Sobre el problema del Premio del Milenio de Navier–Stokes

Cómputo, coste y metodología

• Los comentaristas estiman alrededor de ~$15M a precios públicos de Astra por los ~300B tokens de salida; algunos señalan que el coste interno de OpenAI es menor, pero aun así enorme.
• El sistema usó ~10,000 agentes concurrentes durante ~88 horas. Algunos lo ven como un «país de genios en un centro de datos»; otros sostienen que es fuerza bruta más una fuerte dirección humana, no una AGI «de un solo disparo» limpia.
• Varios señalan que la cadena de prompts, el uso de herramientas y la guía humana no son triviales, y que la entrada del blog minimiza la participación humana.

Disputa de prioridad y preocupaciones por plagio

• Un equipo separado llevaba trabajando около de un año en trabajo estrechamente relacionado de Euler/NS usando Codex/LLMs; su declaración pública alega:
  • Que OpenAI solo comenzó su esfuerzo después de oír rumores de una solución del Milenio.
  • Que sus sesiones de Codex contenían borradores e ideas clave.
  • Que no se respondió con claridad a las preguntas sobre si esos chats se usaron en el entrenamiento.
  • Que OpenAI propuso anuncios conjuntos condicionados a abandonar al coautor afiliado a Anthropic y, presuntamente, usó lenguaje de amenaza profesional.
• Las respuestas de OpenAI (en la publicación y en redes sociales) afirman:
  • Que nunca accedieron a chats privados específicos.
  • Que la prueba del modelo e incluso el resultado exacto de Euler difieren.
  • Que los datos de usuarios podrían haber contribuido a señales de entrenamiento «desidentificadas»; «no podemos descartarlo».
• El hilo se divide:
  • Un bando ve esto como probable fuga de PI / «front‑running» de clientes usando sus propios datos.
  • El otro insiste en que no hay pruebas concretas de mala conducta y que las acusaciones requieren prueba.

Uso de datos, privacidad y confianza

• Fuerte enfoque en el interruptor de entrenamiento («mejorar el modelo para todos») y en si la exclusión realmente impide el uso de datos, ya sean crudos o «desidentificados».
• Algunos argumentan que OpenAI podría y debería determinar si chats específicos entraron en el entrenamiento; otros dicen que la escala y la desidentificación lo hacen inviable o violatorio de la privacidad.
• Muchos concluyen que los investigadores deberían evitar LLMs propietarios (o exigir una retención de datos estrictamente cero) para trabajo no publicado.

Impacto en las matemáticas y la cultura de investigación

• Reacciones mixtas: asombro ante la caída de un problema del Milenio; consternación por la forma en que ocurrió.
• Preocupaciones de que los rumores de progreso ahora desencadenen enormes esfuerzos de IA que «aplanan» problemas abiertos antes de que los proyectos humanos maduren, empujando las matemáticas hacia el secretismo («bosque oscuro cognitivo»).
• Algunos dicen que esto muestra el razonamiento de frontera de la IA y señala AGI; otros lo comparan con Deep Blue o los motores de ajedrez: superhumano en un dominio estrecho y bien verificado.

Lean, formalización y corrección

• Muchos enfatizan la prueba en Lean como fuerte evidencia de corrección, posiblemente más fuerte que la revisión por pares tradicional.
• Otros señalan:
  • Que las declaraciones en Lean deben coincidir exactamente con el problema de Clay, lo que aún requiere comprobación humana.
  • Que errores pasados en asistentes de prueba significan que todavía es necesaria cierta escrutinio humano.

Implicaciones sociales y laborales más amplias

• Debate sobre si esto acelera una «explosión de inteligencia» que amenaza los empleos del trabajo del conocimiento frente a si simplemente empuja a los humanos hacia tareas de nivel superior.
• Varios lo ven como un momento decisivo; otros advierten contra sobreinterpretar un solo resultado matemático de alto perfil como AGI general.