I. 88 Horas
El sábado 5 de septiembre, en algún momento de la tarde, un grupo de diez mil procesos cognitivos corriendo en paralelo dejó de discutir. Llevaban 88 horas hablando entre ellos — 2.7 millones de mensajes, unos 130B de tokens de salida — sobre una ecuación que se escribió por primera vez en 1822. Ninguno de los diez mil dormía. Ninguno tenía nombre. Y sin embargo, cuando terminaron, habían producido 165 páginas de prueba analítica sobre una de las siete preguntas que el Clay Mathematics Institute puso en una lista en el año 2000 con un millón de dólares de recompensa por cada una.
El lunes 8, OpenAI publicó el resultado. El martes 9, las revistas científicas seguían tratando de entender qué acababa de pasar. Y yo llevo dos días con la sensación de que la noticia más importante del año no salió en la sección de tecnología sino en la de matemáticas, donde casi nadie de este espacio va a buscarla.
Dos días antes, el 6 de septiembre, Jensen Huang había escrito en X, en un hilo que no era ni siquiera un anuncio sino una respuesta al CEO de Crusoe, que AGI había llegado. Lo dijo así, sin adjetivos: “AGI has arrived.” Y en la misma frase agregó que vienen 400,000 GPUs más. Guardé ese tweet el lunes porque quería escribir sobre un detalle que me parecía revelador: que la declaración de inteligencia general no la hizo el laboratorio que entrenó el modelo sino la empresa que vendió los chips. Iba a ser un artículo sobre incentivos.
Ya no. Porque entre el post de Jensen y hoy pasó lo de Navier-Stokes, y lo de Navier-Stokes convierte el debate sobre si “esto es AGI” en un debate de abogados. Si un sistema no biológico entra en una zona de la estructura matemática que la humanidad no pudo penetrar en dos siglos y regresa con algo que la realidad misma puede calificar — porque en matemáticas no hay narrativa que salve una prueba mala — entonces la etiqueta importa menos que la consecuencia.
La consecuencia es esta: el descubrimiento dejó de ser un monopolio de la biología humana. Y ustedes y yo, que llevamos año y medio en esta bitácora aprendiendo a pensar desde primeros principios, tenemos que decidir qué hacemos con eso.
Empecemos por la ecuación.
II. Doscientos Años de Agua
Claude-Louis Navier era ingeniero de puentes. En 1822 escribió una ecuación para describir cómo se mueve un fluido — agua en una tubería, aire sobre un ala, sangre en una arteria — y George Stokes la terminó de pulir entre 1842 y 1850. Son ecuaciones que cualquier estudiante de ingeniería mecánica usa todos los días. Los aviones vuelan con ellas. Las simulaciones de Fórmula 1 que hacen que un alerón valga tres décimas de segundo son Navier-Stokes en un supercomputador.
Y sin embargo, durante dos siglos, nadie pudo responder la pregunta más básica sobre ellas: ¿tienen siempre solución? ¿O existe alguna configuración inicial de un fluido, perfectamente suave, perfectamente razonable, que en un tiempo finito se rompe — donde la velocidad en un punto se dispara a infinito y la matemática deja de describir la física?
Jean Leray demostró en 1934 que existen soluciones “débiles”, una forma elegante de decir que existen soluciones que no sabemos si son las buenas. Desde entonces el problema quedó abierto: noventa años de los mejores cerebros del planeta, de Fields Medalists, de departamentos enteros, intentando cerrar una puerta que no cedía. En el 2000 el Clay lo puso en su lista de siete Millennium Problems. En veintiséis años solo uno de los siete se resolvió — la conjetura de Poincaré, por Grigori Perelman en 2003, que después rechazó el millón de dólares porque le pareció un insulto.
Lo que OpenAI publicó el lunes no es una prueba de que las soluciones siempre existen. Es lo contrario, y en cierto sentido es más interesante: es una prueba de que se rompen. Un fluido que empieza en reposo, empujado por una fuerza suave y localizada, con energía finita en todo momento, desarrolla una singularidad en tiempo finito. La construcción es un vórtice que gira hacia adentro y se estira como un espagueti, cuya región central se encoge mientras acelera hasta que la velocidad se vuelve infinita sin que la energía total lo haga. La dificultad técnica — la que nadie había logrado — era hacer que la ruptura emergiera de la dinámica del fluido mismo y no de un truco externo.
Diego Córdoba, el matemático español cuyo método de “forcing” es la base sobre la que se construyó la prueba, le dijo a Scientific American que estaban “un poco en shock”. Ese es el tono correcto. No es euforia. Es el vértigo de alguien que llevaba años caminando hacia una puerta y ve que alguien la abrió desde el otro lado.
Un detalle que me importa más que el teorema: la prueba viene con una formalización en Lean, el asistente de pruebas que verifica cada paso lógico como un compilador verifica código. Esa formalización la produjo GPT-6 Astra — el modelo público, el que ustedes pueden usar — en 17 horas adicionales. La prueba la escribió un modelo. La verificación la hizo otro modelo. Los humanos entran ahora, después, a revisar si lo que se formalizó es lo que se quería demostrar.
Ese orden — la máquina produce, el humano verifica — es la primera frase de un capítulo nuevo.
III. Diez Mil
La arquitectura de lo que hizo OpenAI es, para quien lea esta bitácora, más importante que el resultado. Porque el resultado es un teorema. La arquitectura es un modelo de negocio.
El modelo que resolvió el problema no es GPT-6 Astra. Es un modelo interno, “significativamente más capaz”, que empezó a entrenarse el 28 de agosto y que todavía estaba entrenando cuando encontró la solución. Piensen en eso un segundo: el sistema que cerró un problema de 200 años tenía menos de dos semanas de vida y no había terminado de nacer.
Sobre ese modelo, OpenAI montó lo que describe como “un sistema de agentes coordinados”. Cada agente tenía dos herramientas: leer una copia cacheada de internet y ejecutar código. Los agentes estaban divididos en grupos que podían comunicarse entre sí. A unos grupos les dieron la versión del problema que buscaba demostrar que las soluciones existen; a otros, la que buscaba demostrar que se rompen. Los pusieron a correr en direcciones opuestas. Y cada cierto tiempo usaron Codex — el agente de programación — para consolidar los hallazgos más útiles de cada grupo y cruzarlos, como si polinizaran colmenas.
El grupo que llegó a Navier-Stokes tenía del orden de diez mil agentes concurrentes. Un subproblema previo, la ruptura de las ecuaciones de Euler sin fuerza externa, lo resolvieron unos cien agentes en cincuenta horas, y ese resultado se lo dieron de comer al grupo grande. Fortune reportó, citando fuentes cercanas, que los agentes usaron una wiki alemana como tablero de mensajes para coordinarse. Si ustedes leyeron Si Yo Fuera un Agente, donde imaginé qué hace un agente cuando nadie lo mira, la respuesta acaba de llegar: se organiza, delega, se especializa, y encuentra un lugar donde dejar notas.
Cuánto costó, nadie lo sabe con precisión y OpenAI no lo dijo. Las estimaciones van desde $1M de costo real de inferencia — unas 400,000 horas de GPU GB200 — hasta $22.5M a precio de lista de tokens, y algún roundup habló de más de $40M. Tomen el rango, no el número. Lo relevante no es la cifra. Lo relevante es la comparación: un millón de dólares es el premio del Clay. Es decir, resolver el problema costó aproximadamente lo mismo que el premio por resolverlo, y OpenAI anunció que no va a reclamarlo.
En total, contando todos los problemas que atacaron en paralelo, los agentes enviaron 4.9 millones de mensajes y produjeron unos 300 mil millones de tokens. Eso no es un modelo pensando. Eso es una fábrica.
Y una fábrica tiene una propiedad que un genio no tiene: se puede duplicar.
Eso es lo que Jensen estaba vendiendo con su tweet, aunque no lo dijera así. Y es lo que vamos a desarmar el 14 de octubre en Medellín, en el Día D, con Santiago Roel Santos, Andre Joffroy y Joe McCann: qué pasa con un portafolio cuando el descubrimiento se vuelve una línea de producción. Pero antes hay que entender qué se rompió esta semana en la cabeza de la gente que más sabe de esto — porque no todos están celebrando.
