OpenAI Soltó 722 Manuscritos Matemáticos — Y El Internet No Supo Qué Le Golpeó
8 de octubre de 2026 · IA / Investigación / Ciberseguridad
Aquí hay una mañana de martes que rompió el internet matemático: OpenAI publicó en X que un modelo frontier interno no liberado produjo 722 manuscritos matemáticos, ahora públicos en GitHub bajo Apache 2.0. Trescientos setenta y dos familias de resultados. Pruebas formales Lean para 162 de ellos. El resto? 560 papers en la zona gris verificada-vs-no-verificada que cada equipo de investigación teme.
Déjalo asentarse.
Esto no es un modelo resolviendo problemas de libro de texto. Es un sistema generando matemáticas a nivel publicable a escala — y OpenAI justo abrió las puertas de par en par.
Lo Que Está En La Publicación
El repo de GitHub (openai/math) organiza todo en familias — clusters de resultados relacionados con técnicas compartidas. Algunos highlights que hicieron perder la cabeza a los matemáticos:
- "Hipótesis quasi-Riemann" — un semiplano sin ceros en Re(s) > 7/8 para funciones L de Dirichlet. No es la hipótesis de Riemann completa (eso aún requiere Re(s) = 1/2), pero un avance importante en teoría de números analítica donde el progreso típicamente viene en incrementos pequeños.
- Exponente de multiplicación de matrices reducido de 2 a 9/4 (2.25). Esto está en el corazón de la computación científica y el machine learning mismo.
- Multiplicación de enteros casi n log n — acercándose al óptimo teórico, con implicaciones directas para criptografía y matemáticas computacionales.
Cada resultado terminado representa aproximadamente tres horas de razonamiento a nivel ChatGPT Pro. El proyecto comenzó con aproximadamente 4,000 problemas matemáticos planteados al modelo interno.
La Historia De Verificación: Mixta, Como Era De Esperar
Las formalizaciones Lean cubren los resultados principales de 162 papers — dando a esas afirmaciones una columna vertebral verificada por máquina. Los 560 restantes no han sido formalmente verificados. OpenAI mismo advierte que algunos podrían contener problemas.
En el lado positivo: una auditoría de resultados en arXiv publicados el 1 de agosto no encontró errores sustantivos confirmados. El profesor de Rutgers Alex Kontorovich escribió en X que el logro merecería "una Medalla Fields instantánea, sin preguntas" si un humano lo hubiera hecho.
La Pregunta De Transparencia
Aquí es donde se pone incómodo. El Grupo Asesor de Matemáticas e IA (Instituto de Estudios Avanzados) emitió recomendaciones el 29 de septiembre pidiendo a los laboratorios publicar los prompts detrás de tales resultados y abstenerse de usarlos como marketing. OpenAI compartió estadísticas de cómputo pero se negó a liberar los prompts.
El modelo que produjo estos resultados no ha sido liberado — por lo que los investigadores externos no pueden sondear o reproducir el sistema que generó los manuscritos.
Lo Que Esto Significa Para Tu Equipo
La IA está pasando de ayudar a los matemáticos a verificar su trabajo a producir investigación candidata a escala. Ese desplazamiento es parte de un conjunto más amplio de tendencias de IA que están remodelando la ciencia, y significa que la matemática generada por máquina pronto puede convertirse en una entrada rutinaria al campo más que una curiosidad.
Para equipos de IA/ciberseguridad/fintech: las implicaciones son reales. Los métodos de verificación formal (pruebas Lean) están convirtiéndose en una plantilla para código generado por IA y afirmaciones matemáticas en sistemas de producción. Si tu equipo no está rastreando cómo se verifica la investigación generada por IA, ya va atrasado.
Los papers mismos ahora son la historia — públicos, verificables y numerosos para mantener a los matemáticos ocupados por mucho tiempo.