OpenAI afirma haber resuelto el problema del Milenio de Navier-Stokes con un enjambre de miles de agentes de IA

OpenAI publicó el 8 de septiembre de 2026 un artículo de investigación en el que asegura haber resuelto uno de los siete Problemas del Milenio establecidos por el Clay Mathematics Institute en el año 2000: el de existencia y suavidad de las ecuaciones de Navier-Stokes. La compañía afirma haber producido tanto una demostración analítica como una formalización verificada en el lenguaje Lean, y sostiene que el resultado muestra que la dinámica de estas ecuaciones —que describen el movimiento de fluidos tridimensionales incompresibles— puede desarrollar una singularidad en tiempo finito, es decir, que las velocidades del fluido pueden crecer sin límite pese a la presencia de viscosidad, que normalmente tiende a suavizar el movimiento.

Las ecuaciones de Navier-Stokes, formuladas en el siglo XIX por Claude-Louis Navier y George Gabriel Stokes, modelan un fluido como un medio continuo en lugar de rastrear moléculas individuales, y se usan en el diseño de aeronaves, la predicción meteorológica y el estudio del flujo sanguíneo. La pregunta abierta durante casi 90 años era si esa aproximación continua podía romperse: si un movimiento que comienza de forma suave podía, en algún momento, dejar de serlo. En 1934 Jean Leray había demostrado la existencia de soluciones en un sentido generalizado, pero la cuestión de si esas soluciones permanecen siempre suaves seguía sin respuesta. Según OpenAI, su sistema construyó una solución concreta: un vórtice que se contrae hacia adentro y se estira como un espagueti, acelerándose de forma que su energía se mantiene finita en todo momento, cumpliendo así los enunciados 'C' y 'D' de la formulación oficial del problema.

El aspecto más llamativo del anuncio no es solo el resultado matemático, sino el método declarado para llegar a él. OpenAI dice haber usado un modelo interno —descrito como 'significativamente más capaz' que GPT-6 Astra y cuyo entrenamiento seguía en curso— dentro de un sistema multiagente de coordinación con acceso a herramientas como una versión cacheada de internet y ejecución de código. Los agentes se organizaron en grupos, con capacidad de comunicación dentro de cada grupo, y el grupo que llegó a la resolución de Navier-Stokes llegó a operar del orden de 10.000 agentes concurrentes. La compañía asegura haber mantenido las mismas salvaguardas de monitorización y aislamiento que aplica a todas sus evaluaciones de modelos de frontera.

El relato de la cronología es detallado: el entrenamiento del nuevo modelo interno comenzó el 28 de agosto; el 1 de septiembre, tras oír rumores de que se habían resuelto dos Problemas del Milenio, OpenAI lanzó un esfuerzo para evaluar su sistema contra todos los problemas del Milenio abiertos y otros problemas de alto impacto, asignando variantes distintas del enunciado (versiones que llevarían a una demostración y versiones que llevarían a una refutación) a distintos grupos de agentes. En paralelo, unos 100 agentes trabajando durante unas 50 horas resolvieron —para sorpresa de los propios investigadores, según el texto— un problema más sencillo relacionado: la versión no forzada de la regularidad de las ecuaciones de Euler (el límite de Navier-Stokes sin viscosidad), llegando a una refutación. Ese avance llevó a OpenAI a concentrar recursos en Navier-Stokes, redirigiendo agentes de otros problemas del Milenio y usando Codex para consolidar los hallazgos más útiles de distintos grupos. El grupo que finalmente encontró la solución llegó a su resultado el sábado 5 de septiembre, unas 88 horas después de lanzados los primeros agentes; la formalización y verificación en Lean tomó 17 horas adicionales usando GPT-6 Astra. En total, a lo largo de todo el esfuerzo los agentes enviaron 4,9 millones de mensajes y consumieron unos 300.000 millones de tokens de salida; solo para Navier-Stokes, la cifra fue de 2,7 millones de mensajes y aproximadamente 130.000 millones de tokens.

El anuncio incluye también una sección notable sobre trabajo concurrente. El rumor que desencadenó todo el esfuerzo de OpenAI, según el propio texto, estaba relacionado con Levent Alpöge, empleado de Anthropic, y Tristan Buckmaster, profesor de matemáticas en NYU. Tras completar su proyecto y la verificación en Lean el 6 de septiembre, OpenAI dice haber contactado a ambos para ofrecer un anuncio conjunto y reconocer su prioridad, descubriendo entonces que, usando un modelo interno de Anthropic, habían resuelto en realidad el problema de Euler forzado (una variante distinta a la que resolvió el sistema de OpenAI, que fue la versión no forzada). OpenAI afirma no haber tenido acceso al trabajo de ese equipo por ningún medio antes de su publicación pública, y añade —en una actualización fechada el 10 de septiembre— que una investigación posterior confirmó que las instrucciones ('prompts') de Codex usadas por Buckmaster en los dos meses previos al anuncio no pudieron haber influido de ningún modo en el sistema de OpenAI, incluyendo su entrenamiento. Este pasaje sugiere que hubo dudas o preguntas externas sobre una posible contaminación de datos entre ambos esfuerzos, lo bastante serias como para justificar una aclaración pública.

En su cierre, OpenAI es explícita en moderar el alcance de sus propias afirmaciones: dice no pretender reclamar el Premio del Milenio asociado a este problema, y enmarca el resultado no como un punto culminante sino como una 'instantánea' del progreso en el desarrollo de la IA. La compañía vincula el episodio a lo que llama 'el siguiente periodo de progreso en IA' y afirma que uno de sus objetivos centrales es construir sistemas 'dirigibles, responsables y conectados con las personas', lo que —dice— podría requerir decisiones más deliberadas sobre el ritmo al que se despliegan capacidades cada vez mayores.

Conviene leer este anuncio con la cautela habitual ante afirmaciones extraordinarias hechas por la propia parte interesada: se trata de una publicación de OpenAI sobre su propio sistema no público, sin que conste en el texto una revisión por pares independiente del resultado matemático más allá de la formalización en Lean que la propia compañía dice haber producido y publicado para su verificación. El caso es, en cualquier caso, relevante por varios motivos que van más allá de la propia demostración: ilustra un patrón emergente de investigación mediante enjambres masivos de agentes de IA coordinados (del orden de miles trabajando en paralelo durante días), el uso de 'cross-pollination' entre grupos de agentes como técnica de exploración, y la aparición casi simultánea de resultados relacionados producidos independientemente por dos laboratorios rivales (OpenAI y Anthropic) usando sus respectivos modelos internos, lo que por sí mismo es un dato significativo sobre el estado actual de las capacidades matemáticas de los modelos de frontera no públicos.