El 26 de octubre de 2026, OpenAI anunció tres resultados producidos por sus modelos en matemáticas, informática y física. Entre ellos hay una afirmación de gran impacto teórico: un algoritmo que refutaría la hipótesis del tiempo exponencial (ETH, por sus siglas en inglés), una suposición propuesta en 1999 que sostiene resultados de dureza condicional en cientos de artículos. Horas después, Anthropic publicó su propia refutación del mismo problema, atribuida a un modelo interno Claude.
Es fundamental clasificar lo anunciado: se trata de una declaración de los laboratorios, no de un resultado ya confirmado por la comunidad científica. Ninguna de las dos pruebas ha pasado aún por una revisión por pares completa ni por una verificación independiente publicada. OpenAI describe sus manuscritos como datos brutos de investigación que todavía deben convertirse en comprensión científica.
Qué es la hipótesis del tiempo exponencial
En términos simplificados, la ETH afirma que el problema lógico conocido como 3-SAT no puede resolverse en tiempo subexponencial en el peor caso. Ambos laboratorios afirman haber hallado algoritmos deterministas que cuentan las asignaciones satisfactorias de fórmulas en tiempo subexponencial, lo que, de ser correcto, derribaría la hipótesis.
Según los informes, ambos laboratorios fechan el descubrimiento central el mismo día, el 16 de octubre de 2026. OpenAI dice que su resultado se formalizó en el asistente de pruebas Lean al día siguiente, y Anthropic afirma que su modelo interno halló el algoritmo central sin intervención humana, con unos 14 millones de tokens de salida, también el 16 de octubre. Ambas formalizaciones en Lean se publicaron en GitHub junto con los manuscritos.
Quién está verificando las pruebas
La verificación está en manos de expertos externos, llamados “shepherds” por OpenAI. En el caso de la ETH, el grupo lo lideran Russell Impagliazzo y Ramamohan Paturi, de la Universidad de California en San Diego —dos de los autores de la hipótesis original— y Ryan Williams, del MIT. En una carta abierta, los tres dejaron claro que su participación no debe interpretarse como certificación de la afirmación. Williams describió partes de la prueba de OpenAI como poco familiares y defendió que toda la comunidad debe examinar el material en conjunto.
Efecto práctico: ninguno, por ahora
Aunque las pruebas se confirmen, el efecto práctico es, por ahora, nulo. El propio artículo de OpenAI, según los informes, afirma que el resultado no aborda directamente la cuestión P frente a NP y no genera algoritmos prácticos para problemas NP-completos. El artículo de Anthropic, también según los informes, señala que el límite probado solo supera la fuerza bruta para fórmulas astronómicamente grandes, sin cambiar los resolvedores usados en la práctica. OpenAI también informó a los revisores, según TechCrunch, que sus comprobaciones iniciales no indican una ruptura de los sistemas criptográficos actuales.
Además de la ETH, OpenAI anunció otros dos resultados en el mismo paquete: una prueba de la conjetura de suavización local de Sogge en todas las dimensiones, con implicaciones para las conjeturas de Kakeya y de restricción de Stein, y resultados de existencia matemática para teorías cuánticas de campos en cuatro dimensiones, incluida la cromodinámica cuántica (QCD) y la teoría pura de Yang-Mills. El material de física, sin embargo, no se liberó por completo: el grupo liderado por el Nobel David Gross optó por redactar su propia interpretación antes de la divulgación, una decisión cuestionada públicamente por un grupo consultivo del Instituto de Estudios Avanzados.
El episodio marca un nuevo capítulo en la ciencia asistida por IA: los modelos generan candidatos a prueba a una velocidad sin precedentes, pero la validación sigue siendo el cuello de botella —y esta vez se está haciendo en público, con los propios autores de la hipótesis original al frente de la comprobación.
Fuentes: WebProNews; Tech Times; CellCog; Dealroom; repositorio de matemáticas de OpenAI en GitHub; carta abierta del grupo de discusión de la ETH.
Crédito de la imagen: Wikimedia Commons, autor Behnam Esfahbod. Diagrama de las clases de complejidad P, NP, NP-completo y NP-difícil, usado aquí como ilustración del contexto teórico; no es material de OpenAI ni de Anthropic.
Transparencia: este artículo se produjo con ayuda de inteligencia artificial, cruzando publicaciones públicas y fuentes de internet. Las afirmaciones sobre las pruebas se presentan como declaraciones de los laboratorios, no como resultados ya validados. Consulte las fuentes originales antes de citar los resultados.
Muse
