OpenAI dice haber resuelto el problema de Navier-Stokes. Analizamos el hito científico y el polémico debate sobre el robo del conocimiento humano.
El pasado 8 de septiembre, OpenAI —la empresa detrás de ChatGPT— anunció algo que, de confirmarse, marcaría un antes y un después en la historia del conocimiento: uno de sus modelos de inteligencia artificial, aún no presentado al público, habría resuelto el problema de Navier-Stokes, uno de los siete Problemas del Milenio. No fue un anuncio menor. Lo acompañó un documento de 165 páginas, una formalización en Lean —un lenguaje que verifica demostraciones matemáticas paso a paso— y la afirmación de que unos 10.000 agentes de IA trabajaron de forma coordinada durante 88 horas para llegar al resultado.
La noticia corrió como pólvora. Pero, como suele ocurrir cuando la IA se mete en terrenos sagrados, el entusiasmo vino acompañado de dudas, acusaciones y una pregunta incómoda: ¿de verdad estamos ante un hito histórico, o ante una operación de marketing disfrazada de ciencia?
¿Qué es eso de Navier-Stokes?
Empecemos por lo básico. Las ecuaciones de Navier-Stokes son, en palabras simples, las fórmulas que describen cómo se mueven los fluidos: el agua que sale de la llave de su fregadero, el aire que rodea un avión, la sangre que circula por sus venas, las corrientes oceánicas o el viento que trae la lluvia. Se formularon en el siglo XIX y desde entonces son la base de la mecánica de fluidos. Cada vez que un ingeniero diseña un ala de avión, un meteorólogo predice un huracán o un cardiólogo estudia un aneurisma, detrás de esos cálculos están, de una forma u otra, las ecuaciones de Navier-Stokes.
El problema es que, aunque funcionan extraordinariamente bien en la práctica, nadie ha podido demostrar matemáticamente que siempre funcionen. La pregunta que ha obsesionado a generaciones de matemáticos es esta: si tomas un fluido que al principio se comporta de manera suave y ordenada, ¿puede llegar un momento en que su velocidad se vuelva infinita en un punto diminuto? Es decir, ¿puede el fluido “romperse” matemáticamente, desarrollar lo que se llama una singularidad en un tiempo finito?
Nadie sabía la respuesta. Por eso, en el año 2000, el Clay Mathematics Institute incluyó este enigma entre los siete Problemas del Milenio, con un premio de un millón de dólares para quien lo resolviera. Hasta ahora, solo uno de esos siete problemas —la conjetura de Poincaré — había sido resuelto (brillantemente, por el ruso Grigori Perelmán… sin IA, acoto venenosamente yo, y digo más: renunció al premio en metálico)
La conexión que quizá no esperabas: los pronósticos del tiempo
Ahora bien, ¿por qué debería importarle esto a alguien que solo quiere saber si va a llover el domingo para poder lavar … si viene el agua? Porque las ecuaciones de Navier-Stokes son, literalmente, el corazón de los modelos numéricos de pronóstico del tiempo. Durante décadas, los meteorólogos han resuelto estas ecuaciones —de forma aproximada, con supercomputadoras— para simular el comportamiento de la atmósfera.
Y aquí es donde el asunto se torna interesante, porque en los últimos años ha ocurrido una revolución silenciosa en ese campo. En noviembre de 2023, Google DeepMind lanzó GraphCast, un modelo de IA capaz de generar pronósticos globales a 10 días con mayor precisión y mucha más velocidad que el modelo del Centro Europeo de Pronóstico a Mediano Plazo, considerado durante años el estándar de oro de la modelación numérica. Antes que él, Nvidia había creado FourCastNet, capaz de generar pronósticos de una semana en menos de dos segundos. Y Huawei, con Pangu-Weather, también se sumó a la carrera. Muchos de estos modelos pasaron inadvertidos en su momento, antes de que el “fenómeno ChatGPT” pusiera todos los reflectores sobre la IA.
La ironía es profunda: estos modelos de IA aprenden de los datos generados por los modelos numéricos tradicionales, que a su vez se basan en las ecuaciones de Navier-Stokes. Es decir, la IA que ahora asegura haber resuelto el problema matemático subyacente fue entrenada, en parte, con los frutos de ese mismo problema que nunca terminamos de comprender del todo.
Y la cosa no queda ahí. En enero de este año, la comunidad de meteorólogos dedicados a huracanes se calentó cuando el investigador Brian McNoldy reveló que el modelo de IA de Google DeepMind había sido el más preciso en el pronóstico de la trayectoria del huracán Melissa durante la temporada de 2025. Para un modelo recién presentado, superar a los modelos establecidos tanto en trayectoria como en intensidad era, en palabras del propio McNoldy, “algo inaudito”. El Centro Nacional de Huracanes de Estados Unidos comenzó a utilizarlo, y fue clave para predecir días antes la rápida intensificación de Melissa.
Lo que antes requería resolver millones de ecuaciones en supercomputadoras, ahora una IA lo hace en segundos. La pregunta que flota en el aire es inevitable: ¿estamos ante el fin de los modelos numéricos tal como los conocíamos? ¿O ante una nueva forma de hacer ciencia, donde la física y el aprendizaje automático se entrelazan de maneras que aún no terminamos de entender?
Lo que OpenAI dice haber encontrado (y la sombra que lo acompaña)
Volvamos a Navier-Stokes. Según OpenAI, su sistema de IA demostró que sí, que las ecuaciones pueden desarrollar esa singularidad. En concreto, describen un escenario en el que un vórtice —un remolino— se contrae y se alarga progresivamente, concentrando su energía en un espacio cada vez más pequeño hasta que la velocidad se dispara sin límite, todo ello manteniendo una energía total finita. Es como si una gota de agua, al arremolinarse, pudiera alcanzar una velocidad infinita en un punto infinitesimal.
El resultado fue verificado en Lean, lo que significa que la demostración no contiene errores lógicos según un sistema formal de verificación. Eso, en el mundo de las matemáticas, es una señal importante.
Pero aquí es donde las cosas se complican. El anuncio de OpenAI llegó doce horas (caramba, qué coincidencia dirían Les Luthier) después de que dos matemáticos humanos —Tristan Buckmaster, de la Universidad de Nueva York, y Levent Alpöge, investigador de Anthropic— publicaran sus propios resultados sobre problemas relacionados con la dinámica de fluidos. Ambos habían utilizado modelos de IA, incluyendo herramientas de OpenAI, para avanzar en su investigación. Buckmaster sostuvo que había trabajado durante aproximadamente un año en esa línea y que el momento del anuncio de OpenAI resultaba, cuanto menos, sospechoso.
La acusación es delicada. Buckmaster afirma que descubrió que “la información sobre nuestro progreso se había transmitido a OpenAI” y que la empresa no había empezado a trabajar en las ecuaciones hasta después de que esa información les llegara. OpenAI negó haber accedido directamente al trabajo privado de los investigadores, pero reconoció que “si bien es improbable, no podemos descartar que los datos anonimizados derivados del uso que hacen de nuestros productos hayan contribuido a mejorar nuestros modelos”.
Ahí está la frase. La rendija por la que se cuela toda la incomodidad. Porque si un investigador usa una herramienta de IA para trabajar en un problema matemático, y esa herramienta aprende de sus conversaciones, ¿quién es el dueño del conocimiento generado? ¿El investigador que pasó un año pensando, o la empresa que diseñó el modelo que “aprendió” de ese pensamiento?
El problema ético: cuando el conocimiento se convierte en materia prima
Esto no es un debate abstracto. Es el mismo problema que atraviesa toda la industria de la IA: los modelos se entrenan con datos —textos, imágenes, conversaciones, código— que en su mayoría provienen de seres humanos que no dieron su consentimiento explícito ni recibieron compensación alguna. La diferencia, en este caso, es que el “dato” no es una foto de un gato o un fragmento de código anónimo. Es el fruto de un año de trabajo intelectual de dos matemáticos que estaban a punto de publicar su propio resultado.
OpenAI ha dicho que no reclamará el premio del millón de dólares (no faltaba más). Un gesto que, en el mejor de los casos, es una muestra de moderación; en el peor, una forma de esquivar el escrutinio que implicaría reclamarlo. Porque el premio no es lo importante. Lo importante es lo que está en juego: la posibilidad de que una empresa privada, usando herramientas que ella misma controla, absorba el conocimiento generado por investigadores independientes y lo presente como un logro propio.
Un comentarista tecnológico lo expresó con crudeza: OpenAI estaría intentando “privatizar el mismísimo mecanismo del conocimiento humano”. Puede sonar exagerado, pero la frase captura una inquietud real. Si el conocimiento matemático —el tipo de conocimiento más abstracto, más puro, más aparentemente alejado de los intereses comerciales— puede ser absorbido y transformado en un producto corporativo, ¿qué queda fuera del alcance de ese mecanismo?
Y hay una ironía adicional, casi cruel: los modelos de IA que pronostican huracanes con precisión inaudita, que resuelven ecuaciones que llevaban dos siglos sin respuesta, se entrenan con los datos que generan los modelos numéricos tradicionales. Es decir, con el conocimiento acumulado de generaciones de físicos y matemáticos que trabajaron con las ecuaciones de Navier-Stokes sin resolverlas del todo. La IA no parte de cero: parte de todo lo que nosotros hemos construido, y luego nos vende de vuelta el resultado.
¿Es esto realmente un hito?
Aquí conviene ser prudente. La demostración de OpenAI aún no ha sido revisada por la comunidad matemática en su conjunto. El propio Clay Mathematics Institute ha recibido el anuncio con cautela, y varios expertos han señalado que el resultado necesita pasar por el escrutinio de pares antes de ser aceptado como válido. Además, hay matices técnicos importantes: el problema original de Navier-Stokes se refiere a fluidos sin fuerza externa, mientras que la demostración de OpenAI parece incluir una fuerza que actúa sobre el fluido, lo que podría no ser exactamente equivalente al enunciado del Milenio.
Dicho esto, incluso con esas salvedades, el logro es significativo. Si la demostración es correcta, resolvería el problema en sentido negativo: mostraría que hay ruptura, que puede formarse una singularidad, es decir, que las ecuaciones no siempre conducen a una solución suave. Y de confirmarse, sería la primera vez que un sistema de inteligencia artificial resuelve uno de los problemas abiertos más importantes de las matemáticas. Eso, independientemente de las controversias, marca un punto de inflexión.
Pero el punto de inflexión no es solo técnico. Es, sobre todo, ético. El asunto ya no es si la IA puede hacer matemáticas, sino a costa de quién, con qué datos y bajo qué reglas. Porque si el conocimiento se convierte en materia prima que fluye sin fricción desde quien lo genera hacia quien controla la infraestructura, entonces el problema de Navier-Stokes —y su anunciada solución— se convierte en una parábola de algo mucho más grande.
Un domingo para pensar
Mientras mi amable lector toma su café matutino este domingo, quizá valga la pena que se detenga en una idea: las ecuaciones que describen el agua que cae de la llave de su fregadero llevan dos siglos sin ser comprendidas del todo. Y ahora, una máquina dice haber encontrado la respuesta. Puede que sea verdad, puede que sea exageración, puede que sea ambas cosas a la vez.
Pero hay una cuestión que no deberíamos pasar por alto: ¿de quién es el conocimiento que una máquina “descubre” después de haber sido entrenada con el trabajo de quienes llevan años buscándolo? La respuesta, por ahora, sigue siendo tan esquiva como la propia singularidad de Navier-Stokes. Ay Tesla, si vieras esto, las cosas se están poniendo calientes y ya no es solo entre personas.
Y eso, mi nunca bien ponderado lector, sí que amerita —creo yo— para este, uno de mis polémicos y a veces incómodos dominicales sobre IA.
Los leo en los comentarios mientras usted saca sus propias conclusiones sobre el caso o simplemente se asombra con lo que lee, pero le resbala porque entre apagones y correr a buscar picadillo de pollo sus prioridades son otras ¡qué le importan a usted las ecuaciones de Navier-Stokes o Juan-Pirindingo si de la llave de su fregadero no cae agua hace dos semanas! Ya quisiera ver yo a Claude-Louis y George Gabriel tirando ecuaciones de los cubos de agua que una amiga mía carga hasta un séptimo piso en el Vedado.
Nota: Este borrador está basado en información publicada entre el 8 y el 11 de septiembre de 2026, así como en mis artículos del blog: “Modelos de pronóstico de huracanes ¿IA o Ecuaciones Físico-Matemáticas?” y “Modelos de pronóstico del tiempo mediante Inteligencia Artificial: ¿El fin de los modelos numéricos?”, publicados en meteoradares.ladetec.com. La verificación definitiva del resultado por parte de la comunidad matemática sigue pendiente.
Los problemas de propiedad intelectual, patentes, publicaciones, doctorados, innovaciones y ciencia siempre han estado transitado por un denominador común: la ética, ahora complicada con la IA. Si lo desee puede leer mis opiniones al respecto.
Deja una respuesta