OpenAI y Navier-Stokes: qué se ha demostrado, qué no y por qué hay bronca

El 8 de septiembre de 2026 OpenAI anunció que un modelo interno había producido una demostración sobre las ecuaciones de Navier-Stokes, uno de los siete problemas del milenio del Clay Mathematics Institute. Titulares de medio mundo lo contaron como el momento en que una máquina resolvió un problema que llevaba abierto desde el año 2000.

La historia real tiene más aristas. Hay un resultado matemático serio, un matiz técnico que cambia bastante su alcance, dos matemáticos españoles en el origen de la idea, una disputa de autoría con acusaciones cruzadas y una objeción de fondo sobre qué le hace la IA a la investigación.

¿Qué ha anunciado OpenAI exactamente?

Un modelo interno, descrito por la compañía como bastante más capaz que GPT-6 Astra y cuyo entrenamiento había arrancado el 28 de agosto, trabajó sobre el problema con unos 10.000 agentes en paralelo. El despliegue consumió cerca de 2,7 millones de mensajes y unos 130.000 millones de tokens de salida a lo largo de unas 88 horas. Sébastien Bubeck, de OpenAI, cifró el coste de cómputo en varios millones de dólares.

El resultado es una demostración de que la dinámica de las ecuaciones de Navier-Stokes puede desarrollar una singularidad en tiempo finito. En lenguaje llano, que un fluido descrito por esas ecuaciones puede llegar a un punto en el que la solución matemática deja de tener sentido, con magnitudes que se disparan al infinito.

Después de la demostración, otro modelo, esta vez GPT-6 Astra, dedicó 17 horas más a formalizar el argumento en Lean, un asistente de demostración que comprueba cada paso lógico de forma mecánica. Los certificados están publicados en un repositorio abierto.

Así se comporta el fluido cerca de la singularidad. El naranja marca las zonas que giran más rápido y el turquesa las más lentas, y las trayectorias se enroscan hacia el interior mientras el fluido se estira a lo largo del eje. Fuente: OpenAI.

¿Qué son las ecuaciones de Navier-Stokes y por qué importan?

Son las ecuaciones que describen el movimiento de los fluidos, del aire alrededor de un ala al agua por una tubería o la sangre por una arteria. Se usan a diario en ingeniería aeronáutica, climatología, diseño de motores y simulación industrial, y funcionan bien en la práctica.

Lo que nadie había demostrado es que estén siempre bien definidas. El problema del milenio pregunta si, partiendo de un fluido suave y bien portado en tres dimensiones, las ecuaciones garantizan una solución suave para siempre, o si por el contrario pueden romperse en algún momento. Es una pregunta sobre los cimientos, no sobre el uso.

Pero, ojo: aunque el resultado se confirme del todo, no cambia mañana ningún cálculo de ingeniería. Los fluidos reales tienen estructura molecular y las ecuaciones ya dejan de aplicarse mucho antes de llegar a una singularidad matemática.

¿Se lleva OpenAI el millón de dólares?

No, la propia compañía lo dice. En su publicación deja escrito que no reclama el Premio del Milenio por este resultado.

El motivo es un matiz técnico que la mayoría de titulares se saltó. El enunciado oficial que redactó Charles Fefferman para el Clay Institute contempla varias formulaciones. Las que dan derecho al premio se refieren al fluido sin fuerza externa, dejado a su aire. Lo que ha demostrado OpenAI corresponde a las formulaciones con forzamiento, es decir, con una fuerza suave aplicada desde fuera que empuja al fluido hacia la singularidad.

La diferencia no es cosmética. Construir una fuerza a medida que lleve el sistema al desastre es un problema muy difícil, aunque bastante menos que probar que el fluido puede romperse solo. El problema del milenio, en sentido estricto, sigue abierto.

A esto se suma el procedimiento. Las reglas del Clay Institute piden publicación en una revista de primer nivel y dos años de escrutinio de la comunidad antes de conceder nada. A día de hoy no hay ninguna validación oficial del instituto.

¿Quién ha puesto realmente las ideas?

Aquí aparece la parte que en España se ha contado poco. La estrategia analítica que sostiene el resultado viene del trabajo de Diego Córdoba, del Instituto de Ciencias Matemáticas de Madrid y Premio Nacional de Investigación, y de Luis Martínez-Zoroa. Llevaban años construyendo el método que permite fabricar singularidades en este tipo de ecuaciones.

Charles Fefferman, que es quien redactó el enunciado oficial del problema, lo resumió sin rodeos al decir que los héroes de esta historia son Córdoba y Martínez-Zoroa. Tristan Buckmaster, de la Universidad de Nueva York, ha llegado a apuntar que el trabajo de Martínez-Zoroa merece una Medalla Fields.

Dicho de otro modo, la IA no partió de cero. Recorrió a gran velocidad un camino que dos matemáticos humanos habían abierto y señalizado.

¿Por qué hay una disputa de autoría?

Buckmaster y Levent Alpöge, investigador vinculado a Anthropic, trabajaban en paralelo sobre las ecuaciones de Euler forzadas, con un enfoque que extendía el de Córdoba y Martínez-Zoroa. Publicaron sus resultados el 7 de septiembre, un día antes del anuncio de OpenAI.

Buckmaster sostiene que OpenAI le contactó el 6 de septiembre para decirle que tenían una demostración de un centenar de páginas obtenida con el mismo enfoque, y que al preguntar cuándo habían lanzado esas instrucciones al modelo, la respuesta fue que en los últimos días, justo después de conocer su trabajo. Añade que le ofrecieron coautoría pidiendo dejar fuera a Alpöge por trabajar en una empresa competidora, y describe presiones cuando intentó hacerlo público.

OpenAI rechaza las acusaciones, las califica de falsas, felicita a ambos investigadores por su trabajo y afirma reconocer la prioridad de este. Bubeck se disculpó públicamente por lo que llamó una elección de palabras muy desafortunada sobre la autoría. La compañía sí admitió un punto que merece atención, y es que datos desidentificados procedentes del uso de sus productos pueden haber contribuido a mejorar sus modelos.

Buckmaster, por su parte, reconoce que no ha visto la demostración de OpenAI y que no sabe qué hizo el modelo ni cómo. Con la información pública disponible, ninguna de las dos versiones se puede dar por cerrada.

¿No basta con que Lean lo haya verificado?

Lean aporta mucho y no lo aporta todo, y esta distinción es la más útil de todo el episodio. Lo que Lean certifica es que el teorema se deduce lógicamente de las hipótesis escritas, paso a paso, sin huecos. Eso elimina de golpe la clase de error que ha tumbado demostraciones célebres a lo largo de la historia.

Lo que Lean no puede juzgar es si las hipótesis escritas son las correctas. Si al formalizar se coló una condición de decaimiento distinta, un espacio de funciones más cómodo o una definición de suavidad del forzamiento que no es la del enunciado oficial, el código compila igual y el teorema demostrado es otro. La revisión humana sigue siendo necesaria, solo que ahora se concentra en el enunciado en lugar de en la demostración.

La objeción de fondo, según Terence Tao

Terence Tao, probablemente el matemático vivo más influyente en este terreno, ha planteado una crítica que va más allá de quién firma qué. Su argumento es que el valor de un problema abierto no está solo en la respuesta. Está en las herramientas y las ideas que se generan intentando resolverlo, que casi siempre acaban valiendo más que el resultado concreto. Cuando una IA autónoma produce la solución en privado, sin enseñar el proceso ni los callejones sin salida, el campo se queda con el resultado y sin el aprendizaje.

Tao lo formuló con una imagen dura, la de una explotación indiscriminada de problemas abiertos que puede destruir el ecosistema del que habrían salido la siguiente generación de técnicas, de problemas y de matemáticos. Y advierte de un efecto secundario, que una respuesta rápida desanima a quien estaba explorando otros caminos. Es una objeción sobre el método, no sobre la capacidad. Nadie discute que el sistema hizo algo notable.

¿Qué supondría este descubrimiento?

Conviene separar lo que cambia mañana de lo que cambia a diez años:

En ingeniería, poco a corto plazo. Ningún cálculo de aerodinámica ni de climatología se rehace por esto. Los fluidos reales tienen estructura molecular y las ecuaciones dejan de describirlos mucho antes de llegar a una singularidad matemática. Lo que cambia es el estatus del modelo, porque saber que puede romperse obliga a precisar en qué condiciones una simulación es fiable, y esa precisión sí acaba bajando al software que se usa a diario.

En matemáticas, un cambio de oficio. Si el patrón se repite, el trabajo del investigador se desplaza desde encontrar la demostración hasta formular bien el problema y verificar lo que devuelve la máquina. La formalización en asistentes como Lean deja de ser una especialidad minoritaria y pasa a ser infraestructura, porque es lo único que permite auditar a escala lo que produce un sistema automático.

En inteligencia artificial, se mueve el listón. Hasta ahora la vara de medir era resolver problemas con solución conocida. Este episodio, si se sostiene, apunta a otra cosa, a generar conocimiento nuevo y comprobable. Y trae consigo un método caro, el cómputo masivo como forma de investigar, con miles de intentos en paralelo y un filtro objetivo que se queda con los que sobreviven.

En las empresas, adelanta el calendario. Lo que hoy necesita diez mil agentes y varios millones de dólares para un problema abierto, dentro de un par de años se parecerá a lo que podrás lanzar sobre un problema interno bien acotado. Y cambia lo que se considera un entregable aceptable, porque el resultado empieza a venir acompañado de su comprobación en lugar de pedir un acto de fe.

Si estás valorando cómo aplicar agentes con verificación y control en tu organización, en LIS Data Solutions trabajamos ese diseño en nuestra consultoría en agentes de IA para empresas.