Las ecuaciones de Euler, miles de agentes artificiales y el episodio que podría cambiar nuestra idea de lo que significa hacer ciencia.
OpenAI anunció recientemente que había obtenido una demostración que, de confirmarse, resolvería dos de las formulaciones aceptadas del problema de las ecuaciones de Navier–Stokes, uno de los siete célebres Problemas del Milenio del Clay Mathematics Institute, cada uno asociado a un premio de un millón de dólares.
La noticia ya habría sido extraordinaria por sí sola, pero detrás de esa supuesta solución apareció rápidamente una historia mucho más extraña: meses de trabajo de matemáticos humanos asistidos por inteligencia artificial, rumores que llegaron hasta OpenAI antes de que los resultados fueran publicados, miles de agentes artificiales movilizados en paralelo y una disputa inesperada sobre prioridad, autoría y qué significa realmente descubrir algo cuando una parte creciente del trabajo científico puede ser realizada por máquinas.
Durante casi un año, Tristan Buckmaster y Levent Alpöge estuvieron trabajando en uno de esos territorios de las matemáticas donde el tiempo parece comportarse de una manera distinta. Una demostración puede consumir semanas antes de revelar que conduce a ninguna parte; una intuición prometedora puede necesitar meses para transformarse en algo que otro matemático sea capaz de estudiar, y una modificación aparentemente pequeña en una ecuación puede separar un resultado interesante de una contribución capaz de alterar toda una disciplina.
Tampoco estaban trabajando desde cero. Su investigación continuaba una línea desarrollada durante años por Diego Córdoba y Luis Martínez-Zoroa alrededor de la formación de singularidades en ecuaciones que describen el comportamiento de los fluidos. Buckmaster ha sido especialmente explícito al reconocer esa genealogía: las ideas fundamentales que permitieron avanzar en aquella dirección no aparecieron repentinamente con la inteligencia artificial ni con su colaboración con Alpöge, sino que formaban parte de un programa matemático previo que ellos intentaron extender.
Lo novedoso era que ahora había otros participantes en el laboratorio. Buckmaster y Alpöge utilizaron modelos de lenguaje de OpenAI y Anthropic como herramientas de investigación, no simplemente para redactar textos o revisar bibliografía, sino para explorar argumentos, desarrollar cálculos, ensayar demostraciones y recorrer caminos matemáticos que habrían resultado extremadamente laboriosos para dos personas trabajando solas.
El 15 de agosto de 2026 consiguieron resultados importantes relacionados con la formación de singularidades, o blow-up, en ecuaciones de fluidos sometidas a fuerzas externas suaves.
El 22 de agosto, una de aquellas demostraciones ya había sido traducida a Lean, un sistema utilizado para verificar pruebas matemáticas de manera formal. En términos simples, Lean obliga a expresar el razonamiento con tal precisión que una computadora puede revisar cada paso y comprobar que se deriva correctamente de los anteriores.
Esto ofrece una garantía muy fuerte contra errores lógicos, aunque no sustituye el trabajo de los matemáticos: todavía hace falta comprobar que aquello que se formalizó corresponde exactamente al problema original y, sobre todo, comprender por qué la demostración funciona.
Podrían haber publicado entonces, pero decidieron seguir trabajando.
La razón resulta especialmente reveladora ahora. Según el relato de Buckmaster, el argumento generado con una participación muy intensa de modelos de inteligencia artificial era extraordinariamente difícil de leer. Habían obtenido algo que podía comprobarse formalmente, pero todavía faltaba convertirlo en matemáticas que otros seres humanos pudieran comprender, discutir y eventualmente incorporar a su propio trabajo.
En lugar de lanzar inmediatamente un certificado de Lean acompañado por páginas prácticamente indescifrables, prefirieron dedicar más tiempo a entender qué habían encontrado y a producir una exposición intelectualmente satisfactoria.
Ese intervalo entre obtener un resultado y ser capaz de explicarlo había formado parte de la ciencia durante siglos. En septiembre de 2026 dejó de parecer un intervalo inocente.
El rumor que llegó a OpenAI
El 1 de septiembre, OpenAI recibió rumores de que podían haberse producido avances decisivos en dos de los Problemas del Milenio, la colección de grandes problemas matemáticos que el Clay Mathematics Institute identificó en el año 2000 como algunos de los desafíos abiertos más importantes de la disciplina. Al mismo tiempo, la empresa estaba probando un nuevo modelo interno que, según su propio relato, mostraba capacidades matemáticas considerablemente superiores a las de generaciones anteriores.
La coincidencia desencadenó un experimento extraordinario. OpenAI decidió desplegar agentes artificiales sobre los Problemas del Milenio que continuaban abiertos y algunas otras grandes preguntas matemáticas. Navier–Stokes recibió especial atención, pero no mediante un único sistema intentando resolver la misma ecuación una y otra vez. Diferentes grupos fueron asignados a distintas variantes del problema y a problemas auxiliares relacionados con él.
Una de las primeras señales prometedoras apareció alrededor de las ecuaciones de Euler, estrechamente relacionadas con Navier–Stokes pero sin el término de viscosidad. OpenAI afirma que cerca de un centenar de agentes trabajaron durante unas cincuenta horas hasta encontrar un resultado suficientemente interesante como para modificar toda la estrategia. A partir de allí la organización comenzó a trasladar capacidad desde otras líneas, compartir hallazgos intermedios entre distintos grupos y concentrar progresivamente más recursos sobre el camino que parecía estar funcionando.
El proceso terminó involucrando del orden de 10.000 agentes concurrentes.
Describir aquello simplemente como fuerza bruta sería engañoso. No se trataba de enumerar demostraciones al azar esperando que alguna resultara correcta, sino de algo mucho más parecido a construir durante unos días un gigantesco laboratorio sintético.
Algunos agentes exploraban problemas diferentes, otros recibían resultados parciales, ciertos caminos eran abandonados y los recursos se desplazaban hacia aquellos que parecían más prometedores. Codex participaba consolidando descubrimientos producidos por grupos distintos y versiones más capaces de los modelos podían sustituir a otras durante la propia campaña.
OpenAI sitúa su resultado sobre Navier–Stokes el 5 de septiembre, aproximadamente 88 horas después de comenzar aquella movilización. La formalización posterior en Lean necesitó otras 17 horas.
Y entonces las dos historias se encontraron.
Buckmaster había sabido que los rumores sobre su investigación comenzaban a circular y que podían haber llegado hasta OpenAI. El 3 de septiembre escribió a un matemático de la empresa explicando que trabajaba personalmente con Alpöge, que ambos utilizaban herramientas de inteligencia artificial durante la investigación y que pretendían publicar próximamente su resultado junto con una formalización.
La respuesta que reproduce Buckmaster afirmaba que cualquier detalle adicional podía ser útil para evitar que ambas partes compitieran sobre exactamente lo mismo y ofrecía capacidad computacional para colaborar.
Durante los días posteriores aparecieron conversaciones mucho más complejas relacionadas con la coordinación de las publicaciones, la prioridad científica, la posible colaboración con OpenAI y el hecho de que Alpöge fuese empleado de Anthropic. Algunas de aquellas conversaciones terminaron haciéndose públicas y dieron origen a buena parte de lo que rápidamente comenzó a circular como un nuevo escándalo alrededor de la inteligencia artificial.
Sin embargo, las versiones de las partes no permiten reducir lo ocurrido a una historia sencilla de víctimas y culpables. Buckmaster ha dicho expresamente que no sabe si los datos generados durante su investigación fueron utilizados por OpenAI y que no está acusando a la compañía de apropiarse de su trabajo.
OpenAI, por su parte, sostiene que ni sus investigadores ni los agentes que resolvían el problema tuvieron acceso al material todavía no publicado de Buckmaster y Alpöge. La compañía reconoce que no puede descartar de manera absoluta que información desidentificada procedente del uso de sus productos haya contribuido en algún momento al entrenamiento o mejora general de modelos anteriores, pero considera improbable que eso explique el resultado.
Lo que sabemos con seguridad es mucho más limitado y, precisamente por eso, quizá más interesante. OpenAI reconoce que el rumor de avances en los Problemas del Milenio precedió a su campaña y contribuyó a desencadenarla. Buckmaster y Alpöge llevaban meses trabajando sobre una línea relacionada. No existe evidencia pública que permita afirmar que OpenAI copió su demostración y tampoco conocemos con precisión qué contenía el rumor que llegó hasta la compañía.
Incluso aceptando el escenario más favorable para OpenAI —un descubrimiento completamente independiente— queda un hecho extraordinario: bastó saber que una frontera matemática podía estar cerca para justificar la movilización inmediata de miles de procesos artificiales alrededor de ella.
Tal vez ahí comience la verdadera historia.
El problema que nadie ha conseguido domesticar
Para entender por qué todo esto produjo semejante reacción hay que detenerse brevemente en Navier–Stokes. Sus ecuaciones describen el movimiento de los fluidos y aparecen detrás de fenómenos tan cotidianos como el aire alrededor de un automóvil, el agua atravesando una tubería, las corrientes oceánicas o el comportamiento de la atmósfera.
Las usamos constantemente y funcionan extraordinariamente bien. El misterio no consiste en que las ecuaciones sean desconocidas, sino en que todavía ignoramos algo fundamental sobre su comportamiento matemático en tres dimensiones: si comenzamos con un fluido perfectamente regular, ¿podemos garantizar que esa regularidad continuará para siempre o las propias ecuaciones podrían conducir, después de un tiempo finito, hacia una singularidad?
Una singularidad puede imaginarse, con todas las precauciones necesarias, como un punto donde alguna magnitud matemática deja de permanecer bajo control. La pregunta parece abstracta, pero toca algo profundo sobre nuestra capacidad de demostrar que las ecuaciones que utilizamos para representar los fluidos se comportan siempre de la manera que esperamos.
Cuando el Clay Mathematics Institute seleccionó sus siete Problemas del Milenio en el año 2000, Navier–Stokes fue uno de ellos.
Existe aquí una precisión importante porque buena parte de la discusión pública ha simplificado excesivamente lo que OpenAI afirma haber demostrado. La formulación oficial contempla cuatro alternativas. Dos preguntan por la existencia y suavidad global de las soluciones sin fuerza externa. Las otras dos permiten construir una fuerza externa suave que provoque precisamente el tipo de comportamiento singular que la primera pareja intenta descartar.
Por eso el uso de forcing en la demostración de OpenAI no constituye un truco ni una cláusula encontrada accidentalmente en la letra pequeña del problema. Forma parte explícita de la formulación que Charles Fefferman redactó para Clay. La prueba publicada por OpenAI sostiene que ha conseguido establecer precisamente esas alternativas, C y D, construyendo una fuerza suave capaz de generar una singularidad en tiempo finito.
Eso tampoco significa que podamos afirmar simplemente que «OpenAI resolvió Navier–Stokes».
El Clay Mathematics Institute exige que cualquier solución sea publicada en un medio cualificado, permanezca expuesta al examen matemático durante al menos dos años y alcance aceptación general en la comunidad antes de ser considerada para el premio. A septiembre de 2026, lo que existe es una demostración publicada por OpenAI que afirma resolver dos de las alternativas aceptadas por la formulación oficial, acompañada por una formalización en Lean.
Lean constituye una herramienta extraordinariamente poderosa, pero no funciona como un sello mágico que pueda reemplazar a la comunidad científica. Un sistema formal puede comprobar que una derivación respeta rigurosamente unas reglas previamente establecidas; todavía necesitamos asegurarnos de que las definiciones empleadas corresponden exactamente al problema que pretendemos resolver, entender las ideas detrás de la construcción, compararlas con el conocimiento anterior y permitir que otros matemáticos intenten encontrar errores o simplificaciones.
Aquí vuelve a aparecer aquella decisión aparentemente pequeña de Buckmaster y Alpöge de no publicar inmediatamente su propio resultado cuando Lean ya podía verificarlo. La ciencia no termina necesariamente cuando obtenemos una secuencia formalmente correcta. También necesita convertir esa corrección en conocimiento humano.
Y quizás esa parte del proceso sea cada vez más importante.
Cuando el pensamiento comienza a convertirse en infraestructura
Durante décadas imaginamos el futuro de la ciencia rodeado de máquinas gigantescas y, en buena medida, acertamos. La física de partículas necesita aceleradores que cruzan fronteras nacionales, la astronomía construye observatorios internacionales, la climatología depende de supercomputadores y la exploración espacial es inconcebible sin organizaciones formadas por miles de especialistas.
La ciencia conoce desde hace mucho la escala industrial.
Pero determinadas formas de investigación teórica habían conservado un ritmo distinto. En matemáticas todavía era perfectamente normal que una pregunta dependiera durante años de unas pocas personas trabajando frente a una pizarra, intercambiando borradores, intentando aproximaciones y esperando que apareciera la combinación adecuada de conocimiento, perseverancia e intuición.
No porque los matemáticos rechazaran los computadores, sino porque una parte sustancial del trabajo seguía dependiendo de algo difícil de ampliar: la cantidad de trayectorias intelectuales que unas pocas personas podían explorar.
Un investigador tiene un cerebro y un día continúa teniendo veinticuatro horas. Un pequeño grupo puede multiplicar parcialmente esa capacidad, pero no hacerlo por diez mil durante un fin de semana.
Los agentes artificiales modifican esa restricción.
La importancia del episodio de Navier–Stokes puede estar menos en la demostración concreta que en haber mostrado públicamente una forma distinta de organizar la investigación. Una pregunta puede dividirse, rodearse de problemas auxiliares, distribuirse entre miles de procesos, recibir resultados desde direcciones diferentes y concentrar progresivamente más capacidad allí donde aparece una pista.
Por primera vez resulta relativamente fácil imaginar el pensamiento científico no solamente como una actividad que realizan individuos o equipos, sino como una infraestructura organizable en paralelo.
La expresión puede sonar extraña porque solemos considerar el pensamiento como algo profundamente interior. Sin embargo, nuestra inteligencia lleva miles de años extendiéndose fuera del cerebro.
Una figura grabada sobre piedra permite conservar una representación cuando la persona que la produjo ya no está presente. El lenguaje permite trasladar pensamientos de una mente a otra. La escritura hace posible conservarlos durante generaciones. Los números convierten relaciones abstractas en objetos manipulables. Las bibliotecas acumulan más memoria de la que cualquier individuo podría contener y la imprenta multiplicó esa memoria hasta convertirla en infraestructura social. El papel nos permite realizar operaciones que resultarían extremadamente difíciles si tuviéramos que conservar cada paso dentro de nuestra memoria inmediata, mientras que las calculadoras y los computadores ampliaron después la cantidad de relaciones que podíamos procesar.
Internet llevó ese proceso mucho más lejos al conectar enormes fragmentos del conocimiento humano y hacerlos accesibles desde casi cualquier lugar.
Visto desde esa historia, quizá la pregunta sobre si una máquina «piensa realmente» sea menos interesante de lo que solemos creer. Nuestra especie lleva muchísimo tiempo construyendo objetos que participan en nuestros procesos cognitivos. La diferencia es que muchas de las herramientas anteriores servían principalmente para conservar, transmitir o procesar algo que ya sabíamos formular.
Los agentes científicos comienzan a ocupar un lugar distinto: pueden participar en la exploración de espacios donde todavía no conocemos la respuesta.
Ya no estamos externalizando únicamente memoria o cálculo.
Comenzamos a externalizar exploración intelectual.
Y entonces aparece una pregunta bastante más interesante que decidir si una máquina piensa exactamente como nosotros: ¿qué clase de pensamiento humano se vuelve posible cuando podemos desplegar miles de procesos cognitivos auxiliares alrededor de una sola pregunta?
El científico que viene después
Esta posibilidad podría transformar la profesión científica de una manera casi contraria a la que suele imaginarse cuando hablamos de automatización.
Durante mucho tiempo hemos asociado la figura del científico con alguien capaz de ejecutar directamente una enorme cantidad de trabajo especializado: resolver cálculos, revisar bibliografía, clasificar observaciones, programar simulaciones, manipular datos, comprobar hipótesis, perseguir errores y repetir procedimientos hasta obtener resultados confiables.
Una automatización científica suficientemente potente podría asumir una proporción creciente de esas tareas. La reacción inmediata sería pensar que entonces necesitaremos menos científicos, pero quizá ocurra algo diferente: que la automatización desplace al científico hacia una capa más alta de abstracción.
Alguien tendrá que decidir qué preguntas merecen ser investigadas, distinguir problemas relevantes de curiosidades técnicamente resolubles, diseñar buenos experimentos intelectuales, conectar campos que normalmente no conversan y reconocer cuándo una respuesta aparentemente impecable carece de significado fuera del marco estrecho en que fue producida.
También habrá que interpretar los resultados. Una demostración puede establecer que algo es posible sin decirnos automáticamente por qué importa. Un modelo puede identificar una regularidad sin comprender necesariamente qué lugar ocupa dentro de una disciplina. Miles de agentes pueden producir innumerables caminos correctos y aun así necesitaremos decidir cuáles revelan algo sobre el mundo.
Cuanta más capacidad de cálculo podamos desplegar, más importante podría convertirse la capacidad de formular problemas.
Eso desplaza una parte de la ciencia hacia territorios que durante mucho tiempo hemos llamado filosóficos: qué merece conocerse, qué significa una respuesta, cómo se relaciona un descubrimiento con nuestra experiencia y qué consecuencias sociales, ecológicas o morales puede tener aquello que somos capaces de hacer.
No significa que cada matemático vaya a convertirse en filósofo ni que el trabajo técnico vaya a desaparecer. Significa que, si una proporción creciente de las operaciones necesarias para investigar puede delegarse, el valor distintivamente humano del científico puede desplazarse hacia la selección, la interpretación y el significado.
Tal vez los científicos del futuro pasen proporcionalmente menos tiempo con la calculadora y más tiempo con las preguntas.
Y quizás también más tiempo con las personas.
Del autor a la genealogía
La controversia alrededor de Navier–Stokes anticipa además otro problema que difícilmente podrá resolverse con nuestras categorías actuales.
¿Quién es el autor de un descubrimiento producido de esta manera?
Córdoba y Martínez-Zoroa desarrollaron durante años una línea conceptual sobre singularidades y forzamiento. Otros matemáticos contribuyeron a extenderla. Buckmaster y Alpöge tomaron ese programa y consiguieron nuevos resultados utilizando intensivamente modelos de inteligencia artificial. Terence Tao ha descrito su trabajo precisamente como una extensión técnica de aquella genealogía anterior.
Después aparecen los propios modelos utilizados por los investigadores, los agentes movilizados por OpenAI, las personas que diseñaron la estrategia de investigación, los sistemas que formalizaron las demostraciones y los matemáticos que tendrán que revisarlas, entenderlas y eventualmente encontrar formas más claras de explicarlas.
Reducir todo eso a una única palabra —autor— empieza a resultar insuficiente.
Esto no implica que debamos abandonar el reconocimiento científico ni minimizar la importancia del plagio. Ocurre exactamente lo contrario: cuanto más compleja se vuelva la producción de conocimiento, más importante será conservar la historia de cómo una idea llegó hasta nosotros.
Quizá el cambio necesario consista en separar dos cosas que tendemos a confundir: reconocimiento y propiedad.
La ciencia ya funciona parcialmente de esa manera. Una demostración matemática no permanece encerrada dentro del apellido de quien la produjo. Una vez publicada y comprendida, otros pueden utilizarla, enseñarla, extenderla, encontrarle aplicaciones inesperadas o integrarla dentro de nuevas teorías. El descubridor conserva reconocimiento porque su contribución forma parte de la genealogía del conocimiento, no porque posea indefinidamente aquello que descubrió.
Los grandes proyectos científicos del futuro podrían necesitar una forma mucho más detallada de esa genealogía.
Una película, por ejemplo, surge del trabajo acumulado de guionistas, directores, actores, músicos, fotógrafos, diseñadores, montajistas, productores y numerosos equipos técnicos. No todos realizan la misma contribución y no sería razonable fusionarlos bajo una única categoría de autoría, pero conservar sus nombres permite reconstruir cómo la obra llegó a existir, y no podemos obligar a nadie a quedarse a leer todos los créditos cuando termina la última escena.
Con el conocimiento podría suceder algo semejante. Necesitaremos saber quién abrió una pregunta, quién descubrió el mecanismo central, quién produjo una extensión decisiva, quién encontró un error, quién diseñó la búsqueda, quién obtuvo la demostración, quién la formalizó y quién finalmente consiguió hacerla comprensible para otros.
Los nombres importan porque cuentan la historia.
Pero aquello que una idea nos permite comprender puede terminar perteneciendo a todos los capaces de entenderla, discutirla y continuarla.
El conocimiento puede ser común sin que desaparezca el reconocimiento de quienes lo hicieron posible.
La posibilidad de democratizar el descubrimiento
Existe una lectura del episodio de Navier–Stokes que resulta especialmente interesante desde América Latina.
Hoy lo extraordinario es que OpenAI haya podido desplegar miles de agentes alrededor de una pregunta matemática. Pero la cuestión histórica verdaderamente importante podría ser qué ocurrirá cuando una capacidad semejante deje de pertenecer exclusivamente a unas pocas organizaciones.
Imaginemos a una investigadora en Santiago capaz de rodear una hipótesis con cientos de agentes que revisan bibliografía, buscan contraejemplos, exploran demostraciones y conectan sus resultados. Pensemos en un pequeño grupo universitario en Caracas, Bogotá o Nairobi que puede disponer durante unos días de una capacidad intelectual auxiliar que anteriormente habría requerido un departamento mucho mayor.
Una universidad regional podría seguir sin disponer de los mismos laboratorios físicos que Harvard, Oxford o Stanford, pero determinadas barreras intelectuales podrían reducirse de forma considerable.
La historia de la ciencia siempre ha dependido de la distribución de infraestructura. Quien disponía de bibliotecas podía consultar conocimiento que otros no tenían. Quien controlaba observatorios podía mirar regiones del cielo inaccesibles para los demás. Los laboratorios, aceleradores, revistas científicas, universidades y supercomputadores determinan parcialmente qué preguntas pueden convertirse realmente en programas de investigación.
Los agentes podrían añadir otra infraestructura a esa lista: capacidad de exploración intelectual bajo demanda.
Si esa capacidad llega a distribuirse ampliamente, el siglo XXI podría convertirse no solamente en una época de automatización científica, sino en una extraordinaria democratización de la capacidad de descubrir.
Esto tampoco significa que cualquier persona equipada con agentes pueda producir ciencia de frontera. Una herramienta no sustituye la educación, la experiencia, las comunidades científicas, los datos, la libertad académica ni la capacidad de reconocer un problema. La historia tecnológica está llena de instrumentos cuyo potencial emancipador convivió con enormes desigualdades en la capacidad de utilizarlos.
Pero incluso con esas precauciones, la posibilidad merece ser tomada en serio. Una de las cosas más difíciles de multiplicar en cualquier comunidad científica es el tiempo de investigadores especializados. Si parte de ese tiempo puede transformarse en infraestructura computacional accesible, muchos grupos que hasta ahora estaban limitados por su tamaño podrían explorar mucho más de lo que sus recursos humanos les permitían.
América Latina no tendría entonces por qué imaginarse únicamente como receptora tardía de descubrimientos realizados en otros lugares. También podría participar en la discusión sobre cómo debería construirse y distribuirse esta nueva infraestructura de conocimiento.
Las máquinas ya habían entrado en las demostraciones
En 1976, Kenneth Appel y Wolfgang Haken demostraron el Teorema de los Cuatro Colores utilizando computadores para comprobar 1.936 configuraciones. Parte de la comunidad matemática reaccionó con incomodidad porque la totalidad del argumento ya no podía verificarse simplemente leyendo una demostración escrita. Una máquina había comprobado tantos casos que ningún ser humano podía repetir manualmente cada paso.
La discusión era filosófica, pero también profundamente práctica: ¿qué significa comprender una prueba cuando una parte esencial depende de operaciones que solamente una computadora puede ejecutar en una escala razonable?
Con el tiempo, ese tipo de asistencia dejó de parecer tan extravagante.
Décadas después aparecieron sistemas como AlphaGeometry y AlphaProof, capaces de combinar búsqueda computacional, aprendizaje y verificación formal para resolver problemas matemáticos cada vez más difíciles. La utilización de Lean y otros asistentes de prueba también se ha extendido entre matemáticos humanos precisamente porque permiten convertir ciertos razonamientos en objetos cuya corrección puede verificarse de manera mucho más rigurosa.
Navier–Stokes pertenece a esa historia, pero introduce un cambio de escala.
La máquina de Appel y Haken verificaba miles de casos cuidadosamente preparados por matemáticos. Los sistemas contemporáneos pueden recorrer enormes árboles de demostración. Lo que OpenAI describe ahora se parece a una organización capaz de dividir una pregunta científica abierta entre miles de procesos, hacer que algunos descubran problemas auxiliares, transferir resultados entre grupos y reorganizar toda la búsqueda cuando aparece una dirección prometedora.
Por eso quizás la unidad tecnológica relevante ya no sea simplemente el computador.
Puede ser el laboratorio sintético.
El escándalo que quizá terminemos recordando por otra razón
Es posible que dentro de algunos meses la disputa pública entre Buckmaster, Alpöge y OpenAI haya perdido buena parte de su importancia. También es perfectamente posible que los matemáticos encuentren errores en la prueba publicada por OpenAI o que necesite modificaciones sustanciales. Ese escrutinio no debilitaría la ciencia; sería precisamente la ciencia funcionando.
Pero incluso en ese escenario habría ocurrido algo difícil de ignorar.
Durante siglos, una parte importante de la velocidad de investigación estuvo limitada por una escasez bastante elemental: había pocas personas capaces de trabajar sobre determinado problema y cada una podía explorar solamente cierto número de caminos antes de quedarse sin tiempo.
Los agentes artificiales comienzan a cambiar esa restricción.
No garantizan creatividad ni verdad. No convierten cualquier problema en soluble. Tampoco eliminan la importancia de las intuiciones humanas previas. Todo lo ocurrido alrededor de Navier–Stokes muestra exactamente lo contrario: antes de los miles de agentes existe una larga historia de matemáticos formulando problemas, desarrollando mecanismos y empujando gradualmente los límites de aquello que parecía posible.
La novedad consiste en que esa historia humana puede terminar desembocando en una infraestructura capaz de explorar simultáneamente muchas más direcciones de las que una comunidad humana podría recorrer durante el mismo intervalo.
Quizá eso sea lo que realmente vimos durante aquellos primeros días de septiembre.
No una máquina reemplazando a los matemáticos, sino el comienzo de una forma distinta de organizar el pensamiento científico.
Y si ese cambio continúa, podría alterar también nuestra idea de quién será un gran investigador. Tal vez no sea necesariamente quien consiga ejecutar más operaciones intelectuales por sí mismo, porque competir directamente con una máquina en cantidad de cálculo terminará siendo tan poco razonable como competir con una excavadora utilizando una pala.
El investigador excepcional podría ser quien sepa formular las preguntas que merezcan movilizar miles de procesos alrededor de ellas, quien reconozca una respuesta valiosa entre miles de respuestas correctas, quien descubra conexiones que todavía no sabemos pedirle a una máquina y quien consiga transformar resultados computacionales en algo que una comunidad pueda comprender.
Una infraestructura científica más poderosa podría liberar una parte del trabajo mecánico del pensamiento y permitir que dediquemos más atención al significado de aquello que descubrimos.
Podría, paradójicamente, hacer que la ciencia se vuelva más humana.
El botón de suscribirse
Nada garantiza, sin embargo, que esa posibilidad termine distribuyéndose de esa manera.
La misma infraestructura que podría multiplicar las capacidades de una universidad pequeña también puede concentrarse en unas pocas organizaciones. Podemos imaginar herramientas científicas accesibles para estudiantes e investigadores independientes, pero también podemos imaginar sistemas de investigación de frontera convertidos en productos cerrados, niveles empresariales de acceso y laboratorios sintéticos disponibles solamente para quienes pertenezcan a determinadas instituciones.
No hace falta suponer una conspiración ni convertir a OpenAI en antagonista para reconocer esta tensión. Las tecnologías no traen incorporada una política de distribución. La imprenta podía democratizar conocimiento y también estar sometida a censura. Internet podía descentralizar la comunicación y también producir enormes concentraciones de poder. Los sistemas científicos de inteligencia artificial probablemente contendrán contradicciones semejantes.
La cuestión, entonces, no es solamente quién tiene hoy el modelo más poderoso. Es qué instituciones construiremos alrededor de estas herramientas y quién podrá utilizarlas mañana.
Si la capacidad de investigar comienza a comportarse como infraestructura, tendremos que decidir si queremos tratarla como un recurso ampliamente distribuido o como un servicio escaso al que se accede bajo condiciones comerciales. La diferencia puede terminar determinando no solamente quién obtiene determinados resultados, sino qué problemas reciben suficientes oportunidades para ser explorados.
Tal vez por eso la historia que comenzó como una controversia sobre quién llegó primero a una demostración termina llevando hacia un territorio mucho más amplio.
Durante miles de años construimos objetos para ayudarnos a recordar, escribir, calcular y transmitir nuestras ideas. Después construimos máquinas capaces de procesar relaciones demasiado numerosas para nuestra memoria y redes capaces de conectar una parte gigantesca del conocimiento acumulado por nuestra especie.
Ahora comenzamos a construir sistemas capaces de internarse con nosotros en regiones donde todavía no conocemos la respuesta.
Si esa transformación continúa, la ciencia puede empezar a producirse mediante una combinación inédita de intuiciones humanas, memoria colectiva, modelos artificiales, verificación automática y enormes poblaciones temporales de agentes explorando caminos en paralelo.
Los créditos de esa ciencia serán más largos. Su genealogía será más complicada. Comprender sus resultados probablemente seguirá requiriendo seres humanos.
Pero la cantidad de pensamiento que podremos movilizar alrededor de una pregunta podría crecer de manera extraordinaria.
Quizá dentro de algunos años recordemos septiembre de 2026 menos por una disputa entre OpenAI y dos matemáticos que por haber visto, durante unos días caóticos, la forma todavía rudimentaria de una nueva institución científica.
Una infraestructura para pensar.
Si conseguimos distribuirla ampliamente, podría ampliar como pocas tecnologías anteriores la cantidad de humanidad capaz de participar en la producción de conocimiento. Podría permitir que científicos de lugares históricamente alejados de los grandes centros de investigación dispongan de capacidades que antes parecían inconcebibles y podría devolver a muchos investigadores algo particularmente valioso: tiempo para formular preguntas, interpretar respuestas y preguntarse qué significa realmente aquello que somos capaces de descubrir.
La posibilidad merece cierto optimismo.
También merece que prestemos atención a una ironía que todavía estamos a tiempo de evitar: que después de construir una máquina capaz de democratizar la ciencia, decidamos que la mejor manera de utilizarla sea ponerle un botón que diga «Suscribirse».
