Navier-Stokes – Tristan Buckmaster [pdf]
Un matemático de NYU ha acusado públicamente a un laboratorio de IA de usar sus sesiones privadas de Codex y su dirección de investigación para “adelantarse” a un avance en Navier–Stokes, y luego presionarlo para que abandonara a su coautor que trabaja para un laboratorio rival a cambio de crédito compartido en una posible solución del Millennium Prize. Los comentaristas diseccionan cronologías, términos de servicio y prácticas de datos de entrenamiento, planteando preocupaciones más amplias sobre plagio, normas académicas, desequilibrios de poder y si se puede confiar en que los laboratorios de IA de frontera manejen investigación sensible. Muchos ven esto como un punto de inflexión para cómo matemáticos y otros investigadores deberían usar LLM comerciales, y para cómo funcionarán el crédito y la ética cuando la IA esté profundamente integrada en el descubrimiento científico.
Cronología y disputa alegadas
- Dos investigadores supuestamente usaron múltiples LLM durante ~un año en problemas de dinámica de fluidos, afirmando avances en Euler, medios porosos, Boussinesq y un problema relacionado de Navier–Stokes “hipo-disipativo” (no la versión Millennium en sí misma).
- Se difundieron rumores de que un laboratorio rival de IA había resuelto un problema del Millennium Prize; uno de los investigadores contactó a otro laboratorio para aclarar que se trataba de un trabajo independiente que involucraba a un empleado del primer laboratorio.
- Poco después, el laboratorio contactado dijo que su nuevo modelo interno había encontrado un resultado de blowup de Navier–Stokes (aparentemente elegible para el premio) mediante un enfoque similar “forzado”, tras solo unos pocos días de esfuerzo concentrado y mucho cómputo.
Uso de registros de chat y datos de entrenamiento
- La preocupación central: el modelo del segundo laboratorio podría haberse beneficiado de las sesiones privadas de Codex/ChatGPT del primer equipo (borradores, ideas, prompts).
- Los investigadores informan que se les dijo “el modelo no busca datos de usuarios”, pero no recibieron una respuesta clara sobre el entrenamiento con esas sesiones.
- La declaración pública del laboratorio dijo más tarde: no se accedió a ningún dato específico de usuario para resolver el problema, pero “no puede descartarse” que datos desidentificados del uso del producto hayan mejorado los modelos.
- Algunos comentaristas consideran inverosímil el espionaje deliberado (controles de acceso, riesgo empresarial); otros lo ven totalmente coherente con las prácticas actuales de entrenamiento de LLM y los incentivos de la empresa.
Autoría, normas académicas y supuestas amenazas
- Según la declaración, el segundo laboratorio propuso una publicación coordinada y ofreció permitir que el académico encabezara un artículo sobre el resultado completo, pero quería excluir al coautor empleado en un laboratorio rival.
- Los comentaristas señalan que eliminar a un contribuyente sustancial por su afiliación viola las normas académicas.
- La declaración afirma que una persona de alto rango advirtió que ir a público “arruinaría” la carrera del académico y que “no tenían que ser amables”; muchos lectores interpretan esto como intimidación.
- Un investigador del laboratorio luego reconoció la formulación “arruinar tu carrera” como un error grave, aunque disputó otras acusaciones.
Estado y naturaleza de los resultados matemáticos
- Consenso del hilo: los artículos actuales de los académicos son importantes pero no resuelven el problema oficial del Millennium de Navier–Stokes; el resultado interno del laboratorio supuestamente sí lo hace (con forzamiento).
- Los detalles de la prueba completa, su corrección y si cumple la especificación del premio Clay siguen sin estar claros y necesitarán verificación por la comunidad.
- Anuncios separados sobre blowup de Euler (forzado vs. no forzado) añaden confusión sobre qué se ha probado exactamente.
Papel de la IA en las matemáticas e incentivos futuros
- Muchos ven esto como un momento “Deep Blue” para las matemáticas: la automatización impulsada por LLM más un enorme cómputo pueden cerrar rápidamente brechas de larga data una vez que se conoce una dirección prometedora.
- Varios matemáticos en el hilo argumentan que si la IA “resuelve” grandes problemas mediante pruebas opacas, de fuerza bruta y formalizadas en Lean, esto puede avanzar los resultados formales pero perjudicar la comprensión humana y la cultura de colaboración abierta.
- Hay una fuerte preocupación de que el mero hecho de oír rumores de un enfoque prometedor desencadene ahora una carrera armamentística de cómputo entre laboratorios de frontera, incentivando el secretismo sobre las direcciones de investigación.
Privacidad, ToS y conclusiones prácticas
- Los comentaristas enfatizan repetidamente:
- Las cuentas de consumo suelen permitir por defecto el entrenamiento con los chats; muchos académicos no lo advierten.
- La semántica de exclusión voluntaria y las cláusulas de “datos desidentificados” se consideran oscuras y ambiguas.
- Para trabajos donde la IP y la prioridad importan, muchos recomiendan configuraciones autohospedadas o con garantía contractual de cero retención en lugar de depender de LLM en la nube de propósito general.
Sentimiento de la comunidad
- Las opiniones se dividen entre:
- Ver el comportamiento de los laboratorios como competencia despiadada predecible más mala comunicación; y
- Interpretarlo como plagio sistémico, acoso y prueba de que los laboratorios de frontera no pueden ser de confianza con investigación sensible.
- El entusiasmo por un posible avance en Navier–Stokes coexiste con un profundo escepticismo sobre la narrativa de “la IA lo resolvió sola” y con alarma sobre el impacto a más largo plazo en la investigación matemática.