Techinfo
OpenAI ha decidido evolucionar su proceso de divulgación en respuesta a las opiniones de las comunidades académicas asociadas. Según la organización, estos manuscritos deben ser considerados como una forma de datos de investigación en estado bruto. Para transformar estos datos en comprensión científica, OpenAI está experimentando con un nuevo enfoque en esta ocasión. La empresa contactó a expertos externos y les solicitó que actuaran como guías, organizando grupos que se dediquen a entender los nuevos resultados. A partir de esta colaboración, se sugirieron tres estrategias diferentes de divulgación.
En el caso del resultado matemático, se optó por liberar la salida de la inteligencia artificial, permitiendo que los investigadores organicen sus propios esfuerzos para explicar el resultado. Para el hallazgo en informática, se formará un grupo externo de colaboradores que se encargará de explicar el resultado, mientras que la salida de la inteligencia artificial estará disponible públicamente para que cualquiera pueda examinarla y construir sobre ella. En cuanto al resultado en física, se creará un grupo externo de colaboradores que decidirá sobre la divulgación de los materiales.
OpenAI aún no ha determinado cuál de estas tres estrategias será la más efectiva y está abierta a recibir comentarios sobre qué funciona y qué se puede mejorar. Las colaboraciones externas seguirán cuatro principios fundamentales. Primero, la transparencia: OpenAI será claro sobre la existencia de estas colaboraciones, y los participantes no estarán obligados a firmar acuerdos de confidencialidad, lo que les permitirá discutir el trabajo, compartir productos intermedios y publicar sus conclusiones.
En segundo lugar, no se buscará crédito académico por los descubrimientos generados por los modelos internos de OpenAI. Invitar a un investigador a participar en la colaboración no implica que él o su grupo de trabajo hayan realizado el descubrimiento original. En tercer lugar, se garantizará el reconocimiento: el grupo que desarrolle la comprensión de los hallazgos, redacte informes y cree otros materiales recibirá el reconocimiento correspondiente. Además, se asegurará que el trabajo acredite adecuadamente a los investigadores, técnicas e ideas en las que se basa.
Finalmente, el principio de independencia establece que la participación es voluntaria y no remunerada. Los miembros del grupo de trabajo participarán de manera independiente, y sus conclusiones serán propias. No hablarán en nombre de OpenAI, y OpenAI no se pronunciará en su nombre.
Se entregarán materiales y artefactos relacionados con estos resultados a las colaboraciones. En el caso de la colaboración en informática, el grupo ha decidido hacer pública de inmediato la prueba en lenguaje natural y la formalización en Lean, y las estamos publicando directamente en nuestro repositorio de GitHub. Por otro lado, para la colaboración en física, el grupo ha optado por retrasar la publicación de los artefactos producidos por la inteligencia artificial y, en su lugar, trabajar en la redacción por su cuenta.
Todos estos enfoques implican compensaciones. Por un lado, las colaboraciones permiten a los expertos desglosar los resultados y contextualizarlos dentro de la comunidad académica más amplia. Por otro lado, elegir a los primeros guías necesariamente determina quiénes se involucran primero y crea una asimetría de información. Agradecemos los comentarios sobre cómo ampliar la participación y hacer que este proceso sea más útil.
El resultado en matemáticas se refiere al análisis armónico. En 1991, Sogge propuso la conjetura de suavizado local, que se ocupa del comportamiento de las ondas a medida que se enfocan. En particular, la conjetura establece que el enfoque más extremo debe ser de corta duración. La cantidad de enfoque en un momento aleatorio típico es siempre mucho menor que lo que puede ocurrir en el peor de los casos. Este es un patrón familiar en toda la matemática: lo que puede suceder en el peor de los casos es más extremo que lo que se observa después de promediar. Debido a cuán fundamental es este fenómeno conjeturado, también tiene amplias implicaciones en todo el análisis matemático. Por ejemplo, implica la conjetura de Kakeya y la conjetura de restricción de Stein.
En 2019, Guth, Wang y Zhang demostraron la conjetura de suavizado local en dos dimensiones espaciales. En 2025, Wang y Zahl probaron la conjetura de Kakeya en tres dimensiones. Nuestros modelos produjeron una prueba de la conjetura de suavizado local en todas las dimensiones y, por lo tanto, también resuelven la conjetura de Kakeya y la conjetura de restricción de Stein en todas las dimensiones. La nueva prueba se basa en una novedosa ecuación diferencial parcial auxiliar.
Obtuvimos nuestro resultado de inteligencia artificial el 18 de octubre de 2026, el cual fue formalizado en Lean al día siguiente. Posteriormente, nos pusimos en contacto con un experto para discutir la posibilidad de formar una colaboración en torno a este resultado. Siguiendo su recomendación, decidimos hacer público el resultado de la IA, aplicando la misma estrategia que utilizamos para nuestra publicación del 6 de octubre de 2026. Hemos publicado tanto un informe de salida en lenguaje natural generado por nuestros modelos como una prueba en Lean en nuestro repositorio público de GitHub.
La Hipótesis del Tiempo Exponencial es falsa. La colaboración en ciencias de la computación entenderá y explicará un resultado relacionado con la Hipótesis del Tiempo Exponencial (ETH), una conjetura de larga data sobre la complejidad computacional de la satisfacibilidad de fórmulas booleanas, un problema que está profundamente relacionado con el problema P vs. NP. La ETH ha sido ampliamente considerada como verdadera y se ha utilizado en cientos de artículos para derivar resultados de dureza computacional condicional en una amplia variedad de campos, incluyendo teoría de grafos, biología computacional, bases de datos, geometría computacional y más. Sorprendentemente, nuestro sistema ha demostrado recientemente que la ETH es falsa, un resultado que fue verificado posteriormente en Lean. La refutación de la ETH reabre preguntas sobre cuán más rápidas podrían volverse estas tareas y puede ayudar a guiar la búsqueda de mejores algoritmos. Encontrar tales algoritmos y convertir los avances teóricos en mejoras prácticas requerirá una investigación adicional significativa.
Este trabajo será verificado y supervisado por un grupo liderado por Russell Impagliazzo (UC San Diego), Ramamohan Paturi (UC San Diego) y Ryan Williams (MIT). Los tres son expertos en diseño de algoritmos y teoría de la complejidad. Impagliazzo y Paturi, junto con Francis Zane, son los proponentes originales de la Hipótesis del Tiempo Exponencial y han sido autores de varios artículos influyentes sobre el tema en los últimos 30 años.
Williams ha refutado versiones contundentes del Teorema de la Complejidad Exponencial (ETH), utilizando el ETH para resultados de dureza, y ha conectado algoritmos y límites inferiores. Hemos accedido a las solicitudes del grupo para que todos los datos en bruto de los resultados sean públicos, facilitando así la verificación independiente por parte de la comunidad. Además, OpenAI se ha comprometido a financiar una conferencia para entender las implicaciones de este trabajo en el campo en general. El grupo invita a la comunidad a ayudar a organizar un examen abierto de la afirmación del ETH y a discutir las preguntas más amplias que los avances generados por inteligencia artificial plantean sobre verificación, acceso, reconocimiento y el futuro de la investigación.
Nuestra inteligencia artificial encontró su refutación en lenguaje natural para el ETH el 16 de octubre de 2026 y, posteriormente, formalizamos el resultado en Lean el 17 de octubre de 2026, lo que nos llevó a desarrollar la colaboración aquí descrita. Con ese fin, hemos publicado tanto un documento de salida en lenguaje natural producido por nuestros modelos como una prueba en Lean en nuestro repositorio público de GitHub. La complejidad computacional tiene muchas preguntas y conjeturas abiertas, cuyos demostraciones o refutaciones han eludido hasta ahora los mejores esfuerzos de los científicos. Esperamos que la colaboración entre humanos e inteligencia artificial pueda proporcionar una nueva comprensión en este campo y arrojar luz sobre las capacidades y límites inherentes de la computación eficiente.
La colaboración en física entenderá y explicará un resultado que proporciona una prueba de existencia matemáticamente rigurosa de ciertas teorías cuánticas de campo interactuantes que contienen campos de gauge y fermiones en cuatro dimensiones, incluyendo la Cromodinámica Cuántica (QCD) y una completación unificada del Modelo Estándar de la física de partículas. Nuestro trabajo se basa en el enfoque de Balaban en la teoría cuántica de campos constructiva. Como subproblema, este trabajo también incluye una prueba de la existencia de la teoría de Yang-Mills pura, que es parte del problema del Premio del Milenio del Instituto Clay de Matemáticas sobre la Teoría Cuántica de Yang-Mills.
El Modelo Estándar describe la interacción de partículas subatómicas fundamentales para tres de las cuatro fuerzas fundamentales, excluyendo la gravedad. La prueba de existencia se refiere a la teoría de gran unificación más simple que incluye los campos de gauge y los fermiones del Modelo Estándar, dado que el propio Modelo Estándar no puede extrapolarse a distancias arbitrariamente cortas. La Cromodinámica Cuántica (QCD, por sus siglas en inglés) describe la interacción de partículas como quarks y gluones a través de la fuerza fuerte. La teoría pura de Yang-Mills solo describe las auto-interacciones de los gluones, los portadores de la fuerza, en lugar de la materia como los quarks.
David Gross liderará un grupo que incluye a Michael Douglas, Arthur Jaffe, Igor Klebanov y Nikita Nekrasov, quienes se encargarán de este trabajo. La investigación de Gross en 1973 sobre la libertad asintótica en las teorías de Yang-Mills ayudó a establecer la QCD como la teoría de las interacciones fuertes y le valió una parte del Premio Nobel de Física en 2004. La libertad asintótica es también el mecanismo clave que subyace a la existencia de estas teorías como objetos matemáticamente rigurosos.
Jaffe formuló el problema del Premio Milenio de la Teoría Cuántica de Yang-Mills junto a Witten y también fue quien imaginó la idea de los problemas del Premio Milenio, cofundando el Instituto de Matemáticas Clay. Douglas ha sido un guardián de este problema durante los últimos 20 años, informando sobre su estado en 2004 y proporcionando una actualización integral sobre el progreso a principios de este año.
Klebanov ayudó a pionerar la aplicación de la dualidad gauge-cuerda al confinamiento, una propiedad importante de la QCD, y actualmente dirige la Colaboración Simons sobre Confinamiento y Cuerdas de QCD. Nekrasov ha realizado trabajos innovadores sobre métodos exactos para generalizaciones de la teoría de Yang-Mills y ganó el Premio Dannie Heineman de Física Matemática en 2023.
El grupo solicita que todas las comunicaciones con cualquiera de sus miembros respecto a este esfuerzo se dirijan a la siguiente cuenta de correo electrónico: [email protected].
Nuestros modelos generaron una prueba en lenguaje natural para la existencia de Yang–Mills el 9 de septiembre de 2026, y posteriormente produjeron una prueba para la cromodinámica cuántica (QCD) el 18 de septiembre de 2026. Dada la extensión y complejidad del trabajo, decidimos posponer la publicación hasta que se completara la formalización en Lean. Finalizamos nuestra formalización de la existencia de Yang–Mills el 16 de octubre de 2026, lo que nos llevó a desarrollar la colaboración que se describe aquí.
Esperamos que estos resultados marquen el inicio de una transición en la que la teoría cuántica de campos, el marco más importante en la física teórica moderna, se convierta en un campo matemáticamente riguroso. Estamos entusiasmados de proporcionar recursos para el progreso liderado por la academia hacia ese objetivo.
Estamos comprometidos a apoyar el trabajo más amplio de comprensión y desarrollo de estos resultados. Estas colaboraciones complementan nuestra reciente contribución de 5 millones de dólares a la Fundación Simons. Administrados y otorgados por la Fundación Simons, esos fondos apoyarán talleres, conferencias y programas especiales para ayudar a los investigadores a comprender y construir sobre los resultados producidos por la inteligencia artificial. Nos comprometemos a garantizar financiamiento para que los investigadores examinen, expliquen y desarrollen de manera independiente los resultados mencionados.
Continuamos invitando a recibir comentarios sobre la mejor manera de divulgar resultados y colaborar con los científicos para acelerar el descubrimiento.
Fuente original: OpenAI News.
