El sistema responsable fue entrenado desde el 28 de agosto. Sus resultados todavía deben atravesar una revisión independiente.
OpenAI afirmó que un modelo interno resolvió más de 100 problemas matemáticos abiertos en pocas semanas.
OpenAI volvió a abrir el debate sobre el avance de la Inteligencia Artificial. La empresa afirmó que un nuevo modelo interno logró resolver más de 100 problemas abiertos de larga data en distintas áreas de la disciplina, además del resultado que había presentado semanas atrás sobre las ecuaciones de Navier-Stokes, uno de los Problemas del Milenio.
El contenido al que quiere acceder es exclusivo para suscriptores.
El anuncio se hizo el 21 de septiembre, junto con la creación de un grupo asesor integrado por matemáticos de universidades e instituciones de investigación. El dato genera impacto por la velocidad de los resultados. OpenAI empezó a entrenar este modelo el 28 de agosto y el ritmo de progreso sorprendió incluso a sus propios matemáticos.
Hay una cuestión fundamental. La empresa todavía no publicó el listado completo de esos más de 100 problemas ni todas las demostraciones, por lo que el alcance de la afirmación todavía tiene que ser evaluado por investigadores externos.
La empresa no difundió por ahora un inventario detallado de los más de 100 problemas que atribuye al nuevo sistema. Sí explicó que pertenecen a distintas áreas de las matemáticas y que se trata de cuestiones abiertas que llevaban tiempo sin solución.
El anuncio se produjo después de que OpenAI publicara el 8 de septiembre una demostración relacionada con Navier-Stokes. Es una de las siete preguntas seleccionadas por el Clay Mathematics Institute como Problemas del Milenio y llevaba cerca de 90 años sin una respuesta aceptada.
Para llegar a ese resultado, OpenAI explicó que utilizó un sistema compuesto por múltiples agentes. Casi 100 agentes trabajaron durante unas 50 horas en un problema relacionado con las ecuaciones de Euler. Después, otros grupos fueron orientados hacia Navier-Stokes.
Según la empresa, los agentes llegaron a su resolución el 5 de septiembre, unas 88 horas después del inicio del trabajo. La formalización y verificación mediante Lean requirieron otras 17 horas.
OpenAI informó que, entre todos los problemas abordados, sus agentes enviaron 4,9 millones de mensajes y usaron unos 300.000 millones de tokens de salida. Solo para Navier-Stokes se utilizaron aproximadamente 130.000 millones de tokens y se generaron 2,7 millones de mensajes.
El debate ya no es solamente si una máquina puede encontrar un resultado, sino qué significa una solución matemática cuando el proceso lo hicieron sistemas de Inteligencia Artificial. OpenAI creó un grupo asesor independiente para acompañar la publicación y evaluación de estos resultados.
El organismo está alojado en el Institute for Advanced Study de Princeton y cuenta inicialmente con nueve matemáticos, entre ellos Timothy Gowers, Martin Hairer, Ravi Vakil y Edward Witten. La compañía aseguró que el grupo podrá evaluar la importancia de los resultados, recomendar cómo comunicarlos y asesorar sobre estándares académicos y profesionales.
La preocupación también aparece por fuera de OpenAI. En septiembre, 25 ganadores de la Medalla Fields firmaron una declaración en la que cuestionaron la manera en que las empresas de IA están llevando adelante la competencia por resolver problemas matemáticos. Entre sus planteos declararon la preocupación por una investigación centrada en producir respuestas sin preservar el proceso de comprensión y transmisión del conocimiento.
El avance no significa que los matemáticos humanos dejen de ser necesarios. Lo que sí empieza a cambiar es qué tareas pueden ocupar buena parte de una investigación. Una IA capaz de explorar miles de caminos, comprobar cálculos y formalizar demostraciones puede reducir el tiempo necesario para ciertas etapas del trabajo.
Eso abre la posibilidad de que los investigadores dediquen más esfuerzo a formular preguntas, conectar áreas diferentes y decidir qué problemas vale la pena investigar.
Por ahora, el dato más fuerte no es que la Inteligencia Artificial haya llegado al final de las matemáticas, sino que empezó a intervenir en una de sus actividades más difíciles: producir nuevos resultados en problemas que los humanos no habían podido resolver.
La discusión que sigue va a ser cuánto de ese trabajo se puede automatizar y cuánto todavía depende de la capacidad humana.