Investigación

OpenAI dice haber refutado la Hipótesis del Tiempo Exponencial

OpenAI anunció tres resultados en matemáticas, informática y física, con tres estrategias de publicación distintas. El más ambicioso afirma que la Hipótesis del Tiempo Exponencial es falsa, y la comunidad pide verificar antes de celebrar.

Lucía GarcíaLucía García
Popularidad: 1,620
OpenAI dice haber refutado la Hipótesis del Tiempo Exponencial

OpenAI anunció el 26 de octubre tres resultados en matemáticas, informática y física, junto a una manera nueva de publicarlos. El más llamativo afirma que la Hipótesis del Tiempo Exponencial es falsa, una conjetura que sostiene buena parte de la teoría de la complejidad. La comunidad matemática pide ver la prueba antes de celebrar.

Tres anuncios de OpenAI y tres formas distintas de enseñarlos

Los resultados se reparten así: una demostración de smoothing local para la ecuación de ondas, que arrastra la conjetura de Kakeya; una refutación de la Hipótesis del Tiempo Exponencial (ETH, por sus siglas en inglés); y una prueba de existencia para ciertas teorías cuánticas de campos en cuatro dimensiones, entre ellas la cromodinámica cuántica.

Lo raro no es el lote. Lo raro es que cada uno salió con una estrategia distinta. El de matemáticas se publicó tal cual, con el texto generado por el modelo y la prueba formal en GitHub. El de informática se entregó a un grupo externo que lo verifica y lo explica. El de física se quedó retenido: el grupo asesor decidió escribir su propia versión antes de que se difundan los materiales de la IA.

OpenAI reconoce que no sabe cuál de las tres fórmulas funcionará mejor y pide opiniones. Es una admisión poco habitual en una nota de producto.

Qué es la Hipótesis del Tiempo Exponencial

La ETH habla de un problema muy concreto. Dada una fórmula lógica con variables que pueden ser verdaderas o falsas, ¿cuánto hay que trabajar para saber si existe alguna combinación que la haga cierta? El problema se llama satisfacibilidad, o SAT, y es el ejemplo canónico de tarea difícil.

La hipótesis dice que no hay atajo: ningún algoritmo puede resolverlo en un tiempo que crezca más despacio que exponencialmente con el número de variables. Se formuló a finales de los noventa, y desde entonces cientos de artículos la han usado como cimiento. Si el resultado de OpenAI se sostiene, esos trabajos no se caen, pero la base sobre la que se apoyan cambia de forma.

Si la ETH cae, qué se lleva por delante

La ETH no es lo mismo que el problema P frente a NP, aunque están emparentados. Muchos resultados de dureza condicional empiezan con un "si la ETH es cierta, entonces este problema no tiene algoritmo rápido". Si la hipótesis es falsa, esas conclusiones dejan de sostenerse tal como están escritas.

El propio OpenAI lo dice con prudencia: la refutación reabre preguntas sobre cuánto se puede acelerar en la práctica y recuerda que llevar la teoría a mejoras reales exige bastante más trabajo. Un resultado de complejidad no se traduce en un programa más rápido la semana siguiente.

El grupo que revisa el trabajo lo forman Russell Impagliazzo y Ramamohan Paturi, de la Universidad de California en San Diego, y Ryan Williams, del MIT. Los dos primeros propusieron la hipótesis con Francis Zane entre 1999 y 2001. Que los padres de la conjetura acepten supervisar su refutación es, como mínimo, una señal.

Ese grupo pidió que se publicaran todos los datos crudos y que OpenAI financiara una conferencia sobre las implicaciones. La empresa aceptó las dos cosas. La prueba en lenguaje natural se generó el 16 de octubre y la formalización en Lean se completó el 17.

Lean comprueba la deducción, no el significado

Aquí conviene detenerse, porque es donde se mezclan dos cosas distintas. Lean es un asistente de pruebas: un programa que revisa paso a paso que cada inferencia se sigue de las anteriores según las reglas del sistema. Si el archivo compila, la deducción es correcta.

Lo que Lean no hace es decir si el teorema es interesante, si la definición elegida coincide con lo que la gente entiende por ese objeto o si la comunidad va a aceptar el resultado. Un matemático puede formalizar una tontería impecable.

De ahí vienen muchas de las quejas. Varios investigadores describen las pruebas generadas como correctas en la forma y casi imposibles de leer: no hay quien siga el hilo para entender por qué funcionan.

Correctas, sí.

Una demostración que nadie puede leer no se puede enseñar, ni revisar de verdad.

Del smoothing local a Kakeya: el resultado de matemáticas

La parte matemática tiene un recorrido largo. En 1991, Sogge formuló la conjetura de smoothing local, que describe cómo se comportan las ondas cuando se concentran: el enfoque más extremo solo puede durar un instante. De ella se deducen la conjetura de Kakeya y la de restricción de Stein.

Guth, Wang y Zhang la probaron en dos dimensiones en 2019. Wang y Zahl resolvieron Kakeya en tres dimensiones en 2025. OpenAI afirma que su modelo la demostró en todas las dimensiones con ayuda de una ecuación en derivadas parciales auxiliares de un tipo nuevo, y que con eso caen también Kakeya y Stein en cualquier dimensión.

El material salió el 18 de octubre. Al día siguiente estaba formalizado y publicado en el repositorio openai/math. Es la misma vía que la empresa usó el 6 de octubre con otro lote de resultados.

Yang-Mills: un Premio del Milenio a medias

La física es la parte más difícil de explicar y la más difícil de evaluar. OpenAI dice que obtuvo una prueba rigurosa de existencia para teorías cuánticas de campos interactuantes con campos de gauge y fermiones en cuatro dimensiones. Eso incluye la cromodinámica cuántica y una completitud unificada del Modelo Estándar.

Como subproducto, prueba la existencia de la teoría de Yang-Mills pura, que es una pieza del problema del Premio del Milenio del Clay Mathematics Institute. No es el problema entero, y no toca la gravedad.

También hay que precisar el alcance. Lo demostrado se refiere a la versión más simple de gran unificación que incorpora los campos y fermiones del Modelo Estándar, porque el Modelo Estándar tal cual no se puede extender a distancias arbitrariamente cortas.

El grupo lo dirige David Gross, premio Nobel de Física en 2004 por su trabajo en libertad asintótica, junto a Michael Douglas, Arthur Jaffe, Igor Klebanov y Nikita Nekrasov. Ellos decidieron no publicar los materiales de la IA por ahora y redactar su propia versión. La prueba de Yang-Mills se generó el 9 de septiembre, la de QCD el 18, y la formalización se cerró el 16 de octubre.

La letra pequeña del anuncio de OpenAI: 700 manuscritos y el aval de Tao

El anuncio llega con historial. El 6 de octubre, OpenAI publicó más de 700 documentos matemáticos de golpe. La Asociación para las Matemáticas Humanas respondió con una declaración que Terence Tao compartió y respaldó en la práctica: soltar 700 archivos a la vez no es una presentación académica, es una demostración de poder.

En septiembre, el grupo asesor AGMAI había dicho que no respaldaba el uso de modelos propietarios para atacar problemas matemáticos de alto nivel y pidió que se dejara de hacer. Futurism señaló que la nota de OpenAI no menciona ese punto.

En Hacker News, el hilo del anuncio superó los 460 puntos y las 170 respuestas, con un tono mayoritariamente escéptico al principio, según el resumen de ai-tldr. Las quejas se repiten: faltan detalles, los materiales llegan en masa, nadie ha tenido tiempo de leerlos.

Cómo leer el anuncio de OpenAI sin ponerse de un lado

Hay dos errores fáciles. El primero es dar los tres resultados por probados porque Lean compile. El segundo es descartarlos porque vengan de una empresa y no de un departamento universitario.

Lo que se puede afirmar hoy es más modesto. Existen manuscritos, existen pruebas formales y existen grupos externos con reputación dispuestos a revisarlas. La verificación independiente está en marcha y no ha terminado. Eso es distinto de un teorema aceptado, y bastante más de lo que suele acompañar a un anuncio de este tipo.

Si los grupos encuentran un fallo, se sabrá. Si no lo encuentran, la pregunta que quedará no será si una IA puede demostrar algo, sino cómo se revisa y se enseña una prueba que ningún humano ha escrito.

Compartir esta noticia

Fuentes

Noticias de IA relacionadas

Curvas espirales concéntricas cruzadas por una línea vertical con puntos brillantes anclados a lo largo de ella
Investigación

Un matemático de Anthropic dice que Claude demostró la hipótesis de Riemann, y Stanford respondió en horas

El anuncio llegó por la web personal de un matemático, no por un comunicado de Anthropic. Horas después, Stanford publicó una demostración humana del mismo problema. Ninguna de las dos está aceptada.

Popularidad: 1,860
Una pila de nodos de agentes unidos por un camino hacia un rack de servidores, con una cerradura y una marca de brecha en el rack
Investigación

Cairn: un AI agent encontró un zero-day y tomó un servidor universitario en 11 minutos

La orden fue una sola frase: obtener acceso al servidor. Los agentes eligieron el cómo, dieron con un fallo desconocido en MONAI Label y dejaron una puerta abierta en 11 minutos.

Popularidad: 1,520
Un embudo que lleva pequeños bloques de tokens de una caja de modelo a otra, con una placa de escudo que bloquea parte del flujo
Investigación

OpenAI reduce el robo de razonamiento del 54% al 0,2%, pero se mide a sí misma

Copiar el razonamiento de un modelo de frontera se ha convertido en un negocio. OpenAI publica sus defensas y dos cifras que bajan mucho, con una advertencia: son sus propias pruebas.

Popularidad: 1,420
Una cuadrícula cian de retícula con un cuadrado resaltado junto al texto Lattice Standard Model
Investigación

OpenAI propone una definición del Modelo Estándar en retícula con GPT-6 Astra

OpenAI publicó el 15 de noviembre un texto sobre una definición no perturbativa del Modelo Estándar sobre una cuadrícula, construida sobre un preprint de octubre. El autor la describe como una respuesta en principio, no en la práctica.

Popularidad: 1,500