Navier-Stokes: OpenAI niega haber espiado a dos matemáticos, pero admite que no puede descartarlo

El matemático Tristan Buckmaster ha publicado una declaración con acusaciones graves contra OpenAI. Sostiene que el investigador Sébastien Bubeck le pidió dos veces que retirara de la autoría a su coautor, Levent Alpöge, por el hecho de trabajar en Anthropic, y que ante su negativa le preguntó: «¿Por qué ibas a arruinar tu carrera?». Son alegaciones de una parte; OpenAI las rechaza y nosotros las atribuimos como lo que son. El telón de fondo es mayúsculo: ambos matemáticos dicen haber avanzado de forma sustancial con ayuda de IA sobre el entorno de las ecuaciones de Navier-Stokes, uno de los siete Problemas del Milenio del Instituto Clay, cada uno dotado con un millón de dólares.

Los hechos técnicos, según el relato publicado. Buckmaster y Alpöge trabajaron meses con varios modelos: Claude, de Anthropic, y Codex ejecutando GPT-5.6 Sol, de OpenAI. A mediados de agosto afirman haber logrado varios avances, incluido un resultado sobre una variante concreta, no publicado ni verificado formalmente en ese momento. El dato que lo cambia todo aparece casi de pasada: subieron todos sus borradores a Codex a lo largo del proyecto. En paralelo, OpenAI ha publicado su propia solución, obtenida —dice— por unos 10.000 agentes coordinados durante 88 horas con un modelo interno «significativamente más capaz que GPT-6 Astra», y formalizada en Lean, el asistente de pruebas que verifica cada paso por ordenador y elimina la discusión sobre si el argumento se sostiene. Mark Chen cifra solo el cómputo en «millones de dólares».

La versión de OpenAI es frontal. En un briefing recogido por WIRED, Bubeck afirma que «ni los investigadores ni los agentes vimos nada de su trabajo hasta que se publicó», reconoce la prioridad de Alpöge y Buckmaster y felicita su «logro monumental». El matemático Ven Chandrasekaran añade que el enfoque es fundamentalmente distinto. La cronología oficial sitúa el arranque el 1 de septiembre tras oír un rumor, la verificación en Lean el 6, y una oferta posterior de publicación simultánea con reconocimiento de prioridad; solo entonces, dice la empresa, supo que el resultado de los dos matemáticos era sobre el problema de Euler forzado, no sobre Navier-Stokes. Ofreció además visibilidad de todos los prompts usados. Pero el comunicado incluye una frase que conviene leer dos veces: «aunque es improbable, no podemos descartar que datos desidentificados derivados de su uso de nuestros productos ayudaran a mejorar nuestros modelos». Buckmaster respondió en Mastodon preguntando si es ético usar datos de clientes para intentar adelantar a ese mismo cliente. No se sabe si él había desactivado la opción, activada por defecto, que permite usar datos para entrenamiento.

Hay un dato que la polémica está tapando y que nos parece el más relevante del episodio. Noam Brown recuerda la curva de costes: cuando OpenAI presentó o3, alcanzar el 87,5% en el benchmark ARC-AGI costaba unos 500.000 dólares; hoy Astra hace más por unos 20. La Olimpiada Matemática de 2025 exigió cómputo masivo a OpenAI y a Google DeepMind; en 2026 cualquiera con una suscripción de 20 dólares iguala aquello. Brown apuesta a que dentro de un año todo el mundo tendrá al alcance una IA capaz de resolver problemas de este calibre. Y el modelo interno de OpenAI resuelve, según la compañía, casi el triple de problemas abiertos que Astra, con la brecha ampliándose a medida que se escala el cómputo. Eso es capacidad demostrada y verificada en Lean, no marketing.

Nuestra lectura: no hace falta decidir quién dice la verdad para ver el problema, porque el problema es estructural. Dos investigadores independientes hicieron ciencia de frontera sobre infraestructura propiedad de una empresa que competía por el mismo resultado. Aun asumiendo buena fe total —que ninguna persona leyó nada, como afirma OpenAI—, «no podemos descartarlo» es una respuesta insuficiente cuando lo que está en juego es la prioridad científica, que en matemáticas es casi todo el capital que existe. Falta el equivalente digital del cuaderno de laboratorio sellado: un modo investigación con garantía contractual de no entrenamiento, registro auditable de accesos y sellado de fecha. Es un fallo de diseño y de gobernanza, no necesariamente de moral, y tiene arreglo técnico. La parte más grave de la acusación es otra: si se confirmara que se presionó para alterar la autoría por la afiliación del coautor, la rivalidad entre laboratorios habría contaminado el mecanismo mismo que hace verificable a la ciencia.

Y sin embargo, quitando el ruido, lo ocurrido es extraordinario y apunta adonde creemos que va esto. Dos matemáticos con herramientas comerciales movieron un problema que lleva un siglo resistiéndose, y un laboratorio formalizó una prueba en Lean en cuestión de días. Esa misma maquinaria —búsqueda sobre espacios enormes y verificación automática— es la que acabará aplicándose al diseño de fármacos y a la biología de las enfermedades. El corto plazo trae exactamente estas fricciones: conflictos de interés, disputas de crédito, empresas que son a la vez proveedor y competidor. La respuesta razonable no es frenar la herramienta, sino separar la infraestructura de la ciencia de quien compite por publicar en ella.