OpenAI y el fundamento de la física de partículas

Un modelo de IA no publicado habría demostrado la conjetura de Local Smoothing, refutado la Exponential Time Hypothesis y mostrado la existencia matemática de la cromodinámica cuántica. Nada de esto está confirmado todavía. La verificación de estas demostraciones de IA mostrará lo que la ciencia será sobre todo en el futuro: comprender.

Lo más importante en resumen

Selección editorial:Claude rompe una barrera matemática, pero no la demostración  /  Investigadores del KIT: así entrenan las clínicas la IA sin intercambio de datos

Tres resultados en una semana

El 26 de octubre OpenAI presentó tres resultados de modelos internos. En matemáticas, un modelo habría demostrado la conjetura de Local Smoothing en cada dimensión. En informática teórica habría refutado la Exponential Time Hypothesis, abreviada ETH. En física, la empresa anuncia demostraciones de existencia de teorías cuánticas de campos en cuatro dimensiones, entre ellas la cromodinámica cuántica (QCD), la teoría de los quarks y los gluones.

Cada uno de estos anuncios habría bastado para ocupar durante meses a todo un campo. Todas las afirmaciones centrales provienen, sin embargo, del propio OpenAI, no existe una confirmación independiente. El modelo no es de acceso público. Por eso merecen atención dos preguntas: ¿qué se ganaría si las demostraciones se sostienen? ¿Y cómo verifica una ciencia resultados que surgen más rápido de lo que las personas pueden leer?

¿Qué es la Exponential Time Hypothesis? La Exponential Time Hypothesis (ETH) es una suposición de la informática teórica sobre la dificultad del problema de satisfacibilidad de fórmulas booleanas (SAT). Russell Impagliazzo y Ramamohan Paturi la formularon junto con Francis Zane. Los investigadores se apoyan en ella para resultados de dureza condicional en campos como la teoría de grafos, la bioinformática, las bases de datos y la geometría algorítmica.

Lo que una demostración de existencia dice sobre la naturaleza

La física es la que llega más lejos. Según el Clay Mathematics Institute, la teoría cuántica de Yang-Mills es la base de la mayor parte de la teoría de partículas elementales. Sus predicciones se han puesto a prueba en muchos laboratorios experimentales. Aun así, su fundamento matemático sigue sin aclararse hasta hoy.

La física convive con esta situación desde hace décadas. Experimentalmente, la teoría se ha probado en muchas ocasiones. Que exista siquiera como objeto matemático sin contradicciones, nadie ha podido demostrarlo hasta ahora. Exactamente de eso tratan las demostraciones de existencia anunciadas: las de la teoría pura de Yang-Mills y las de teorías en las que los campos de gauge (los portadores de las fuerzas) interactúan con los fermiones (las partículas de la materia).

Si la demostración se sostiene, una parte central del Modelo Estándar queda sobre una base matemática firme. En los valores medidos de los laboratorios no cambia nada. Pero el lenguaje con el que la física describe la fuerza fuerte quedaría asegurado como matemática y sería más que un procedimiento de cálculo exitoso.

El mayor enigma sigue abierto, según el estado actual. El problema del Milenio del Clay Institute exige, además de la existencia, la demostración de una brecha de masa. Las partículas de la teoría tienen masas positivas, aunque las ondas clásicas se propagan a la velocidad de la luz. Experimentos y simulaciones muestran esta propiedad; nadie conoce ninguna demostración. De los informes no se desprende si el trabajo de OpenAI toca la brecha de masa.

Un grupo en torno al Nobel de Física David Gross, con Michael Douglas, Arthur Jaffe, Igor Klebanov y Nikita Nekrasov, retiene por ahora el material de la IA y redacta el trabajo por su cuenta. Mientras el material permanezca reservado, el resultado de la física apenas puede evaluarse desde fuera.

Todas las dimensiones a la vez, una hipótesis menos

Christopher Sogge formuló la conjetura de Local Smoothing en 1991. Si la demostración es correcta, de ella se siguen también la conjetura de Kakeya en todas las dimensiones y grandes partes de la conjetura de restricción de Elias Stein.

Las personas han avanzado dimensión a dimensión: Larry Guth, Hong Wang y Ruixiang Zhang demostraron el Local Smoothing en 2019 en dos dimensiones. Hong Wang y Joshua Zahl lograron en 2025 la conjetura de Kakeya en tres dimensiones. Ahora el modelo reivindica todas las dimensiones a la vez.

La ETH es una suposición sobre cuán difícil es el problema de satisfacibilidad de fórmulas booleanas, abreviado SAT: ¿pueden asignarse las variables de una fórmula lógica con verdadero y falso de modo que toda la fórmula se vuelva verdadera? Sobre la hipótesis descansan resultados de dureza condicional en teoría de grafos, bioinformática, bases de datos y geometría algorítmica. El manuscrito publicado describe un algoritmo que cuenta en tiempo subexponencial las asignaciones que satisfacen tales fórmulas de ancho de cláusula fijo. Cuánto de esto llega a la práctica queda abierto. Lo primero afectado sería el andamiaje con el que la informática mide qué cuenta como difícil.

El resultado lo verifican los autores de la hipótesis. Russell Impagliazzo y Ramamohan Paturi, de la UC San Diego, formularon en su día la ETH junto con Francis Zane; junto a ellos está Ryan Williams, del MIT. Su participación, escriben los tres, no es en modo alguno una certificación. Si la afirmación se sostiene, cambiaría una parte importante de la informática teórica.

Verificar se convertirá en el verdadero trabajo

Los anuncios no llegan de la nada. El 8 de septiembre comunicó OpenAI que un modelo había resuelto el problema de Navier-Stokes. El 6 de octubre publicó la empresa 722 manuscritos sobre 372 problemas en GitHub.

Un día después retiró OpenAI tres de ellos. Un error de signo había invalidado el argumento de un manuscrito y, con él, la construcción de dos trabajos que se apoyaban en aquel. Según la empresa, el error lo encontró una revisión interna. Alrededor de la mitad de los resultados se había publicado sin confirmación.

Lean es en esta situación una herramienta importante: el ordenador comprueba cada paso lógico de una demostración. Que el enunciado formal corresponda al problema previsto, eso no lo garantiza la herramienta. Esta traducción sigue siendo trabajo de personas. De ella depende que una demostración verificada sea también la correcta.

La matemática Melissa Lee, de la Monash University, escribe en The Conversation que algunos de los documentos complementarios no resultan comprensibles ni siquiera para los expertos. Los trabajos técnicos extensos necesitan a veces años de evaluación por pares.

Andrew Sutherland, del MIT, quiere ver evidencias de la afirmación de que un único agente de IA resolvió los problemas, cada uno con un prompt. Sin confirmar sigue siendo eso hasta que el modelo sea público y otras personas puedan seguir los resultados. Calificó de responsable el rápido retiro de los trabajos erróneos, pero recuperar la confianza exigirá bastante más. Daniel Litt, de la University of Toronto, en cambio, no ve motivo para retener las respuestas a estas preguntas.

Ambas posturas describen el mismo desplazamiento. Durante mucho tiempo, encontrar una demostración fue la parte escasa de la investigación. Cuando las máquinas entreguen demostraciones en serie, comprender se vuelve escaso: evaluar, explicar, reconocer consecuencias.

A quién pertenece un descubrimiento

OpenAI no reclama reconocimiento académico. Debería ir a los investigadores que escriban las explicaciones. Los verificadores de la ETH advierten, sin embargo, de que el reconocimiento podría ir a quienes publiquen primero o posean las herramientas más potentes. Verificar y explicar contarían entonces menos. Los verificadores trabajan sin remuneración y sin acuerdo de confidencialidad; OpenAI ha prometido liberar todos los datos brutos del resultado de la ETH y financiar una conferencia científica.

El 2 de junio publicaron 16 investigadores de 15 universidades la Declaración de Leiden sobre IA y matemáticas. Exige normas para la transparencia, la evaluación por pares, la responsabilidad humana y el trato con la industria.

En los próximos meses se decidirá si las demostraciones se sostienen. Una pregunta ya está sobre la mesa: una demostración que una máquina encuentra y una máquina verifica es un resultado. Solo se convierte en conocimiento del mundo cuando alguien puede explicarlo.

Preguntas frecuentes

Fuente de la imagen: generada por IA (octubre de 2026)

Traducido del original en alemán con inteligencia artificial. La versión alemana es la de referencia.