Un modelo que resuelve en secreto Navier-Stokes y la amenaza del robo automatizado

Perex: OpenAI resolvió la ecuación de Navier-Stokes, uno de los Problemas del Milenio en matemáticas. Sin embargo, las celebraciones se ven empañadas por acusaciones de que la compañía se adelantó deliberadamente a los investigadores de la NYU y Anthropic después de enterarse de que estaban cerca de una solución.

Cómo un rumor lanzó una ofensiva de quince millones de dólares

Según el matemático Tristan Buckmaster y su colega Levent Alpöge (Anthropic), la pareja había estado trabajando en el problema durante casi un año. Usaron Claude y Codex (específicamente GPT-5.6 Sol) para hacerlo. Lograron un avance en agosto. Un rumor comenzó a extenderse por la comunidad matemática. OpenAI se enteró de la solución de un problema importante de Anthropic a principios de septiembre. En cuestión de días, lanzó un bombardeo. Su nuevo modelo generó 2,7 millones de mensajes y 130 mil millones de tokens. ¿El resultado? OpenAI anunció que había resuelto el problema poco antes de que los académicos pudieran publicar su preimpresión. Si OpenAI pagara los precios públicos de la API por GPT-6 Astra para esta hazaña, costaría 15 millones de dólares.

Lo que esto significa para la investigación y la seguridad

Esta situación es una advertencia para cualquiera que trabaje en investigación innovadora. OpenAI se defiende diciendo que no tuvo acceso a los datos de los académicos y solo actuó en base al rumor. Pero la mera información de que un problema se puede resolver (o ya está resuelto) es una gran ventaja en la era de los LLM potentes. Una vez que OpenAI supo que existía una solución para Navier-Stokes, pudo usar su enorme poder de cómputo para encontrar su propia prueba. Es similar a la ciberseguridad. El mero informe de una vulnerabilidad sin parches puede ser suficiente para que los agentes la descubran.

Preguntas sobre datos y entrenamiento

El caso abre otra pregunta candente. OpenAI jura que no leyó el flujo de trabajo de los académicos en Codex. Pero también admite que los datos no identificados de su trabajo podrían haber ayudado a los modelos a mejorar. Esto plantea dudas. Si usa un modelo comercial para resolver un problema matemático, existe la posibilidad de que el modelo aprenda de sus pasos. ¿Puede entonces la misma herramienta ayudar a otra persona a resolver el mismo problema más rápido? Simon Willison se pregunta con razón cuál es el riesgo de que tu propio esfuerzo facilite el trabajo de un competidor.

La transparencia de los procedimientos decidirá, no la fuerza bruta

La verdadera medida de cómo se desarrolle la situación no será quién gaste más en tokens, sino cómo se establezcan las reglas del juego para la investigación utilizando modelos propietarios. Si los laboratorios como OpenAI quieren evitar controversias similares, tendrán que definir mucho más claramente qué significa no utilizar los datos del usuario. Y hay una lección clara para los investigadores. Trabajar en un descubrimiento innovador en la interfaz de un modelo que no le pertenece significa correr el riesgo de que su herramienta finalmente lo derrote.

El veredicto de Lilith

El problema no es que otra persona sea la primera. Es que si OpenAI aprovecha las señales de avances, los modelos en la nube actúan efectivamente como un servicio de noticias para los desarrolladores a los que confía su investigación.