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/openai-math-release-backlash-ahm-statemen-ac66e132.md.
El lanzamiento matemático de OpenAI del 6 de octubre de 2026 ha desencadenado uno de los debates más intensos hasta ahora sobre lo que ocurr...
El lanzamiento matemático de OpenAI del 6 de octubre de 2026 ha desencadenado uno de los debates más intensos hasta ahora sobre lo que ocurre cuando la IA de frontera empieza a producir investigación más rápido de lo que las comunidades humanas pueden asimilar.
OpenAI publicó cientos de manuscritos matemáticos generados por un modelo interno de frontera, que abarcan numerosas áreas de las matemáticas y la informática teórica. El repositorio inicial contenía 722 manuscritos organizados en 372 familias de resultados.
El lanzamiento atrajo inmediatamente una atención intensa.
Algunos matemáticos vieron una aceleración histórica del ritmo de los descubrimientos.
Otros temieron que cientos de argumentos difíciles se hubieran depositado en el dominio público antes de que los expertos humanos tuvieran tiempo suficiente para comprenderlos, verificarlos, contextualizarlos o explicarlos.
La crítica organizada más contundente provino de la Association for Human Mathematics (AHM), que emitió una declaración el 7 de octubre en la que instaba a los matemáticos a dejar de trabajar con OpenAI y defendía una visión de la ciencia centrada en la comprensión humana.
Terence Tao amplificó la declaración al volver a publicarla como artículo invitado en su blog personal de matemáticas.
Ese detalle es importante.
Tao no fue el autor de la declaración de AHM, y la declaración pública de AHM está firmada por el Communications Working Group de la organización. El blog de Tao la describe explícitamente como un artículo invitado republicado desde la propia página de declaraciones de AHM.
Por tanto, la historia no se resume correctamente como «Terence Tao lideró a los matemáticos para declarar la guerra a OpenAI».
Una descripción más precisa sería:
AHM emitió una declaración contundente contra el modelo de lanzamiento de OpenAI, y Tao dio más visibilidad a la declaración al republicarla.
La declaración de AHM es breve, pero su postura es inusualmente directa.
La organización sostiene que la publicación masiva de matemáticas generadas por IA por parte de OpenAI entra en conflicto con las normas científicas existentes y con recomendaciones anteriores formuladas por el Advisory Group on Mathematics and Artificial Intelligence (AGMAI), un grupo asesor independiente.
Las objeciones centrales de AHM no se limitan a determinar si las pruebas individuales son correctas.
La declaración se centra en el proceso.
Su postura puede resumirse en cuatro puntos:
La declaración de AHM concluye instando a los matemáticos a interrumpir su trabajo con OpenAI.
Es un llamamiento real al boicot.
Pero no debe confundirse con una posición de consenso de toda la comunidad matemática.
AHM es una organización de miembros con compromisos públicos sobre las matemáticas escritas por humanos y sobre los límites de la colaboración con empresas comerciales de IA. Sus miembros pueden ser investigadores de la comunidad matemática con estudios de posgrado o un nivel superior.
En el momento de la verificación final, la página pública de miembros de AHM indicaba 809 miembros, incluidos 532 miembros en su AI-free caucus.
Se trata de una organización significativa, pero no de un organismo formal que represente a todos los matemáticos.
Scott Aaronson hizo posteriormente la misma distinción de forma explícita: los miembros de AHM hablan por sí mismos, no en nombre de toda la comunidad matemática.
La disputa se entiende mejor al examinar las recomendaciones de AGMAI.
AGMAI es un grupo independiente acogido por el Institute for Advanced Study. Entre sus miembros se encuentran matemáticos como Timothy Gowers, Martin Hairer, Edward Witten, Ravi Vakil y otros.
OpenAI contactó con algunos de sus miembros para establecer un grupo asesor externo, pero el grupo opera de forma independiente y no acepta pagos de OpenAI.
El 29 de septiembre, AGMAI publicó sus directrices Responsible Release of AI-Generated Mathematics.
El primer párrafo afirma que el grupo no respalda que los laboratorios de IA de frontera prueben problemas matemáticos avanzados en modelos propietarios inaccesibles para la comunidad científica más amplia.
Les pide explícitamente que dejen de hacerlo.
Ese es el punto en el que AHM se apoyó posteriormente.
Aun así, OpenAI continuó evaluando su modelo interno en problemas de investigación abiertos.
Al mismo tiempo, OpenAI afirma que consultó a AGMAI sobre cómo publicar los resultados de forma responsable una vez que esos resultados existieran.
Se trata de dos preguntas diferentes:
¿Deberían los laboratorios de frontera probar modelos propietarios en problemas de investigación abiertos?
y:
Si ya cuentan con resultados importantes generados por IA, ¿cómo deberían publicarse esos resultados?
AHM sostiene que OpenAI ignoró la primera pregunta mientras utilizaba la consulta sobre la segunda para otorgar legitimidad al lanzamiento.
La posición de OpenAI es que la evaluación científica interna continua es importante para desarrollar mejores herramientas de investigación, mientras que el proceso de publicación puede seguir mejorándose mediante los comentarios de la comunidad.
Las recomendaciones de AGMAI del 29 de septiembre son más detalladas que un simple mensaje de «deténganse».
Para los resultados matemáticos generados por IA que todavía no han sido comprendidos por los humanos, el grupo recomienda que los laboratorios:
OpenAI implementó algunas de estas recomendaciones.
La empresa publicó el material en un repositorio público de GitHub con control de versiones y protocolos de citación.
Publicó formalizaciones en Lean para muchas de las pruebas.
Publicó 10 resúmenes abreviados del razonamiento.
Reveló el uso aproximado de cómputo y las estadísticas de evaluación.
También prometió financiar talleres, conferencias y otros programas para ayudar a los humanos a comprender los principales resultados producidos por la IA.
Pero el lanzamiento siguió siendo polémico porque su escala no tenía precedentes y porque gran parte del trabajo todavía no había sido asimilada por los matemáticos humanos.
El lanzamiento original contenía:
| Detalle del lanzamiento | Datos públicos de OpenAI |
|---|---|
| Manuscritos iniciales | 722 |
| Familias de resultados | 372 |
| Problemas aproximados planteados al modelo | 4.000 |
| Cómputo promedio por resultado | ~3 horas equivalentes de razonamiento de ChatGPT Pro |
| Resúmenes abreviados del razonamiento | 10 |
| Formalizaciones en Lean | Muchas, pero no todos los manuscritos |
El repositorio oficial describe una «familia» como un grupo de artículos relacionados que puede incluir un resultado principal, pruebas alternativas, consecuencias o argumentos complementarios.
Esto importa porque:
722 manuscritos ≠ 722 problemas resueltos sin relación entre sí
OpenAI tampoco informó que el modelo hubiera tenido éxito en todos los problemas que intentó.
El repositorio indica que al modelo interno se le plantearon aproximadamente 4.000 problemas durante la evaluación.
La fuente de BAAI repite una cifra del artículo «Mathocalypse» de Scott Aaronson, publicado el 7 de octubre: aproximadamente 8.000 problemas intentados y una tasa de éxito aproximada del 5 %.
Aaronson escribió que eso era lo que aparentemente había oído.
El repositorio propio de OpenAI ofrece ahora una cifra diferente:
aproximadamente 4.000 problemas
Dado que el repositorio constituye el registro de publicación de primera mano, este artículo utiliza la cifra de OpenAI como referencia principal.
También es más prudente no calcular una «tasa de éxito» simple dividiendo 372 entre 4.000.
Una familia de resultados no se corresponde necesariamente de forma unívoca con un único prompt intentado, y el repositorio indica que el catálogo fue filtrado y agregado en función de la relevancia.
La cifra original de «722 manuscritos» ya no es el recuento actual.
El historial del repositorio de OpenAI muestra que un error de signo invalidó un manuscrito y dos artículos dependientes.
Se retiraron tres manuscritos.
OpenAI también revisó otros 14 manuscritos con reparaciones de pruebas, correcciones de enunciados, hipótesis más claras, correcciones de dependencias y correcciones de citas.
Según la última verificación, el repositorio contiene:
719 manuscritos
372 familias de resultados
Esto constituye una evidencia importante para ambos lados del debate.
Para los críticos, demuestra por qué un lanzamiento masivo antes de la comprensión humana completa puede crear problemas de control de calidad.
Para los partidarios, demuestra que OpenAI mantiene un proceso visible de revisión y retirada, en lugar de fingir que el primer lanzamiento es inmutable.
El repositorio conserva las versiones antiguas e incluye avisos de retirada que explican las deficiencias concretas.
El impacto emocional del lanzamiento se aprecia mejor en la reacción de los informáticos teóricos.
Scott Aaronson llamó al acontecimiento el «Mathocalypse».
Su artículo enumera afirmaciones importantes en teoría de la complejidad, algoritmos, teoría de números, física matemática y otras áreas.
Uno de los resultados que más impresionó personalmente a Aaronson fue una supuesta demostración de la Unique Games Conjecture (UGC).
Su esposa, Dana Moshkovitz, ha trabajado en cuestiones relacionadas con la UGC durante gran parte de su carrera.
El manuscrito publicado incluía un certificado en Lean, pero Aaronson subrayó que la verificación formal no equivale a la comprensión humana.
La reacción inicial de Moshkovitz no fue simplemente «la prueba es incorrecta».
En cambio, describió el manuscrito como extremadamente difícil de leer.
Se quejó del uso poco claro de resultados anteriores, de las citas confusas, de las construcciones desconocidas y de una exposición que hacía que el argumento fuera casi imposible de seguir sin ayuda de la IA.
Al mismo tiempo, su reacción no fue completamente negativa.
El artículo de Aaronson también la cita imaginando un futuro en el que los matemáticos con visión creativa pudieran utilizar la IA para comprobar e implementar ideas, y afirmando que quizá hubiera mucho que aprender de las construcciones desconocidas.
Esta es una reacción más compleja que la interpretación de «desesperación» del artículo original.
La dificultad no consiste únicamente en saber si la IA puede resolver un problema.
La cuestión es si los humanos pueden asimilar de forma significativa lo que la IA ha descubierto.
Una de las distinciones más importantes del debate es la diferencia entre:
corrección formal
y:
comprensión matemática humana
Lean puede comprobar mecánicamente que una prueba formal se deriva de los axiomas establecidos y de los lemas verificados previamente.
Es una forma poderosa de garantía.
Pero una prueba en Lean no responde automáticamente a preguntas como:
Las matemáticas tradicionales hacen algo más que certificar la verdad.
Construyen una estructura intelectual reutilizable alrededor de la verdad.
Ese es el núcleo de lo que AHM y AGMAI quieren decir cuando destacan la comprensión humana.
El anuncio de OpenAI del 6 de octubre no afirma que subir el repositorio complete el proceso científico.
La empresa afirma que quiere que los resultados impulsen el conocimiento humano y que financiará:
OpenAI también afirma que está explorando alternativas alojadas por la comunidad para no mantener el material únicamente en un repositorio controlado por la empresa.
La empresa se ha comprometido a mejorar los lanzamientos futuros.
Eso incluye una mejor exposición y presentación matemática.
El argumento de OpenAI es, en esencia:
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.
Los resultados ya existen. Publicarlos con artefactos, revisiones y pruebas formales permite que la comunidad empiece a comprenderlos.
La respuesta de AHM es:
Crear y publicar resultados más rápido de lo que la comunidad puede comprenderlos cambia el propio ecosistema de investigación, y la existencia de una carga de verificación no es neutral.
No se trata del mismo desacuerdo que «la IA es buena» frente a «la IA es mala».
Son visiones enfrentadas sobre lo que cuenta como progreso científico responsable.
El titular de BAAI presenta el episodio como si Tao hubiera «liderado» un boicot colectivo.
Las fuentes primarias no respaldan esa formulación.
El blog de Tao afirma:
Esta es una publicación invitada de la Association for Human Mathematics,
republicada desde su página de declaraciones.
La declaración está firmada por:
Association for Human Mathematics
Communications Working Group
El nombre de Tao no aparece en la lista pública actual de miembros de AHM.
Eso no significa que discrepe de todas las preocupaciones planteadas por AHM.
Tao ha analizado repetidamente los desafíos creados por el progreso extremadamente rápido de la IA en las matemáticas, incluido el riesgo de lo que ha denominado una forma de «indigestión de pruebas»: los resultados pueden llegar más rápido de lo que la comunidad puede asimilarlos.
Pero republicar una declaración no equivale a escribirla, firmarla o liderar la organización que la emitió.
La sección conceptual más contundente del artículo original aborda lo que ocurre después de que un problema difícil ha sido «resuelto».
En las matemáticas tradicionales, un resultado importante suele generar años de trabajo secundario:
La prueba en sí solo es el principio.
Una técnica nueva y poderosa puede ser más valiosa que el teorema que demuestra por primera vez.
La preocupación es que la IA ahora puede producir más argumentos de nivel avanzado de los que la comunidad tiene tiempo de asimilar.
Esto crea una asimetría:
Capacidad de generación de la IA
↓
cientos de pruebas
Capacidad de los expertos humanos
↓
lectura, comprobación, explicación y enseñanza lentas
Si la producción aumenta mucho más rápido que la comprensión, los investigadores pueden acabar dedicando cada vez más tiempo a interpretar las matemáticas producidas por máquinas, en lugar de elegir sus propias direcciones de investigación.
AGMAI hace explícita esta preocupación.
Su respuesta del 6 de octubre afirma que el futuro de la investigación matemática no puede consistir únicamente en que los humanos comprendan resultados seleccionados y producidos por laboratorios de IA.
Los matemáticos todavía deben poder elegir sus propias preguntas y seguir direcciones que no estén definidas por las prioridades de evaluación de una empresa privada.
El artículo original a veces presenta la controversia como una reacción de matemáticos que se sienten «reemplazados».
La ansiedad profesional forma claramente parte de la reacción.
Pero las declaraciones principales plantean un argumento más amplio.
Las matemáticas no son únicamente una lista de preguntas abiertas que esperan ser marcadas como resueltas.
Los investigadores también valoran:
Un modelo que puede producir pruebas rápidamente cambia una parte de ese ecosistema.
No reemplaza automáticamente el resto.
La disputa más profunda gira en torno a quién controla la agenda de investigación cuando una organización tiene acceso a un instrumento matemático mucho más potente que la comunidad pública de investigación.
AGMAI describe esto como el riesgo de crear un sistema de dos niveles, en el que los laboratorios propietarios adelanten al campo.
También existe una preocupación de investigación más sutil.
Para algunos matemáticos, descubrir el camino hacia una respuesta importa tanto como el teorema final.
Si aparece de repente una solución, incluso sin una explicación clara, los intentos futuros ya no son psicológicamente independientes.
Los investigadores saben:
Esa información puede cambiar el proceso de búsqueda de forma permanente.
El artículo original lo describe como «contaminación».
Un término menos cargado sería pérdida de independencia informativa.
Una vez que un campo conoce el destino, los investigadores ya no pueden experimentar la incertidumbre original de la misma manera.
Que esto sea perjudicial depende de lo que se considere el propósito de la investigación matemática.
Si el único objetivo es acumular teoremas verdaderos, resolver rápidamente resulta claramente atractivo.
Si el objetivo también incluye cultivar el descubrimiento y la comprensión humanos independientes, la respuesta es menos sencilla.
La respuesta de Yann LeCun representa la visión opuesta.
En un comentario público, sostuvo que las matemáticas están entrando en una nueva era, en lugar de estar muriendo.
Su posición es que, a medida que la demostración formal se automatice cada vez más, la atención humana podrá desplazarse hacia:
La analogía resulta familiar:
Una tecnología puede hacer que una habilidad humana sea menos central y, al mismo tiempo, ampliar el rango de cosas que las personas pueden hacer.
Desde esa perspectiva, la demostración automatizada no acaba con las matemáticas.
Cambia la ventaja comparativa de los matemáticos humanos.
Scott Aaronson adopta una posición igualmente matizada.
Critica con firmeza a las empresas de IA cuando considera que su comportamiento merece críticas, pero también rechaza la idea de que las empresas deban abstenerse de resolver problemas matemáticos abiertos simplemente porque los investigadores humanos quieren resolverlos primero.
Su conclusión es que las matemáticas tendrán que adaptarse.
Es demasiado pronto para saber cuántos de los resultados del 6 de octubre superarán el escrutinio detallado de los expertos en su forma actual.
La propia OpenAI advierte de que algunos resultados no formalizados pueden contener problemas.
Las tres retiradas iniciales demuestran que la prudencia está justificada.
Al mismo tiempo, también resulta difícil descartar todo el lanzamiento como «basura generada por IA».
Algunos manuscritos tienen formalizaciones en Lean comprobables por máquina.
Los expertos están leyendo activamente los principales resultados.
La colección contiene afirmaciones sobre problemas en los que investigadores serios han trabajado durante años.
Por tanto, el criterio adecuado no es ni la aceptación ciega ni el rechazo automático.
Cada resultado necesita su propia vía de verificación:
Manuscrito generado por IA
↓
verificación formal cuando sea posible
↓
lectura experta
↓
comprobaciones bibliográficas y de originalidad
↓
reconstrucción expositiva
↓
aceptación o rechazo por parte de la comunidad
Este proceso llevará tiempo.
| Afirmación | Estado actual |
|---|---|
| OpenAI publicó más de 700 manuscritos matemáticos generados por IA | Confirmado |
| El repositorio inicial contenía 722 manuscritos | Confirmado |
| El repositorio actual contiene 719 manuscritos | Confirmado tras 3 retiradas |
| La colección contiene 372 familias de resultados | Confirmado |
| El modelo se probó con ~8.000 problemas | Informado por Scott Aaronson, pero el repositorio de OpenAI indica ~4.000 |
| El cómputo promedio fue de ~3 horas de razonamiento de ChatGPT Pro por resultado | Confirmado por OpenAI |
| Muchos manuscritos tienen formalizaciones en Lean | Confirmado |
| Todos los manuscritos están formalmente verificados | Falso |
| Todos los resultados son plenamente comprendidos por expertos humanos | No |
| AHM pidió a los matemáticos que dejaran de trabajar con OpenAI | Confirmado |
| Terence Tao fue el autor o líder de la declaración de AHM | No respaldado por las fuentes primarias |
| Tao republicó la declaración de AHM en su blog | Confirmado |
| AGMAI aprobó todo el proceso de OpenAI | No; afirma explícitamente que su papel no constituye un respaldo |
| OpenAI financia programas para ayudar a la comprensión humana | Confirmado |
| Las 372 familias de resultados ya son teoremas matemáticos aceptados | No |
Es probable que la controversia sobreviva a este repositorio concreto.
Si los modelos de frontera siguen mejorando, la comunidad matemática necesitará flujos de trabajo capaces de avanzar a su ritmo.
Varios requisitos están empezando a quedar claros.
Cada resultado debería indicar qué modelo lo produjo, qué prompts se utilizaron, cuánto cómputo se empleó y qué edición humana se realizó.
Cuando sea posible, las pruebas deberían incluir artefactos comprobables por máquina.
Una prueba correcta no basta si los expertos no pueden entender por qué funciona.
Los sistemas de IA necesitan flujos de trabajo más sólidos para identificar técnicas anteriores relacionadas y asignar el reconocimiento correspondiente.
Los resultados científicos no deberían depender por completo de una infraestructura controlada por la empresa que los generó.
Si un laboratorio publica cientos de resultados avanzados, la carga de explicarlos no debería recaer por completo en académicos que trabajan sin remuneración.
Una comunidad de investigación no puede mantener su independencia intelectual si solo unas pocas empresas tienen acceso a los sistemas matemáticos más potentes.
Estos puntos se acercan mucho más al debate real de AGMAI que el titular simplificado de «humanos contra IA».
OpenAI publicó un gran repositorio público de manuscritos matemáticos y artefactos de pruebas producidos por un modelo interno de frontera. El lanzamiento inicial contenía 722 manuscritos agrupados en 372 familias de resultados.
OpenAI retiró tres manuscritos después de detectar un error de signo en un argumento que también afectaba a dos artículos dependientes. El repositorio conserva el historial de versiones y los avisos de retirada.
Las fuentes primarias no respaldan esa descripción. La declaración fue emitida por el Communications Working Group de la Association for Human Mathematics; Tao la republicó como artículo invitado en su blog personal.
AHM es una organización centrada en preservar las matemáticas como práctica intelectual humana en la era de la IA. Pueden ser miembros investigadores con estudios de posgrado o superiores que acepten sus compromisos, incluidas restricciones sobre determinadas colaboraciones con empresas comerciales de IA y sobre la publicación de textos matemáticos generados por IA.
AGMAI es el Advisory Group on Mathematics and Artificial Intelligence independiente, acogido por el Institute for Advanced Study. Asesora a los laboratorios de IA sobre la interacción responsable con la investigación matemática, pero no tiene autoridad para tomar decisiones sobre OpenAI.
AGMAI afirma que su función asesora no debe interpretarse como un respaldo al proceso que produjo los resultados. El grupo valoró la participación constructiva, pero señaló que la comunidad matemática debe juzgar hasta qué punto se siguieron sus recomendaciones.
No. OpenAI afirma que muchas pruebas tienen formalizaciones en Lean, pero no todas. El repositorio advierte explícitamente que algunos resultados no formalizados podrían contener problemas.
Una prueba formalmente correcta establece la validez lógica, pero las matemáticas también dependen de la explicación, las ideas reutilizables, la estructura conceptual, el contexto histórico y las nuevas direcciones de investigación. La comprensión humana es lo que convierte un teorema aislado en parte de una disciplina viva.
El lanzamiento matemático de OpenAI del 6 de octubre es tanto un hito de investigación como una prueba de resistencia para las normas de la investigación matemática. La empresa publicó cientos de manuscritos generados por IA, muchos de ellos con artefactos formales, pero la comprensión humana no ha mantenido el ritmo del volumen de producción.
AHM respondió instando a los matemáticos a dejar de trabajar con OpenAI y a preservar una ciencia centrada en la comprensión humana. Tao amplificó esa declaración al republicarla, pero no fue su autor ni la lideró. AGMAI adopta una posición más procedimental: se opone a probar modelos propietarios en problemas de investigación abiertos y, al mismo tiempo, publica recomendaciones detalladas para la publicación responsable cuando esos resultados existen.
El propio repositorio ya está evolucionando. Se han retirado tres manuscritos, se han revisado otros y las comunidades de expertos están comenzando el trabajo, mucho más lento, de comprender qué descubrió realmente el modelo.
El conflicto central no es simplemente entre los matemáticos humanos y la IA. Es si la producción de nuevos teoremas puede escalar mucho más rápido que los procesos humanos que verifican, explican, contextualizan y deciden en qué debería convertirse la matemática.
Empieza con una sola frase y obtén un sitio completo en minutos.
