MATEMÁTICA COMPUTACIONAL
GPT-5.6 cerró un problema abierto de optimización convexa de 30 años
Según reportes en foros especializados, el modelo GPT-5.6 de OpenAI habría resuelto con un prompt un problema de optimización convexa que permanecía sin solución desde hace tres décadas, días después del anuncio de su avance en conjeturas matemáticas.
Un salto inesperado en descubrimiento matemático
Según publicó un usuario en el subreddit de matemáticas, GPT-5.6 de OpenAI habría resuelto un problema de optimización convexa abierto durante 30 años utilizando un simple prompt. El reporte surge apenas días después de que OpenAI anunciara oficialmente que sus modelos lograron demostrar conjeturas matemáticas no resueltas, incluyendo avances en el problema CDC (Collatz-like Discrete Conjecture).
La optimización convexa es un área fundamental en matemática aplicada, con implicaciones directas en machine learning, investigación operativa, finanzas cuantitativas y diseño de algoritmos. Que un modelo de lenguaje cierre brechas de décadas en este campo señala un cambio cualitativo en el rol de la IA en investigación científica.
De conjeturas a problemas abiertos
El anuncio se produce en el contexto del lanzamiento de GPT-5.6, una versión que OpenAI ha posicionado como significativamente más capaz en razonamiento matemático formal. La empresa confirmó públicamente avances en la demostración automática de teoremas, un área donde modelos anteriores mostraban limitaciones estructurales para manejar cadenas largas de deducción lógica.
La optimización convexa, a diferencia de las conjeturas en teoría de números, tiene aplicaciones inmediatas en ingeniería y ciencia de datos. Un avance en este campo no solo representa un logro académico: cualquier mejora en algoritmos de optimización impacta directamente en la eficiencia de sistemas de producción, desde entrenamiento de modelos hasta planificación logística.
Por qué importa
Si se confirma, este caso marcaría un punto de inflexión: los LLMs no solo aceleran investigación conocida, sino que descubren soluciones a problemas que resistieron décadas de trabajo humano. La diferencia con GPT-4 o Claude 3.5 no es solo cuantitativa; estamos viendo modelos capaces de operar en los márgenes del conocimiento matemático formal.
Para equipos técnicos, la implicancia es concreta: herramientas de IA que hoy optimizan código o diseñan arquitecturas podrían pronto resolver clases de problemas computacionales que actualmente requieren especialistas con doctorados. No reemplazan el criterio humano, pero expanden radicalmente el espacio de soluciones explorables.
La pregunta ya no es si los modelos de lenguaje pueden hacer matemática avanzada, sino qué otros dominios técnicos van a desbloquearse en los próximos meses.
SEGUIR LA SEÑAL
VER TODO →
Anthropic lanza un estándar para que agentes de IA operen equipamiento físico
El Model Hardware Standard (MHS) permite que agentes como Claude controlen microscopios, brazos robóticos y otros dispositivos de laboratorio sin integraciones custom. Lo que antes tomaba semanas ahora lleva minutos.
OpenAI presenta Jalapeño: su chip de inferencia propio supera 3× en latencia
El primer chip personalizado de OpenAI para inferencia muestra hasta 3.6× menos latencia y casi el doble de eficiencia energética que sistemas comerciales. Funciona con modelos propios y de terceros, incluyendo DeepSeek R1.
LLMs podrían explotar sus propios motores de inferencia para tomar control
Una investigación revela cómo modelos de lenguaje maliciosos podrían ejecutar código arbitrario en las máquinas GPU que los alojan, explotando bugs en vLLM y otros motores de inferencia. El ataque no requiere acceso externo.