El problema del Premio del Milenio de Navier–Stokes
La afirmación de OpenAI de que sus modelos ayudaron a resolver el Problema del Premio del Milenio de Navier–Stokes ha provocado un escrutinio intenso tanto sobre el resultado matemático como sobre la forma en que se obtuvo. Los comentaristas se centran en acusaciones de apropiación de ideas a partir de los chats de investigadores, canalizaciones opacas de entrenamiento de datos y ofertas de autoría inusuales, viéndolo como un caso de prueba de si los LLM en la nube son compatibles con las normas académicas y el trabajo confidencial. Junto con las preocupaciones por el plagio y la privacidad, se debate lo que este episodio señala sobre un futuro en el que solo unos pocos laboratorios de IA bien financiados pueden permitirse perseguir grandes avances científicos.
Uso de datos de chat y privacidad
- A muchos les preocupa que usar LLM alojados en la nube para investigación sensible (claves API, estrategias de empresa, matemáticas sin resolver) arriesgue una futura “regurgitación” o fuga por entrenamiento.
- Algunos creen que el riesgo tiene menos que ver con los pesos y más con humanos o canalizaciones que minan registros en busca de ideas valiosas.
- Hay confusión y desconfianza respecto a los interruptores de OpenAI (“mejorar el modelo” frente a “no entrenar”), además de lagunas a través de la retroalimentación dentro de la sesión.
- Varios concluyen: no uses LLM de terceros para trabajo confidencial o crítico para tu carrera a menos que estés totalmente cómodo con la reutilización para entrenamiento o uses una configuración local / centrada en la privacidad.
Autoría, plagio y ética
- Un gran subgrupo ve el intento de excluir a un colaborador (por su afiliación laboral) como una clara mala conducta científica y profundamente desalineada con las normas de autoría en matemáticas.
- Otros enfatizan que el registro factual está incompleto, las capturas de pantalla son ambiguas y los motivos (malicia vs. malentendido) siguen sin estar claros.
- Existe un amplio consenso en que manipular la autoría por razones de negocio / relaciones públicas es una gran señal de alarma en el ámbito académico.
¿“Robó” el modelo la idea de Navier–Stokes?
- Un sector sospecha que OpenAI se benefició de los chats de los investigadores: datos de uso que entran en el entrenamiento / contexto, revisión dirigida de registros o etiquetado de cuentas de competidores.
- Otro sector argumenta que la navaja de Occam favorece esto: rumores de que NS era resoluble → el laboratorio lanza enorme capacidad de cómputo y un modelo interno potente contra todos los problemas del Milenio → NS parece prometedor → se centran en él.
- La propia formulación de OpenAI de “no podemos descartar” sobre la influencia del entrenamiento se ve como a la vez honesta y alarmante.
Papel matemático de los LLM y sus límites
- A algunos les impresiona que los modelos SOTA, guiados por agentes y humanos, puedan ayudar a resolver problemas del nivel del Milenio, especialmente en contextos de contraejemplos / formalización.
- Otros sostienen que esto sigue pareciendo una extrapolación de un amplio trabajo humano, no “inventar nuevos campos”; dudan de que los LLM actuales puedan empujar fronteras totalmente nuevas sin literatura previa.
- Preocupa que los modelos puedan adelantarse a los investigadores automatizando el “último 20%” de un proyecto largo.
Verificación, cómputo y centralización
- La formalización en Lean da a muchos confianza en la corrección, aunque señalan riesgos de enunciados erróneos de teoremas o fallos raros del verificador de pruebas.
- La escala reportada (cientos de miles de líneas de Lean, millones de mensajes de agentes, enormes recuentos de tokens) destaca que solo unos pocos grandes laboratorios pueden permitirse esto; algunos temen una creciente concentración del poder científico.
Conclusiones más amplias
- Los laboratorios de vanguardia contratan matemáticos y ejecutan grandes canalizaciones cerradas, así que el marketing puede exagerar lo autónomos que son realmente los modelos.
- Continúa el debate sobre si este episodio es un drama exagerado o una advertencia temprana sobre gobernanza de datos, normas académicas y quién controla el futuro del descubrimiento científico de alto nivel.