OpenAI publica diez soluciones matemáticas generadas por Astra, su próximo modelo

OpenAI publicó el 1 de agosto una colección de diez soluciones a problemas matemáticos que llevaban al menos una década sin avances sustanciales. Los resultados abarcan geometría de alta dimensión, teoría de códigos, complejidad de circuitos aritméticos, teoría de grupos, álgebras de operadores, complejidad cuántica, criptografía de retículos y combinatoria extremal. Todos fueron generados por una versión interna de Astra, el próximo modelo mayor que la compañía tiene en desarrollo. El costo computacional equivaldría a USD 2.000 en tokens usando las tarifas actuales de la API de Sol.

OpenAI atribuye las demostraciones matemáticas al sistema y asume la responsabilidad sobre su corrección. Cada solución fue formalizada en Lean, un asistente de pruebas que verifica la validez lógica de los argumentos. La compañía también liberó las trazas de razonamiento del modelo para cada caso.

Los diez problemas resueltos

La lista incluye resultados en:

• Empaquetamiento de esferas en alta dimensión: nuevas cotas superiores hasta el umbral de Cohn–Elkies.
• Códigos binarios y esféricos: mejoras exponenciales en los límites del tamaño máximo de códigos dada una distancia mínima.
• Grupos no sofic: construcción que establece su existencia, resolviendo una pregunta central en teoría de grupos.
• Conjetura de rigidez de Connes: refutación de la hipótesis de que ciertos grupos quedan determinados únicamente por sus álgebras de von Neumann.
• Complejidad de circuitos aritméticos: nuevas cotas inferiores para calcular el permanente, incluida una de orden n⁴/log n en fórmulas aritméticas.
• Repetición paralela cuántica: teorema de repetición paralela exponencial para juegos cuánticos de dos jugadores.
• Problema del vector más cercano: dureza de aproximación con factor polinomial, relevante para criptografía post-cuántica.
• Conjetura del volumen de Ehrhart: determinación del máximo volumen de un cuerpo convexo cuyo centroide es su único punto reticular interior.
• Números de Ramsey multicolor: cota inferior superexponencial para triángulos, resolviendo el problema 183 de Erdős.
• Conjeturas en teoría de grafos extremal: resultados sobre las conjeturas de compacidad y degeneración, problemas 146 y 180 de Erdős.

Contexto y responsabilidad

En mayo, OpenAI había compartido una refutación generada por IA de la conjetura de distancia unitaria de Erdős, descubierta al evaluar un modelo no publicado. Ese trabajo ya inspiró nuevas investigaciones en matemática y ciencias de la computación teórica.

La compañía reconoce que la irrupción de sistemas capaces de contribuir a la investigación matemática plantea preguntas que no puede responder sola. Hace referencia a preocupaciones expresadas en la Declaración de Leiden sobre IA y Matemáticas y enfatiza que la atribución debe reflejar con honestidad cómo se produjo el resultado: "Reclamar autoría humana para una prueba generada completamente por un sistema de IA representaría de forma errónea tanto la contribución del sistema como la naturaleza del trabajo intelectual humano genuino".

OpenAI también anunció recientemente ChatGPT for Academic Researchers, una iniciativa que otorga acceso gratuito a sus mejores modelos de ChatGPT a 100.000 científicos y matemáticos.

Por qué importa

La publicación marca un salto cualitativo: no se trata de resolver ejercicios conocidos sino de aportar resultados originales en problemas abiertos de alto perfil. Varios de estos avances tienen implicancias directas en áreas aplicadas —el problema del vector más cercano es central para la criptografía resistente a computadoras cuánticas— mientras que otros son de interés transversal en matemática pura.

Para equipos de tecnología, el dato clave es el costo: USD 2.000 en tokens por diez problemas que llevaban décadas estancados. Eso sugiere que Astra tiene capacidad de razonamiento sostenido a escala muy distinta de los modelos actuales. Si esa capacidad se traduce en dominios menos formales —diseño de sistemas, análisis de datos complejos, optimización—, el cambio en productividad puede ser discontinuo.

La formalización en Lean de todas las pruebas es otro punto a seguir: significa que el modelo no solo genera argumentos plausibles sino que puede verificarlos lógicamente de forma automática. Eso reduce el riesgo de alucinaciones en contextos donde la corrección es binaria, y abre la puerta a workflows de ingeniería donde el código y la especificación se validan mutuamente con asistencia de IA.