La IA de OpenAI y la Hipótesis del Tiempo Exponencial: un resultado enorme si se confirma, que aún nadie ha verificado

Una nota breve procedente de un vídeo afirma que un modelo de OpenAI ha demostrado que la Hipótesis del Tiempo Exponencial (ETH, por sus siglas en inglés) es falsa. Añade que eso elimina «una barrera computacional que se consideraba una ley de la física». No tenemos el artículo original, ni el trabajo técnico, ni ninguna reacción de la comunidad matemática. Nuestra tesis es sencilla: si se confirma, sería un hito científico de primer orden. Hasta entonces es una afirmación extraordinaria que exige pruebas a su altura.

Primero, una corrección de contexto. La ETH no es una ley de la física. Es una conjetura de la teoría de la complejidad computacional, la rama que estudia cuántos recursos necesita un problema para resolverse. Plantea que ciertos problemas lógicos clásicos, como 3-SAT (decidir si una fórmula con muchas variables tiene alguna solución), no pueden resolverse en tiempo «subexponencial». Dicho de forma sencilla: el tiempo necesario crecería de forma explosiva con el tamaño del problema, sin atajos de fondo. Es una hipótesis de trabajo muy usada, no un teorema demostrado. Sobre ella descansan muchos resultados que dicen «esto no se puede hacer mucho más rápido».

Refutarla tendría consecuencias reales. Muchas cotas de dificultad que hoy se dan por buenas quedarían en entredicho, y se abriría la puerta a algoritmos más rápidos para problemas que se creían condenados al tiempo exponencial. Aun así, no equivaldría a demostrar que P = NP, ni significa que mañana vayan a caer la criptografía o la logística. El paso de un resultado teórico a un algoritmo práctico suele ser largo y a veces no llega nunca.

Nuestra lectura: aquí hay que separar capacidad demostrada y relato, como hacemos con cualquier anuncio de IA. Una prueba matemática de este calibre se valida de una sola manera: un manuscrito público que los especialistas revisan línea a línea, o una verificación formal con asistentes de demostración. La nota no menciona ninguna de las dos cosas. Tampoco aclara qué papel tuvo el modelo: si generó la demostración entera, si encontró una idea clave o si trabajó junto a investigadores humanos. Tampoco sabemos si OpenAI lo ha comunicado en esos términos. Ese matiz lo cambia todo.

Aun con esa cautela, el horizonte es interesante y coherente con nuestra visión de largo plazo. Si los modelos empiezan a aportar resultados nuevos y verificables en matemáticas fundamentales, la IA dejaría de ser solo una herramienta de productividad y pasaría a ser un colaborador científico. Esa misma palanca es la que imaginamos para acelerar la biología, la química y la medicina. Pero ese futuro se construye con pruebas revisadas, no con titulares. Seguiremos el caso y lo actualizaremos cuando haya un documento técnico y una valoración independiente de expertos en complejidad.