Liam Fedus, coautor de ChatGPT: tras los 722 manuscritos de OpenAI, la IA debe pasar al laboratorio

OpenAI ha publicado en GitHub 722 manuscritos matemáticos de golpe, que abarcan 17 áreas: desde la teoría de números y la geometría hasta la informática teórica y la física matemática. Parte de los trabajos incluye demostraciones formales en Lean, que el ordenador verifica de forma mecánica. Según la compañía, todos los textos los escribió un modelo frontier interno que todavía no se ha lanzado. Unos días después, OpenAI retiró varios manuscritos. En este contexto, Liam Fedus, uno de los creadores de ChatGPT, plantea una tesis: después de las matemáticas, la IA debe pasar al laboratorio.

Qué se ha publicado exactamente

La escala es inusual. Un matemático escribe decenas de artículos a lo largo de su carrera; aquí han aparecido de una vez cientos de textos en distintas ramas de la ciencia. Los une su autor, que no es una persona, sino un modelo no publicado.

Lo que se sabe por el anuncio:

• los 722 manuscritos se han subido a GitHub en un único paquete;
• cubren 17 áreas matemáticas y afines;
• parte de los trabajos incluye demostraciones formales en Lean, que se verifican sin intervención humana;
• el origen es un modelo interno de OpenAI que no tiene lanzamiento público;
• varios manuscritos se eliminaron después del repositorio.

En el fragmento disponible del material no se explican los motivos de la retirada, así que es pronto para sacar conclusiones sobre la calidad de los trabajos retirados. El propio hecho de la retirada apunta a otra cosa: con estos volúmenes, la selección y la verificación se convierten en una tarea aparte.

Por qué las matemáticas han ido primero

Las matemáticas resultan cómodas para la IA por una razón: la respuesta se puede comprobar a bajo coste. Una demostración pasa en Lean o no pasa. Para el aprendizaje por refuerzo es una señal casi ideal, porque el modelo recibe una evaluación honesta sin expertos y sin el coste del mundo real. Por eso es precisamente aquí donde los sistemas han llegado rápido a resultados que antes exigían un nivel profesional.

Este entorno tan conveniente tiene un límite. Un manuscrito sin verificación formal sigue siendo un texto que debe leer un especialista. Cientos de artículos a la vez suponen cientos de horas de revisión. Los trabajos con demostraciones en Lean resuelven el problema solo para los resultados que se han podido formalizar.

El laboratorio como siguiente campo de pruebas

La tesis de Fedus tiene lógica si se mira su trayectoria. Según datos abiertos, dejó OpenAI y fundó Periodic Labs, una startup que construye sistemas de IA para física, química y ciencia de materiales. La apuesta es que el modelo reciba retroalimentación de un experimento real, y no solo del texto y de verificadores formales.

En el laboratorio, la verificación es cara. La síntesis de un material lleva horas o días, la medición requiere equipos y el ruido en los datos no desaparece porque el modelo sea inteligente. En cambio, el resultado no admite discusión: la muestra tiene la propiedad buscada o no la tiene. Si las matemáticas han demostrado que la IA puede producir demostraciones en flujo continuo, el laboratorio comprobará si puede producir en flujo continuo descubrimientos verificables.

En el fragmento del material no hay detalles de la entrevista en sí, así que no resumimos los argumentos concretos de Fedus. El titular, sin embargo, marca la dirección: el cuello de botella pasa de la generación de ideas a la velocidad y el coste de su verificación.

Qué vigilar a partir de ahora

Para quienes siguen el sector, resultan útiles tres referencias.

1. El destino de los manuscritos. Cuántos trabajos confirmarán matemáticos independientes y cuántos más se retirarán. Es la mejor medida de la fiabilidad del modelo interno. 2. El lanzamiento del modelo. Si OpenAI lo publica, se sabrá hasta qué punto los resultados son reproducibles fuera de la infraestructura interna. 3. Los laboratorios automatizados. Los ciclos periódicos de «hipótesis, experimento, actualización del modelo» en ciencia de materiales mostrarán si el éxito se traslada del entorno formal al físico.

Para los equipos que desarrollan productos sobre LLM, la conclusión es práctica: el valor de un modelo crece donde existe un verificador rápido y barato. Puede ser Lean, los tests en el código, un simulador o un robot en el laboratorio. El pipeline conviene construirlo a partir de la verificación, no de la generación.