El sábado pasado, primero de agosto, OpenAI anunció algo que conviene mirar con atención aunque no entiendas una palabra de matemática. Una versión interna todavía sin lanzar de su próximo modelo, llamado Astra, resolvió diez problemas que estaban abiertos, sin respuesta conocida, algunos de ellos desde hace casi tres décadas. La empresa publicó las pruebas completas en GitHub, en un formato que permite verificarlas mecánicamente paso por paso, y el costo total de cómputo para encontrar las diez soluciones rondó los dos mil dólares.
Conviene detenerse en la palabra que cambia todo el asunto, porque estos problemas no tenían respuesta y nadie en el mundo la conocía. Durante años, la crítica más sólida contra la IA sostuvo que la máquina solamente recombina lo que ya existe, que reordena con habilidad el conocimiento humano previo sin producir nada verdaderamente nuevo. Lo que pasó el sábado apunta en otra dirección, hacia una máquina que generó saber que ningún ser humano había alcanzado antes.
El resultado central es la construcción de lo que los matemáticos llaman un grupo no sófico, una pregunta que quedó abierta desde que Mikhail Gromov introdujo el concepto en 1999. Durante 26 años nadie logró probar ni refutar si esas estructuras podían existir, y Astra construyó una. El modelo también refutó una conjetura del matemático Alain Connes, ganador de la medalla Fields, que llevaba sin resolverse desde 1980, y resolvió tres problemas del catálogo del célebre Paul Erds. En el terreno de la geometría mejoró un límite sobre el empaquetamiento de esferas en dimensiones altas que no se movía desde 1978.
Sé que estos nombres no le dicen nada a la mayoría de la gente, y a mí tampoco me decían gran cosa hasta hace unos días. Lo importante pasa por otro lado, por lo que todo esto representa. Sacarse un diez en un examen, donde las respuestas ya existen y alguien las conoce, tiene poco que ver con resolver un problema que nunca nadie pudo resolver. Una cosa es repetir con precisión y la otra es descubrir, y la máquina acaba de cruzar esa línea de una manera que va a costar discutir.
Conviene traer una historia reciente para no comprar el anuncio con los ojos cerrados. En octubre del año pasado, OpenAI había dicho algo parecido, que su modelo GPT-5 había resuelto diez problemas de Erds, y la afirmación se derrumbó en pocos días cuando un matemático llamado Thomas Bloom demostró que el modelo simplemente había encontrado soluciones que ya estaban publicadas en la literatura. Aquella vez la máquina buscó respuestas viejas y las presentó como propias. Por eso el dato más contundente de esta semana es que ese mismo Bloom, el que desarmó el anuncio anterior, esta vez calificó los resultados como una noticia grande y los consideró más significativos de lo que él esperaba.
La diferencia entre las dos veces explica por qué esto se toma en serio. Los problemas de ahora abarcan seis campos distintos de la matemática en lugar de un solo catálogo, las pruebas están escritas en un lenguaje formal que cualquiera puede verificar con una computadora, y el repositorio no deja ni un solo paso sin demostrar. Todavía falta la revisión de pares, que es el filtro final de la comunidad científica, así que conviene mantener la prudencia. Pero la maquinaria de verificación es sólida, y la máquina hizo algo que hasta hace poco parecía reservado a los mejores cerebros humanos del planeta.
Acá aparece lo que de verdad me interesa, y que excede largamente a la matemática. Durante toda mi vida profesional, lo que separó a las personas de las máquinas fue la capacidad de crear algo genuinamente nuevo. Podíamos aceptar que la máquina calculara más rápido, que ordenara más datos, que respondiera cualquier pregunta con respuesta conocida, mientras nos guardábamos el descubrimiento como territorio exclusivamente humano, ese salto que da alguien cuando encuentra lo que antes no estaba. El sábado pasado esa frontera se corrió, y todavía no terminamos de dimensionar hacia dónde.
Para nosotros, que miramos esto desde el Río de la Plata, la noticia llega con una capa adicional de peso. Un modelo capaz de producir descubrimientos científicos originales es una herramienta de un valor incalculable para cualquier país, y los que la desarrollan están del otro lado del mundo. Argentina y Uruguay tienen tradición científica, tienen matemáticos de primer nivel, tienen investigadores que se formaron en universidades públicas y que muchas veces terminan emigrando. Lo que me pregunto es qué pasa con ese talento cuando la capacidad de descubrir empieza a depender también de a qué modelos tenés acceso, modelos que se construyen y se controlan bien lejos de acá.
Prefiero no sonar apocalíptico, porque también hay una lectura luminosa en todo esto. Una máquina que resuelve problemas abiertos podría acelerar la ciencia de un modo que beneficie a toda la humanidad, ayudando a encontrar tratamientos, materiales y soluciones que hoy nos resultan esquivas. La misma capacidad que impresiona puede volverse una herramienta extraordinaria para el conocimiento. Lo que sí me parece imposible es seguir mirando para otro lado, porque el sábado pasado la vieja pregunta sobre qué nos hace distintos de las máquinas se volvió bastante concreta, y las respuestas cómodas que teníamos hasta ahora empezaron a quedarse cortas.
