For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/es/articles/ai-math-after-navier-stokes-justin-solomo-6c97bef7.md.
Las matemáticas generadas por IA están pasando de los problemas de referencia a un territorio que los matemáticos profesionales esperaban qu...
Las matemáticas generadas por IA están pasando de los problemas de referencia a un territorio que los matemáticos profesionales esperaban que siguiera siendo difícil durante mucho más tiempo.
OpenAI afirma que su modelo interno de frontera ha resuelto más de 100 problemas abiertos de larga data en distintas áreas de las matemáticas. El 6 de octubre, la empresa publicó un repositorio público con 722 manuscritos organizados en 372 familias de resultados relacionados, junto con artefactos de prueba y numerosas formalizaciones en Lean.
El resultado más visible llegó antes: una solución generada por IA para el problema de existencia y suavidad de Navier–Stokes, uno de los siete Problemas del Milenio.
La comunidad matemática sigue examinando el resultado. El Clay Mathematics Institute ha señalado que el problema parece haberse resuelto, mientras que su proceso formal de evaluación y asignación de crédito avanzará deliberadamente. OpenAI, por su parte, afirma que no pretende reclamar el Premio del Milenio de 1 millón de dólares.
La pregunta más inquietante es distinta:
¿Qué ocurre cuando una demostración puede verificarse formalmente, pero incluso matemáticos altamente capacitados consideran que la propia demostración es extremadamente difícil de comprender?
Esa pregunta estuvo en el centro de un episodio reciente de Odd Lots de Bloomberg, donde el decano asociado de Educación en Ingeniería del MIT, Justin Solomon, analizó cómo la IA está transformando la investigación matemática, la verificación, la educación y los incentivos académicos.
Odd Lots de Bloomberg analizó cómo la IA está transformando la investigación matemática con Justin Solomon, del MIT.
El tema también se conecta directamente con la conferencia Math 2.0 de Terence Tao, celebrada en octubre de 2026 en Caltech.
El argumento de Tao no es que las matemáticas estén llegando a su fin. Es que el campo está pasando de una era de escasez de demostraciones a una era de abundancia de demostraciones, en la que producir un resultado formalmente correcto puede resultar mucho más barato que comprender por qué ese resultado importa.
Las ecuaciones de Navier–Stokes describen el movimiento de los fluidos.
Aparecen en modelos de:
La cuestión difícil es si las soluciones tridimensionales suaves deben permanecer suaves para todo tiempo o si puede desarrollarse una singularidad en tiempo finito.
El resultado de OpenAI de septiembre respalda la segunda posibilidad.
La empresa afirma que su sistema interno produjo una demostración que muestra que la dinámica de Navier–Stokes puede desarrollar una singularidad en tiempo finito.
El teorema publicado establece la construcción de explosión en tiempo finito utilizada en el resultado de OpenAI sobre Navier–Stokes.
OpenAI también publicó una formalización de la demostración en Lean.
Esto importa porque un asistente de demostración puede comprobar si una cadena de afirmaciones formales se deriva de los supuestos codificados.
Pero la corrección formal y la legibilidad humana son propiedades diferentes.
En Odd Lots, Solomon dijo que el artículo es extremadamente difícil de leer incluso con su formación matemática. Describió que solo pudo avanzar por las primeras páginas antes de que la densidad de detalles técnicos se volviera abrumadora.
Su evaluación fue, en esencia:
La propia descripción del pódcast es más prudente que la versión viral: la demostración es difícil de analizar incluso para matemáticos profesionales.
Eso es más preciso que afirmar que «ningún ser humano puede entenderla».
El cambio clave es que la verificación formal ahora puede avanzar más rápido que la comprensión humana generalizada.
El artículo fuente describe a la IA como si hubiera completado el último uno por ciento de una construcción desarrollada casi por completo por matemáticos humanos.
Eso captura la idea general de que el trabajo humano previo fue importante, pero la historia es más compleja que una simple división de 99 % y 1 %.
El informe técnico de OpenAI indica que sus agentes exploraron múltiples enfoques e intercambiaron ideas intermedias útiles entre grupos.
La empresa también analiza el trabajo concurrente de los matemáticos Levent Alpöge y Tristan Buckmaster sobre un resultado relacionado para la ecuación de Euler.
OpenAI afirma que las demostraciones difieren sustancialmente, incluido el tratamiento de la fuerza externa, y que investigó si entradas recientes de usuarios pudieron haber influido en su resultado.
La empresa concluyó que los prompts relevantes de Codex de Buckmaster durante los dos meses anteriores no pudieron haber influido en el modelo interno utilizado para el resultado de Navier–Stokes.
Por tanto, la descripción más prudente es:
El resultado surgió en un campo en el que los matemáticos humanos ya habían desarrollado ideas importantes a su alrededor, mientras que el sistema interno de OpenAI produjo una nueva demostración que, según la empresa, es técnicamente distinta del trabajo humano concurrente.
Esta distinción importa porque la asignación de crédito se está convirtiendo en una de las cuestiones más difíciles de la ciencia asistida por IA.
La demostración no se generó mediante una única respuesta de chat.
OpenAI describe un proceso de investigación a gran escala y con múltiples agentes.
La empresa afirma que:
Según OpenAI, el modelo interno utilizado para descubrir la demostración era significativamente más capaz que GPT-6 Astra.
Por tanto, el flujo de trabajo se parece menos a un chatbot y más a un programa computacional de investigación:
Miles de instancias de agentes
↓
Muchos enfoques paralelos
↓
Resultados intermedios compartidos entre grupos
↓
Argumentos prometedores consolidados
↓
Formalización en Lean
↓
Revisión humana y comunitaria
Durante la mayor parte de la historia de las matemáticas, una demostración cumplía dos funciones a la vez.
Establecía que un teorema era verdadero.
También explicaba por qué era verdadero en una forma que los matemáticos podían estudiar, simplificar, reutilizar y enseñar.
Las matemáticas formales generadas por IA pueden separar esas funciones.
Una máquina puede producir un argumento que sea verificable mecánicamente, pero que siga siendo profundamente desagradable de leer para los humanos.
Esto crea tres capas distintas:
| Capa | Pregunta principal |
|---|---|
| Validez formal | ¿La demostración se verifica en el sistema formal? |
| Verificación humana | ¿Pueden los expertos inspeccionar el argumento matemático con confianza? |
| Comprensión humana | ¿Pueden las personas extraer conceptos, mecanismos e ideas reutilizables de él? |
Un certificado de Lean es una evidencia sólida de corrección formal.
No produce automáticamente una explicación conceptual.
La preocupación de Solomon es que las matemáticas puedan producir cada vez más respuestas a una velocidad superior a la capacidad humana para convertirlas en comprensión.
La construcción depende de un comportamiento de los fluidos cuidadosamente organizado, en el que diferentes términos se vuelven muy grandes mientras siguen equilibrándose de la manera requerida.
OpenAI visualiza el movimiento local como una combinación de espiral hacia el interior y estiramiento axial.
La visualización de OpenAI muestra una espiral hacia el interior y estiramiento axial en la construcción de flujo incompresible local.
Esto ayuda a explicar por qué la demostración puede ser válida y, aun así, difícil de asimilar.
El argumento requiere un control extenso de escalas, estimaciones, términos que interactúan, comportamiento asintótico y cotas cuidadosamente seleccionadas.
Esto es muy diferente de la imagen popular de una intuición de una sola línea que, de repente, hace que todo el problema resulte evidente.
El episodio de Odd Lots también analizó a Travis Kalanick, cofundador de Uber, y sus comentarios públicos sobre hacer «física intuitiva» con IA.
La idea es que un usuario pueda explorar de forma conversacional preguntas científicas avanzadas sin formación tradicional en ese campo.
El debate sobre la «física intuitiva» pregunta hasta dónde puede llevar la IA conversacional a un no especialista dentro de la investigación científica avanzada.
Esto pone de relieve el modo de fallo opuesto al de las demostraciones formales ilegibles.
En un caso, la IA produce matemáticas que pueden ser correctas, pero demasiado técnicas para que la mayoría de las personas las comprenda.
En el otro, la IA hace que la ciencia compleja parezca lo suficientemente fácil como para que un no especialista pueda confiar excesivamente en una idea que no ha sido verificada con rigor.
El cuello de botella común es la verificación.
La IA puede hacer que tanto las buenas como las malas ideas parezcan pulidas.
Por lo tanto, la calidad de presentación se está convirtiendo en una señal más débil de calidad científica.
Terence Tao planteó el mismo problema de forma más incisiva en su conferencia Math 2.0 de octubre de 2026 en Caltech.
Pide al público imaginar una IA avanzada que recibe esta instrucción:
Encuentra una cura para el cáncer que supere un ensayo clínico de fase 3.
No cometas errores.
La IA consume una enorme cantidad de cómputo y devuelve un cóctel de sustancias químicas hasta entonces desconocidas.
Nadie comprende por completo cómo encontró el tratamiento.
Sin embargo, de algún modo la IA proporciona un certificado Lean para su predicción, y el tratamiento supera un ensayo clínico de fase III.
Tao pregunta si un tratamiento verificado matemáticamente y exitoso en ensayos clínicos seguiría pareciendo seguro si ningún ser humano comprendiera su mecanismo.
La cuestión no es simplemente si el fármaco funciona bajo la prueba indicada.
La cuestión es si el sistema pudo haber optimizado en contra de una debilidad en:
Tao formula entonces algo más personal.
Si tuvieras cáncer y el tratamiento hubiera superado las comprobaciones formales y clínicas, ¿te sentirías mejor sabiendo que al menos un experto humano en cáncer comprendía parte del mecanismo?
¿O que al menos un matemático humano comprendía el modelo utilizado para encontrarlo?
El experimento mental expone un problema central de alineación:
Una optimización potente combinada con una comprensión humana débil puede crear riesgos incluso cuando el objetivo medido parece haberse cumplido.
El argumento más amplio de Tao es que las matemáticas tradicionales se desarrollaron bajo el supuesto de la escasez de demostraciones.
Encontrar una demostración correcta de un problema abierto era difícil, lento, poco frecuente y dependía de conocimientos especializados.
La IA cambia la economía de ese proceso.
Con suficiente cómputo y acceso a modelos de frontera, algunos problemas abiertos pueden abordarse ahora mucho más rápido.
Tao denomina a la condición emergente abundancia de demostraciones.
La conferencia Math 2.0 de Tao sostiene que las matemáticas están pasando de la escasez de demostraciones hacia la abundancia de demostraciones.
Pero Tao rechaza explícitamente la idea de que las matemáticas estén casi terminadas.
Sus diapositivas señalan que la mayoría de los problemas actuales de frontera siguen sin resolverse incluso con grandes cantidades de cómputo, y que el espacio de problemas matemáticos sigue siendo, en la práctica, ilimitado.
Su preocupación se centra en los incentivos.
Describe tu idea una vez y We0 AI puede generar un sitio de presentacion, paginas y CMS, y ayudarte a atraer clientes y trafico tras el lanzamiento.
Una generación completa de proyectos para registro gratuito
Lo mejor para probar un flujo de generación completo y ver rápidamente el primer borrador del proyecto.
Si los investigadores tratan «resolver problemas abiertos famosos» como el único objetivo, la IA puede llegar al destino evitando la exploración humana que históricamente ha generado:
Tao compara los problemas abiertos con faros.
El valor no consiste solo en llegar al faro. El camino hacia él puede revelar el paisaje circundante.
El artículo fuente pasa después de las demostraciones a la publicación académica.
Solomon sostiene que el ecosistema de investigación ya está experimentando una versión del mismo problema.
La IA reduce el coste de producir:
Pero la oferta de revisores humanos cualificados no escala automáticamente al mismo ritmo.
Esto crea una asimetría:
Coste de generar investigación
↓↓↓
Coste de revisar investigación
se mantiene alto
Incluso un artículo sólido puede ser más difícil de detectar cuando el volumen circundante explota.
El artículo fuente afirma que ICLR pasó de aproximadamente mil o dos mil envíos hace una década a 60.000 envíos este año.
Solomon sí utilizó la cifra de 60.000 en el pódcast.
Pero los datos de la conferencia requieren una precisión.
Para ICLR 2026, la retrospectiva oficial de la conferencia informa de:
La cifra cercana a 60.000 que circuló a finales de 2026 está asociada con los registros de ICLR 2027 o los ID de envíos de OpenReview, no con un recuento final de artículos válidos.
Los análisis independientes sitúan el ID máximo de OpenReview por encima de 62.000, al tiempo que señalan explícitamente que se trata de un límite superior y no de un recuento final de artículos.
La tendencia general es real: la presión de envíos está aumentando muy rápidamente. Sin embargo, «ICLR recibió 60.000 artículos terminados» todavía no es una estadística oficial precisa.
El punto más profundo se mantiene tras la corrección.
Los investigadores pueden usar IA para redactar trabajos mucho más rápido de lo que un experto humano puede revisarlos responsablemente.
Solomon describe recibir correos electrónicos de personas que creen que una IA ha encontrado un nuevo teorema y quieren que un experto lo valide.
Históricamente, la dificultad de producir trabajo matemático pulido era en sí misma un filtro parcial.
Ese filtro se está debilitando.
Un argumento débil ahora puede llegar acompañado de:
La apariencia de seriedad se está abaratando.
La atención experta no.
El artículo fuente lleva el argumento más allá: si las matemáticas de frontera dependen cada vez más de enormes presupuestos de inferencia, el poder de investigación puede concentrarse en las organizaciones que controlan los mejores modelos y la mayor capacidad de cómputo.
Solomon plantea una preocupación relacionada.
Un investigador universitario podría utilizar un sistema comercial de IA para avanzar en un problema.
Pero el proveedor podría tener:
La asimetría podría reformular la competencia entre universidades, investigadores independientes y grandes empresas tecnológicas.
También existe una cuestión de atribución de datos.
Si los investigadores discuten ideas mediante sistemas comerciales de IA, ¿qué garantías existen respecto a cómo se almacenan o utilizan esas interacciones?
OpenAI afirma que su sistema de Navier–Stokes no fue influido por los prompts relevantes de Codex de Buckmaster durante los dos meses anteriores.
Pero el problema más amplio de la atribución permanece.
El resultado de Navier–Stokes hace concreta la cuestión del crédito.
Los posibles contribuyentes pueden incluir:
Las convenciones tradicionales de autoría no fueron diseñadas para esta estructura.
El Clay Mathematics Institute ha reconocido que el problema de Navier–Stokes aparentemente se ha resuelto, pero afirma que su proceso para el premio llevará tiempo e incluye reglas para evaluar lo conseguido y asignar el crédito.
OpenAI indica por separado que no pretende reclamar el Premio del Milenio.
Eso elimina una disputa inmediata por el premio, pero no resuelve el problema general de la autoría.
La parte final del argumento de Solomon es más optimista.
Afirma que gran parte del trabajo matemático actual con IA todavía parece situarse dentro de lo que los matemáticos podrían llamar la envolvente convexa del conocimiento existente.
Los modelos pueden ser extremadamente fuertes en:
Lo que está menos establecido es si pueden crear de manera fiable el equivalente de una visión matemática genuinamente nueva.
¿Puede una IA inventar la próxima gran teoría en lugar de resolver un problema que los humanos ya formularon?
¿Puede identificar la próxima pregunta que merezca décadas de atención?
Solomon afirma que eso sigue siendo mucho menos claro.
Las diapositivas de Math 2.0 de Tao indican que la resolución de problemas abiertos es solo una parte visible de las matemáticas.
Otros trabajos valiosos incluyen:
Por tanto, el futuro de las matemáticas humanas puede depender menos de ser la entidad más rápida en llegar a una demostración y más de decidir qué conocimiento debe crearse alrededor de esa demostración.
Cerca del final del pódcast, los presentadores plantean a Solomon la pregunta práctica que muchos padres y estudiantes se hacen:
Si la IA puede resolver más problemas matemáticos, ¿deberían los niños seguir aprendiendo matemáticas?
Su respuesta es sí.
La razón no es que los estudiantes necesiten superar a un modelo de frontera en manipulación simbólica.
La educación matemática también enseña a las personas a:
Estas capacidades pueden volverse más valiosas cuando las respuestas pulidas se vuelven abundantes.
Si las respuestas son baratas, el juicio se vuelve caro.
La idea más sólida del artículo fuente es también la que sobrevive mejor a una verificación de hechos cuidadosa.
La IA puede reducir el coste de generar respuestas candidatas.
Puede reducir el coste de generar demostraciones candidatas.
Incluso puede reducir el coste de la verificación formal.
Pero no reduce automáticamente el coste de la comprensión humana.
Esto crea una nueva jerarquía de recursos escasos:
Respuestas candidatas → más baratas
Demostraciones formales → más baratas
Artículos pulidos → más baratos
Revisión experta → sigue siendo costosa
Interpretación → sigue siendo costosa
Juicio científico → sigue siendo costoso
Comprensión humana → sigue siendo costosa
El peligro no es simplemente que la IA mejore en matemáticas.
El peligro es que la sociedad confunda resultados verificados mecánicamente con conocimiento plenamente comprendido.
La oportunidad consiste en que los humanos pueden redirigir el esfuerzo hacia las partes de la ciencia que siguen siendo más difíciles de automatizar: elegir objetivos, construir explicaciones, diseñar mejores preguntas, interpretar resultados y conectar la verdad formal con el mundo real.
OpenAI publicó en septiembre de 2026 una solución generada por IA que muestra la formación de singularidades en tiempo finito y publicó una formalización en Lean. El Clay Mathematics Institute afirma que el problema parece haberse resuelto, pero su proceso formal de evaluación y asignación de crédito avanza deliberadamente.
No. OpenAI afirma explícitamente que no pretende reclamar el premio. El Clay Mathematics Institute no ha completado su proceso formal de reconocimiento.
El repositorio público de matemáticas de OpenAI contiene 722 manuscritos organizados en 372 familias de resultados relacionados. La empresa afirma que la publicación procedió de una evaluación más amplia que involucró aproximadamente 4.000 problemas, por lo que «722 manuscritos» no debe confundirse con 722 avances completamente independientes.
En Odd Lots de Bloomberg, Solomon dijo que el artículo es extremadamente difícil de leer y que no pudo avanzar más allá de las primeras páginas. Describió la demostración como altamente técnica y probablemente correcta, pero no especialmente elegante.
Math 2.0 es el marco de Tao para las matemáticas en una era de abundancia de demostraciones impulsada por IA. Sostiene que el campo debería poner mayor énfasis en la comprensión humana, la explicación, la experimentación, las bibliotecas formales y el uso productivo de la IA, en lugar de optimizar ciegamente para resolver problemas abiertos famosos.
No. Lean puede comprobar si una demostración formal es válida dentro de su sistema formal, pero eso no proporciona automáticamente una explicación comprensible para humanos, no establece la importancia científica ni muestra cómo las ideas se transfieren de manera segura a aplicaciones del mundo real.
No. La retrospectiva oficial de ICLR 2026 informa de 19.525 envíos válidos. La cifra cercana a 60.000 que circuló a finales de 2026 procede de registros de OpenReview de ICLR 2027 o estimaciones basadas en identificadores de envíos, y no debe tratarse como un recuento final de artículos válidos.
Porque las matemáticas enseñan más que la producción de respuestas. La formulación de problemas, la comprensión de modelos, el juicio lógico, la verificación y la capacidad de hacer buenas preguntas siguen siendo fundamentales incluso cuando la IA puede generar demostraciones rápidamente.
El resultado de OpenAI sobre Navier–Stokes muestra la rapidez con la que están cambiando las matemáticas asistidas por IA. La demostración cuenta con una formalización en Lean y ha sido recibida con cautela por el Clay Mathematics Institute; sin embargo, su densidad técnica también ilustra un problema nuevo: la corrección matemática puede llegar más rápido que la comprensión humana generalizada.
La preocupación de Justin Solomon no es que la IA haya vuelto inútiles a las matemáticas. Es que los sistemas de investigación construidos para demostraciones y artículos escasos pueden tener dificultades cuando las máquinas pueden generar ambos a una escala enorme. Terence Tao describe la misma transición como un paso de la escasez de demostraciones a la abundancia de demostraciones.
Por ello, el cuello de botella más importante puede desplazarse de producir respuestas hacia evaluarlas, explicarlas, conectarlas y comprenderlas.
Cuando las demostraciones se vuelven abundantes, la comprensión humana —no la generación de demostraciones— puede convertirse en el recurso más escaso de las matemáticas.
Empieza con una sola frase y obtén un sitio completo en minutos.
