La compañía presentó avances en matemáticas, informática y física teórica, con demostraciones formalizadas mediante Lean. Para verificar su alcance, convocó a investigadores externos y propuso un modelo de colaboración científica que busca dar transparencia a los resultados generados por IA.
OpenAI anunció tres resultados científicos que, de confirmarse mediante el examen independiente de la comunidad académica, podrían tener implicaciones relevantes para las matemáticas, la informática teórica y la física de partículas. La compañía sostiene que sus modelos encontraron una demostración de la conjetura del suavizado local en cualquier dimensión, refutaron la hipótesis del tiempo exponencial y desarrollaron pruebas matemáticas rigurosas relacionadas con la existencia de determinadas teorías cuánticas de campos.
El anuncio no se limita a los resultados. OpenAI también busca establecer un mecanismo para que especialistas externos examinen las demostraciones, expliquen sus implicaciones y determinen hasta dónde pueden llevar estos avances. La empresa reconoce que todavía no está claro cuál es la mejor manera de publicar y validar descubrimientos producidos por inteligencia artificial.
Matemáticas: una demostración que abarca varias conjeturas
El primer resultado corresponde al análisis armónico, una rama de las matemáticas que estudia, entre otros fenómenos, el comportamiento de las ondas.
En 1991, Sogge formuló la conjetura del suavizado local, que plantea que la concentración más extrema de una onda debe ser breve. En términos generales, la concentración que se observa en un instante elegido al azar sería considerablemente menor que la que puede alcanzarse en el peor momento posible.
El problema tiene implicaciones que van más allá de esa formulación. Según OpenAI, sus modelos generaron una demostración de la conjetura en cualquier dimensión espacial. De ser validado el resultado, también permitiría resolver la conjetura de Kakeya y la conjetura de restricción de Stein en todas las dimensiones.
El avance se apoya en una nueva ecuación auxiliar en derivadas parciales. OpenAI afirma que obtuvo el resultado el 18 de octubre de 2026 y completó su formalización en Lean al día siguiente. Lean es un sistema que permite expresar pruebas matemáticas de manera formal y someterlas a comprobaciones automatizadas.
La compañía publicó tanto el documento generado por sus modelos como la demostración formal en su repositorio público de GitHub, para que investigadores puedan examinar el trabajo.
El antecedente es significativo: en 2019, Guth, Wang y Zhang demostraron la conjetura del suavizado local en dos dimensiones espaciales, mientras que Wang y Zahl demostraron la conjetura de Kakeya en tres dimensiones en 2025.
Informática: OpenAI afirma haber refutado una hipótesis utilizada durante décadas
El segundo resultado se relaciona con la hipótesis del tiempo exponencial, conocida como ETH por sus siglas en inglés. Esta conjetura, formulada hace décadas, se refiere a la complejidad computacional del problema de satisfacibilidad de fórmulas booleanas y mantiene una relación estrecha con la cuestión de P frente a NP.
La ETH se ha utilizado en cientos de trabajos científicos para establecer resultados condicionales sobre la dificultad computacional de problemas en áreas como la teoría de grafos, la biología computacional, las bases de datos y la geometría computacional.
OpenAI sostiene que su sistema encontró una refutación de la hipótesis y que posteriormente formalizó el resultado en Lean. La compañía afirma que la demostración en lenguaje natural se obtuvo el 16 de octubre de 2026 y que la formalización se completó el 17 de octubre.
Si la refutación resiste el examen de especialistas independientes, podría modificar la manera en que los investigadores evalúan la dificultad de numerosos problemas y orientar la búsqueda de algoritmos más eficientes. Sin embargo, el propio anuncio advierte que convertir los avances teóricos en mejoras prácticas requerirá mucha más investigación.
Para analizar el trabajo, OpenAI convocó a un grupo dirigido por Russell Impagliazzo y Ramamohan Paturi, de la Universidad de California en San Diego, y Ryan Williams, del Instituto Tecnológico de Massachusetts (MIT).
La elección tiene especial relevancia: Impagliazzo y Paturi propusieron originalmente la hipótesis junto con Francis Zane, mientras que Williams ha investigado versiones fuertes de la ETH y la relación entre algoritmos y límites inferiores de complejidad.
A pedido del grupo, OpenAI hizo públicos los datos sin procesar para facilitar la verificación independiente y se comprometió a financiar una conferencia dedicada a comprender las implicaciones del resultado.
Física teórica: avances en la existencia matemática de teorías cuánticas
El tercer trabajo se sitúa en la teoría cuántica constructiva de campos. OpenAI afirma que sus modelos desarrollaron demostraciones matemáticamente rigurosas sobre la existencia de determinadas teorías cuánticas de campos con interacciones entre campos gauge y fermiones en cuatro dimensiones.
Entre ellas se encuentran la cromodinámica cuántica (QCD), que describe mediante la fuerza fuerte las interacciones entre partículas como quarks y gluones, y una completación unificada del modelo estándar de la física de partículas.
El modelo estándar describe las interacciones de las partículas subatómicas mediante tres de las cuatro fuerzas fundamentales, sin incluir la gravedad. La QCD constituye una parte esencial de esa descripción. El trabajo también incluye una demostración sobre la existencia de la teoría pura de Yang-Mills, vinculada con uno de los problemas del Premio del Milenio del Instituto Clay de Matemáticas.
Para estudiar el resultado, OpenAI anunció una colaboración coordinada por David Gross, físico que compartió el Premio Nobel de Física de 2004 por sus aportes al descubrimiento de la libertad asintótica. El grupo incluirá también a Michael Douglas, Arthur Jaffe, Igor Klebanov y Nikita Nekrasov, investigadores con antecedentes relevantes en teoría cuántica de campos y problemas relacionados.
Los modelos de OpenAI generaron una demostración en lenguaje natural de la existencia de la teoría de Yang-Mills el 9 de septiembre de 2026 y una demostración para la QCD el 18 de septiembre. La empresa completó la formalización en Lean de la existencia de Yang-Mills el 16 de octubre.
Debido a la extensión y complejidad del material, OpenAI decidió posponer la publicación de los documentos generados por IA para esta colaboración y dejar que el grupo externo prepare su propia exposición de los resultados.
Un nuevo modelo para verificar los descubrimientos generados por IA
Los tres casos forman parte de una iniciativa con la que OpenAI busca experimentar distintas maneras de divulgar investigaciones producidas por sus modelos. En matemáticas, publicó directamente los materiales; en informática, combinó la publicación de los documentos originales con la intervención de expertos externos; y en física, delegó en los investigadores la decisión sobre cómo presentar el trabajo.
La compañía estableció cuatro principios para estas colaboraciones: transparencia, ausencia de atribución de mérito académico a OpenAI por los descubrimientos, reconocimiento del trabajo desarrollado por los especialistas e independencia de los participantes. La empresa sostiene que los investigadores no tendrán que firmar acuerdos de confidencialidad y podrán compartir materiales y conclusiones. La participación será voluntaria y no remunerada.
OpenAI también anunció que estas iniciativas complementarán una aportación de U$S 5 millones a la Fundación Simons, comunicada recientemente. La fundación administrará los fondos para apoyar talleres, conferencias y programas destinados a que la comunidad científica comprenda y desarrolle los resultados generados por IA.
El desafío es doble: comprobar que las demostraciones sean correctas y determinar qué significan para cada disciplina. OpenAI reconoce que elegir coordinadores iniciales puede condicionar quién accede primero a la información y generar desigualdades en la participación.
Por eso, la compañía invita a la comunidad académica a examinar los materiales, discutir sus implicaciones y proponer mecanismos que amplíen el acceso. Los resultados abren una posibilidad relevante para la investigación asistida por inteligencia artificial, pero su impacto definitivo dependerá de la verificación independiente y de la capacidad de los científicos para convertir las demostraciones en conocimiento compartido.