OpenAI publica cientos de resultados matemáticos (y el campo todavía no sabe cómo digerirlos)

Actualización (23 de octubre de 2026): el 7 de octubre, un día después de publicar los 722 manuscritos, OpenAI retiró 3 de ellos por un error de signo que invalidaba un argumento y la construcción de dos trabajos que dependían de él. Además, revisó otros 14 manuscritos con correcciones. Detalle en Retraction Watch.

El 6 de octubre de 2026, OpenAI soltó en GitHub una avalancha: 722 manuscritos de matemáticas organizados en 372 familias de resultados. Los produjo un modelo frontera interno que todavía no está disponible para el público.

No es un paper suelto. Es un volumen que, según Scientific American y The Verge, va a tomar meses digerir. Parte del corpus ya tiene verificación formal en Lean —un lenguaje que chequea la lógica de una prueba—. El resto está en distintas etapas. La pregunta para Chile no es solo “¿es verdad?”. Es “¿a qué ritmo aceptamos conocimiento producido por un lab… y con qué reglas?”.

Qué pasó

OpenAI afirma que el mismo modelo interno que ya había sorprendido al campo —incluido un resultado previo ligado a Navier-Stokes— ahora aporta cientos de avances sobre problemas abiertos. The Verge recoge que el release incluye soluciones a “cientos” de preguntas abiertas, según AGMAI (Advisory Group on Mathematics and Artificial Intelligence), el grupo asesor independiente armado tras la polémica de cómo se publican estos hallazgos.

Scientific American detalla el tono del anuncio: entre lo reclamado hay avances como la conjetura de Kakeya en cuatro dimensiones, mejoras en algoritmos importantes y hasta progreso hacia problemas legendarios como el de Riemann. Un vocero de OpenAI dijo que casi todos los resultados salieron de un solo prompt a un solo agente —un salto respecto del enjambre de miles de agentes que costó millones en el caso anterior—. Matemáticos como Andrew Sutherland (MIT) pidieron tratar esa afirmación como no verificada hasta que haya modelo público y replicación: “We should ask for receipts” (“pidamos recibos”).

OpenAI publica estimaciones de cómputo y estadísticas: el “resultado promedio”, según The Verge, equivaldría a unas tres horas de ChatGPT Pro thinking. No publica los prompts. AGMAI había recomendado liberar modelo, prompt exacto y costo de cómputo, y no usar la matemática como vehículo de marketing. OpenAI dice que toma en serio las guías… y aclara que no está obligado a seguirlas al pie de la letra.

El propio vocero, según Scientific American, reconoció que muchos de estos resultados aún no los entienden del todo los matemáticos de la empresa. Aun así, no planean frenar: para OpenAI, estos problemas son una prueba de que la IA “se vuelve más inteligente”.

El repositorio público (github.com/openai/math) agrupa PDFs, materiales y formalizaciones Lean en distintas etapas. Es un archivo vivo: OpenAI dice que seguirá agregando formalizaciones y protocolos de revisión y citas.

Por qué importa

Hasta hace poco, un resultado matemático fuerte entraba al campo por un camino lento: preprint, seminarios, referees, años de digesto. Ahora un lab puede soltar cientos de manuscritos en una tarde.

Eso emociona a quien quiere respuestas. También tensiona a quien vive de la revisión cuidadosa. Terence Tao y otros han criticado el ritmo “insano” de estos releases. Otros, como Daniel Litt (Toronto), argumentan que si hay respuestas a preguntas abiertas, ocultarlas tampoco ayuda.

Para una universidad, un banco con modelos cuantitativos o un equipo de R&D en Chile, el riesgo práctico es concreto: alguien pega un resultado de GitHub en una presentación y lo trata como “probado por OpenAI”. Sin distinguir si hay Lean, si hay revisión humana del dominio, o si solo hay un PDF generado por un modelo cerrado.

La transparencia incompleta —modelo no público, prompts no publicados, comprensión parcial incluso adentro del lab— no anula el valor potencial. Sí obliga a un estándar de uso distinto al del paper clásico.

Qué hacer

1. Separa “publicado por un lab” de “aceptado por el campo”. Un release en GitHub es un punto de partida. Antes de usarlo en investigación, en un modelo de riesgo o en una decisión de negocio, pide verificación formal (Lean u otra) y lectura de un experto del área.

2. Exige trazabilidad mínima. ¿Qué modelo? ¿Qué prompt (o al menos la plantilla)? ¿Cuánto cómputo? ¿Qué versión del manuscrito? Si el proveedor no da recibos, trátalo como hipótesis interesante, no como hecho cerrado.

3. Define una regla interna de citación. Quién puede incorporar resultados generados por IA, con qué checklist (formalización, revisión humana, conflicto con literatura previa) y cómo se registra. En directorio o comité científico: el ritmo del lab no tiene por qué ser el ritmo de tu organización.

OpenAI acaba de demostrar que puede inundar de matemáticas al mundo. El control útil, en Chile, no es frenar la curiosidad: es negarse a confundir velocidad con certeza.