensionales pueden desarrollar una singularidad en tiempo finito.
La noticia merece atención, pero también precisión. OpenAI ha difundido un manuscrito técnico de 166 páginas y una formalización en Lean, dos elementos que facilitan la revisión. Eso no equivale todavía a un reconocimiento definitivo de toda la comunidad matemática ni a la concesión del premio del Clay Mathematics Institute. Estamos ante una propuesta pública con evidencias verificables, no ante un titular que deba aceptarse sin examen.
Qué es el problema de Navier–Stokes
Las ecuaciones de Navier–Stokes describen el movimiento de fluidos como el aire y el agua. Aparecen en campos tan distintos como la aerodinámica, la predicción meteorológica, la ingeniería naval, la circulación sanguínea o el diseño de turbinas. Aunque se utilizan desde hace décadas para hacer simulaciones útiles, una cuestión matemática fundamental seguía abierta: si se parte de unas condiciones suaves, ¿la solución permanece siempre regular o puede “romperse” y generar valores ilimitados en un tiempo finito?
En lenguaje intuitivo, la duda es si un fluido tridimensional idealizado puede concentrar su movimiento hasta formar una singularidad, un punto en el que la velocidad matemática crece sin límite. En un fluido real no observaríamos una velocidad infinita; una singularidad indicaría que el modelo continuo deja de ser suficiente en esa escala. La dificultad reside en demostrar con rigor que la viscosidad siempre evita ese colapso o, por el contrario, construir un caso válido en el que no lo consiga.
El Clay Mathematics Institute incluye Navier–Stokes entre sus Problemas del Milenio. La formulación oficial acepta dos caminos generales: demostrar regularidad global o construir un contraejemplo que satisfaga las condiciones matemáticas exigidas.
Qué afirma haber resuelto el sistema de IA
La propuesta publicada construye una solución de las ecuaciones tridimensionales incompresibles que empieza en reposo, recibe una fuerza externa suave y desarrolla velocidad no acotada en tiempo finito, manteniendo acotada su energía cinética. Según el manuscrito, esta construcción establece las alternativas C y D de la formulación oficial.
El mecanismo puede imaginarse como un vórtice que se contrae y se alarga. La región central se hace cada vez más estrecha mientras aumenta la velocidad. Al mismo tiempo, unas perturbaciones oscilatorias transportan momento de una manera muy precisa para compensar términos que, de otro modo, harían que la fuerza externa dejara de ser suave. El reto no consiste simplemente en escribir una función que explote: todas las piezas deben satisfacer simultáneamente las ecuaciones y las condiciones de regularidad requeridas.
El resultado completo está disponible en el manuscrito técnico sobre el colapso en tiempo finito. La publicación principal de OpenAI ofrece además una explicación más accesible del problema, del resultado y del proceso seguido.
Cómo trabajó el sistema multiagente
La parte más relevante para el futuro de la inteligencia artificial quizá no sea solo la demostración, sino el método. OpenAI describe un sistema basado en un modelo interno más capaz que GPT‑6 Astra, todavía en entrenamiento, coordinando grupos de agentes con acceso a herramientas, código y una copia controlada de información de Internet.
De acuerdo con la información publicada, el grupo dedicado a Navier–Stokes llegó a involucrar del orden de 10.000 agentes concurrentes. Los agentes exploraron enfoques distintos, compartieron hallazgos y recibieron síntesis de las ideas más prometedoras. La compañía informa de 2,7 millones de mensajes y unos 130.000 millones de tokens de salida en el trabajo específico sobre este problema.
Estas cifras no demuestran por sí mismas que el resultado sea correcto. Sí ilustran una nueva forma de escalar la investigación: no solo aumentar el tamaño de un modelo, sino organizar muchas instancias para que formulen hipótesis, busquen errores, prueben variantes y combinen avances parciales.
Del problema de Euler a Navier–Stokes
Antes de concentrar recursos en Navier–Stokes, el sistema obtuvo un resultado relacionado para las ecuaciones de Euler, que describen fluidos sin viscosidad. Ese avance intermedio habría ayudado a orientar la búsqueda posterior. Es un patrón importante: los agentes no atacaron únicamente el objetivo final, sino que trabajaron con problemas cercanos que podían revelar técnicas transferibles.
Formalización con Lean
La demostración fue acompañada por una formalización en Lean, un asistente de pruebas que comprueba si cada paso se deriva de reglas y definiciones explícitas. OpenAI ha publicado los certificados formales de Navier–Stokes y Euler en GitHub.
Una prueba formal reduce ciertos tipos de error lógico y permite que otros especialistas ejecuten la verificación. Sin embargo, no elimina todas las preguntas. La comunidad debe examinar que la formalización representa exactamente el teorema relevante, que las definiciones coinciden con la formulación del problema y que no se ha trasladado una suposición discutible al código formal.
Qué está confirmado y qué no
Hecho comprobable: existe una publicación fechada el 8 de septiembre de 2026, un manuscrito técnico accesible y un repositorio público con la formalización. El documento afirma construir una singularidad para una versión forzada de las ecuaciones y explica las condiciones que pretende satisfacer.
Afirmación pendiente de escrutinio amplio: que la demostración cierre definitivamente el Problema del Milenio. Una prueba de esta magnitud requiere una revisión independiente especialmente exigente. Matemáticos expertos en ecuaciones en derivadas parciales deberán estudiar el argumento, reproducir la verificación formal y comprobar su correspondencia con la formulación oficial.
Lo que no debe afirmarse todavía: que el premio de un millón de dólares ya haya sido concedido, que el resultado esté aceptado universalmente o que las ecuaciones de Navier–Stokes hayan dejado de ser útiles. Incluso si la demostración se valida, las ecuaciones seguirán siendo herramientas esenciales; el resultado aclararía sus límites matemáticos en situaciones extremas.
Por qué importa para la inteligencia artificial científica
Hasta hace poco, gran parte del debate sobre IA en ciencia giraba alrededor de resumir literatura, programar análisis o proponer moléculas. Este caso apunta a algo diferente: sistemas capaces de sostener una investigación larga, dividirla en subtareas, coordinar miles de líneas de razonamiento y producir un artefacto que especialistas humanos pueden auditar.
El cambio potencial no es “la IA sustituye a los matemáticos”. Una lectura más realista es que el cuello de botella puede desplazarse. Generar candidatos y explorar espacios de prueba podría acelerarse enormemente, mientras que definir bien los problemas, verificar supuestos, interpretar resultados y decidir qué merece confianza seguiría requiriendo criterio humano especializado.
Este enfoque conecta con la evolución descrita en nuestro análisis sobre GPT‑6 Astra y la nueva generación de agentes de IA: el valor ya no está solo en responder una pregunta aislada, sino en ejecutar procesos prolongados con herramientas, memoria de trabajo y coordinación.
Una posible nueva cadena de trabajo científico
- Planteamiento humano: investigadores seleccionan el problema, las definiciones y los criterios de éxito.
- Exploración multiagente: grupos de IA prueban estrategias diferentes en paralelo.
- Síntesis: otros agentes reúnen resultados parciales y detectan contradicciones.
- Formalización: el argumento se traduce a un sistema verificable como Lean.
- Revisión independiente: especialistas humanos examinan tanto la matemática como la correspondencia entre el texto y la prueba formal.
La última etapa no es decorativa. Cuanto mayor sea la velocidad de producción de resultados, más importante será disponer de métodos sólidos para filtrar errores convincentes. Una demostración falsa redactada con gran fluidez puede consumir mucho tiempo de revisión; una prueba formal bien construida puede reducir ese riesgo, pero no sustituye el juicio sobre el enunciado y su relevancia.
Qué podría significar en los próximos meses y años
A corto plazo, lo más probable es una revisión intensa del manuscrito y del repositorio. Pueden aparecer correcciones, simplificaciones, objeciones o confirmaciones independientes. El desenlace científico dependerá de ese proceso, no de la repercusión inicial del anuncio.
A medio plazo, si el resultado resiste el escrutinio, veremos más laboratorios combinando modelos de frontera, orquestación multiagente y verificación formal. Las matemáticas son un terreno especialmente adecuado porque muchos resultados pueden expresarse con precisión y comprobarse paso a paso. Después podrían extenderse métodos similares a física teórica, diseño de algoritmos, biología computacional o ciencia de materiales, aunque cada área presenta problemas distintos de validación experimental.
A largo plazo, la lección más profunda podría ser económica y organizativa. Un proyecto con miles de agentes y cientos de miles de millones de tokens requiere recursos considerables. La investigación acelerada por IA no dependerá únicamente de modelos inteligentes, sino también de capacidad de cómputo, acceso a herramientas, buenos sistemas de coordinación y procedimientos públicos de auditoría.
Conclusión: un hito prometedor que debe poder verificarse
La propuesta sobre Navier–Stokes es importante porque reúne tres tendencias: modelos con mayor capacidad matemática, sistemas multiagente a gran escala y demostraciones formalizadas. Juntas pueden convertir la IA en una colaboradora científica mucho más activa que un simple asistente de escritura o programación.
Al mismo tiempo, el rigor obliga a separar anuncio, evidencia y consenso. OpenAI ha publicado materiales concretos que permiten revisar su afirmación; ahora corresponde a la comunidad matemática comprobarlos. Si la demostración se valida, estaremos ante un resultado histórico para las matemáticas y una señal muy fuerte sobre el ritmo de la IA científica. Si necesita correcciones o no supera la revisión, el episodio seguirá siendo valioso como prueba de cuánto pueden explorar estos sistemas y de por qué la verificación independiente es indispensable.