---
canonical_url: "https://techinfo.com.ar/contenido/1431/openai-solicita-a-expertos-externos-validar-pruebas-de-su-inteligencia-artificia"
title: "OpenAI solicita a expertos externos validar pruebas de su inteligencia artificial en matemáticas y ciencias computacionales"
article_type: "Article"
description: "OpenAI ha anunciado que sus modelos internos han refutado una suposición central en la informática y han demostrado parcialmente uno de los Problemas del Milenio. Ahora, expertos externos evaluarán la validez de estas pruebas."
main_image: "https://techinfo.com.ar/download/multimedia.grande.bba29ac2f705fee8.Z3JhbmRlLndlYnA%3D.webp"
date_published: "2026-10-27T16:58:00-03:00"
date_modified: "2026-10-27T16:58:31-03:00"
author_name: "Techinfo"
author_url: "https://techinfo.com.ar/usuario/2/techinfo"
category_name: "Inteligencia Artificial"
category_url: "https://techinfo.com.ar/categoria/6/inteligencia-artificial"
category_description: "Modelos, empresas de IA, regulación, herramientas"
---

# OpenAI solicita a expertos externos validar pruebas de su inteligencia artificial en matemáticas y ciencias computacionales

![](https://the-decoder.com/wp-content/uploads/2026/10/openai_navier.png)

OpenAI presentó tres resultados en matemáticas, ciencias de la computación y física a través de una publicación en su blog. La empresa afirma que sus modelos de inteligencia artificial generaron estas pruebas, las cuales describe como una especie de datos de investigación en bruto que aún necesitan ser comprendidos.

Para ello, OpenAI ha solicitado la colaboración de expertos externos que actúen como "pastores" de los resultados. Según su asesoramiento, la compañía está abordando cada campo de manera diferente. Además, OpenAI ha traducido las pruebas de matemáticas y ciencias de la computación al lenguaje Lean.

Lean es un lenguaje de programación que permite a una computadora verificar cada paso de una prueba. Sin embargo, esto no garantiza que el resultado esté libre de errores. Lean solo comprueba si la prueba establece la afirmación tal como fue redactada en Lean. Los expertos aún deben decidir si esa afirmación realmente captura el problema que se pretendía abordar.

Si OpenAI tiene razón, una suposición central en la informática sería incorrecta. El resultado relacionado con la informática se centra en la Hipótesis del Tiempo Exponencial (ETH), que se refiere al problema de satisfacibilidad booleana, conocido como SAT. Este problema trata sobre una fórmula lógica cuyas variables pueden ser verdaderas o falsas. La pregunta es si se pueden establecer las variables de tal manera que toda la fórmula resulte verdadera.

Con solo unas pocas variables, es posible probar cada combinación. Sin embargo, cada nueva variable duplica el número de posibilidades. Con 100 variables, ya se está considerando un número de 31 dígitos. En términos simples, la ETH sostiene que no existe un atajo real. Se puede acelerar el proceso de prueba y error, pero en el peor de los casos, el tiempo de computación sigue creciendo de manera exponencial, aumentando por un factor fijo con cada variable añadida.

OpenAI sostiene que el problema de satisfacibilidad está estrechamente relacionado con el problema P versus NP. Esta es la famosa pregunta abierta sobre si un problema cuya solución puede ser verificada rápidamente también puede ser resuelto rápidamente. En el caso de SAT, la verificación es sencilla porque solo se debe introducir una respuesta propuesta y realizar los cálculos. La parte difícil es encontrar una que funcione.

SAT es considerado el ejemplo clásico de problemas difíciles de este tipo. Un método rápido para resolverlo haría que miles de otros problemas se pudieran resolver rápidamente también. La mayoría de los expertos creen que no existe tal método, y esta creencia se resume en la afirmación "P no es igual a NP".

La Hipótesis de Complejidad Exponencial (ETH, por sus siglas en inglés) va más allá de la mera conjetura. No solo establece que el problema de satisfacibilidad booleana (SAT) es difícil, sino que también define cuán difícil es. Si la ETH se demuestra falsa, el problema P podría seguir siendo diferente de NP, lo que significa que los problemas difíciles no se volverían automáticamente fáciles.

La ETH ha sido ampliamente aceptada como verdadera. Cientos de artículos en teoría de grafos, biología computacional, bases de datos y geometría computacional se basan en esta hipótesis. Estos trabajos demuestran, por ejemplo, que un problema no puede resolverse más rápido que un cierto tiempo si se sostiene la ETH. Ahora OpenAI afirma que su sistema ha probado que la ETH es falsa. Si esta prueba resulta válida, los artículos que dependen de ella perderían su fundamento. Sus resultados no serían automáticamente incorrectos, pero ya no estarían probados.

OpenAI sostiene que este resultado podría ayudar a los investigadores a encontrar mejores algoritmos. Sin embargo, convertirlo en beneficios prácticos requeriría aún mucha investigación. Aunque la recompensa práctica no está clara, las repercusiones teóricas serían significativas.

El problema SAT tiene una gran relevancia en la práctica. Programas especializados, conocidos como solucionadores de SAT, verifican errores en diseños de chips y prueban software, por ejemplo. Estos programas suelen manejar fórmulas con millones de variables. Esto se debe a que las fórmulas de aplicaciones del mundo real son generalmente mucho más fáciles que el peor caso que aborda la ETH. Acelerar solo el peor caso no ayudaría automáticamente a estos programas.

El profesor Ryan Williams del MIT adoptó un tono similarmente cauteloso en la plataforma X. Cuando un usuario le preguntó qué notarían primero los desarrolladores en su día a día, Williams respondió que nadie lo sabe aún. Según su evaluación, es plausible que la resolución práctica de SAT pueda ver un progreso serio en un plazo de 12 meses. "O tal vez no veamos nada de eso. Realmente no lo sé", admitió.

El resultado también tendría repercusiones en la teoría de la complejidad en sí misma, específicamente en el estudio de circuitos, que son redes de puertas lógicas simples como AND, OR y NOT. Si el resultado de OpenAI se sostiene, Williams indica que se seguiría que una cierta clase de problemas muy exigentes no puede resolverse con circuitos pequeños. Aquí, "pequeño" significa que cuando la entrada se duplica en longitud, el circuito necesita, como máximo, aproximadamente el doble de puertas.

Las personas que formularon la ETH están verificando si es incorrecta.

Williams verificará de manera independiente y explicará el resultado junto a Russell Impagliazzo y Ramamohan Paturi de la Universidad de California en San Diego. Impagliazzo y Paturi fueron quienes propusieron originalmente la conjetura de la complejidad de tiempo exponencial (ETH, por sus siglas en inglés) junto a Francis Zane. Williams menciona que el grupo no ha firmado ningún acuerdo de confidencialidad, está trabajando de manera no remunerada y planea compartir hallazgos intermedios a medida que avanzan.

En una carta abierta, los tres también dejan en claro que su participación no implica un respaldo a la afirmación. Un resultado de esta magnitud necesita una revisión cuidadosa e independiente, escriben. A solicitud del grupo, OpenAI está publicando todos los datos en bruto, incluyendo la prueba escrita y la prueba en Lean. La empresa también se ha comprometido a financiar una conferencia sobre lo que significa el resultado para el campo.

Un antiguo conjetura sobre ondas podría ahora ser válida en todas las dimensiones. El resultado matemático se refiere a una conjetura sobre ondas, como las que se producen en el sonido, la luz o los terremotos. El matemático Christopher Sogge la propuso en 1991. Las ondas pueden concentrarse en un único punto, de manera similar a cómo la luz se enfoca en el punto focal de una lupa. La conjetura sostiene que esta concentración extrema solo dura brevemente. Promediando a lo largo del tiempo, las ondas se comportan de manera más suave o uniforme de lo que sugeriría el caso extremo. Por eso se le llama la conjetura de suavizado local.

Hasta ahora, solo se había demostrado en dos dimensiones, para ondas en una superficie como el agua. Guth, Wang y Zhang lograron esto en 2019. OpenAI afirma que sus modelos han producido ahora una prueba para cada dimensión, incluyendo ondas en el espacio y en espacios hipotéticos con aún más dimensiones.

OpenAI sostiene que el resultado va más allá de las ondas. Debido a que la conjetura de suavizado local es tan fundamental en el campo, dos conjeturas bien conocidas derivan de ella. Estas son la conjetura de Kakeya de la geometría y la conjetura de restricción de Stein del análisis de Fourier. El análisis de Fourier descompone señales como los sonidos en oscilaciones individuales. Probar la conjetura de suavizado local prueba automáticamente ambas.

La conjetura de Kakeya muestra cuán difíciles son incluso estos resultados derivados. Wang y Zahl solo la probaron para tres dimensiones en 2025. Según OpenAI, ambas conjeturas ahora estarían resueltas en todas las dimensiones.

A diferencia de los otros dos resultados, no hay un grupo dedicado que supervise esta prueba. OpenAI afirma que se puso en contacto con un experto externo para discutir ese tipo de colaboración. Sin embargo, siguiendo el consejo de esa persona, la compañía decidió publicar el texto de la prueba y la prueba de Lean directamente. De esta manera, los investigadores pueden decidir por sí mismos cómo verificar el resultado.

OpenAI busca establecer una base matemática sólida para la teoría cuántica de campos. Este resultado en física se relaciona con los fundamentos de la física de partículas. Los físicos describen las partículas elementales y las fuerzas entre ellas utilizando la teoría cuántica de campos, que OpenAI considera el marco más importante en la física teórica moderna. Sus predicciones son extremadamente precisas, pero las teorías carecen de una base matemática exacta.

En lugar de eso, los físicos trabajan con aproximaciones, como una red imaginaria de puntos que continúan refinando. Aún es una cuestión abierta si esto produce una teoría única y consistente, lo que significa si una teoría "existe" en el sentido matemático. Si describe correctamente la naturaleza es una pregunta aparte.

OpenAI afirma que su inteligencia artificial ha demostrado que ciertas teorías cuánticas de campos existen en cuatro dimensiones, lo que implica tres dimensiones de espacio más el tiempo. Hasta ahora, nadie ha logrado tal prueba en cuatro dimensiones para teorías donde las partículas interactúan entre sí.

La fuerza fuerte se encuentra en el centro de este asunto. Esta fuerza une a los quarks en protones y neutrones, que a su vez mantienen unidos a los núcleos atómicos. Los gluones son las partículas que transportan esta fuerza. La prueba abarca tres teorías que se construyen unas sobre otras como escalones.

El escalón inferior es la teoría de Yang-Mills. Esta teoría describe únicamente a los gluones, sin incluir a los quarks. Está relacionada con uno de los siete Problemas del Milenio, cada uno de los cuales ofrece un premio de un millón de dólares del Instituto Clay de Matemáticas.

El problema tiene dos partes. La primera consiste en probar que la teoría de Yang-Mills existe matemáticamente. La segunda es demostrar que tiene lo que se llama una "brecha de masa". OpenAI afirma explícitamente que solo ha resuelto la parte de existencia. Esto significa que el Problema del Milenio no estaría completamente resuelto.

La brecha de masa plantea un enigma. En las ecuaciones, los gluones no tienen masa, y las fuerzas que son transportadas por partículas sin masa normalmente tienen un alcance muy amplio. Un ejemplo de esto es la fuerza electromagnética, que es llevada por la luz, que también es sin masa. En contraste, la fuerza fuerte solo actúa a distancias muy cortas, como dentro de un núcleo atómico. Los físicos explican este fenómeno diciendo que los gluones se agrupan en estructuras que sí tienen masa, y que incluso el más ligero de ellos no es sin masa. La diferencia entre cero y esa masa mínima posible se denomina brecha de masa. Las simulaciones por computadora respaldan esta idea, pero nadie ha logrado demostrarla matemáticamente.

El segundo paso es la cromodinámica cuántica (QCD). Esta teoría incorpora los quarks y ofrece una descripción completa de la fuerza fuerte. OpenAI sostiene que ambas teorías pueden coexistir matemáticamente principalmente debido a la libertad asintótica. Esto significa que la fuerza fuerte se debilita a medida que las partículas se acercan, lo que mantiene la matemática manejable incluso cuando la red se vuelve cada vez más fina.

El tercer paso normalmente sería el Modelo Estándar de la física de partículas. Este modelo describe tres de las cuatro fuerzas fundamentales, todo excepto la gravedad. Sin embargo, según OpenAI, no puede extenderse a distancias arbitrariamente pequeñas, ya que algunas de sus fuerzas se vuelven más fuertes a distancias cortas en lugar de más débiles.

Por esta razón, la prueba abarca la teoría de unificación grandiosa más simple. Esta teoría reduce las tres fuerzas a una sola e incluye la fuerza y las partículas de materia del Modelo Estándar. Al igual que la fuerza fuerte, esta fuerza unificada puede debilitarse a distancias pequeñas. No obstante, hasta el momento, ningún experimento ha confirmado tales teorías.

Si la prueba se sostiene, los tres pasos tendrían una base matemática. Esto no alteraría ninguna de las predicciones de la física. OpenAI espera que esto convierta la teoría cuántica de campos en una disciplina matemáticamente rigurosa.

Un grupo liderado por David Gross se encargará de supervisar el trabajo. Gross compartió el Premio Nobel de Física en 2004 por su trabajo sobre la libertad asintótica. El grupo también incluye a Michael Douglas, Arthur Jaffe, Igor Klebanov y Nikita Nekrasov. Jaffe ayudó a redactar el Problema del Premio del Milenio sobre la teoría de Yang-Mills.

OpenAI afirma que ya ha traducido la prueba de Yang-Mills a Lean. Sin embargo, a diferencia del grupo de ciencias de la computación, este grupo está reteniendo los materiales de la inteligencia artificial por ahora y planea redactar el resultado por sí mismo.

El proceso de revisión de OpenAI plantea preguntas propias.

OpenAI reconoce que el proceso de revisión de sus descubrimientos conlleva ciertos sacrificios. Quienes eligen a los primeros evaluadores ayudan a decidir quiénes se involucran primero, lo que significa que algunas personas terminan conociendo más información antes que otras. La empresa también señala que aún no está claro cuál de los tres enfoques que están considerando es el más efectivo para llevar a cabo esta validación.

OpenAI aclara que no está reclamando crédito científico por los descubrimientos realizados por su inteligencia artificial. Según la compañía, el reconocimiento debería corresponder a los grupos que explican los resultados en lugar de a ellos. Esta postura parece ser una respuesta a las críticas que surgieron tras el desastre de relaciones públicas relacionado con las ecuaciones de Navier-Stokes, donde se cuestionó la validez de los resultados generados por su tecnología.

Además, OpenAI ha prometido un financiamiento de $5 millones a la Fundación Simons para apoyar talleres y conferencias que se centren en los resultados de la inteligencia artificial. Esta iniciativa busca fomentar un diálogo más amplio sobre las implicancias y aplicaciones de los avances en este campo.

El grupo liderado por Williams también utiliza su carta abierta para llamar a un debate más amplio que trascienda el proceso de revisión. Las preguntas que plantean son fundamentales: cómo se puede verificar de manera efectiva los avances en inteligencia artificial, quién tiene acceso a esos descubrimientos y quién merece el crédito por estos logros. Estas cuestiones son esenciales para establecer un marco ético y colaborativo en el desarrollo de la inteligencia artificial.

Fuente original: [The Decoder](https://the-decoder.com/openai-asks-outside-experts-including-a-nobel-laureate-to-check-proofs-its-ai-produced-in-math-computer-science-and-physics/).

---

*Contenido creado y optimizado para IA con [Medios CMS](https://medios.io)* — Plataforma profesional para la gestión de medios digitales y portales de noticias.