OpenAI afirma que su IA refutó la hipótesis ETH de 1999 y entrega la verificación a expertos
OpenAI afirma que su modelo refutó la hipótesis del tiempo exponencial (ETH), una suposición de larga data según la cual problemas como 3-SAT no pueden resolverse mucho más rápido que mediante una búsqueda casi completa. Es como una caja fuerte de mil combinaciones: se creía que no había atajo posible, y la IA habría encontrado una ganzúa. La verificación correrá a cargo del grupo formado por Impagliazzo, Paturi y Williams, y los materiales con la prueba en Lean están publicados en GitHub. Por ahora se trata de una afirmación de la compañía, y conviene esperar a la revisión externa antes de darla por buena. El consejo AGMAI, el día anterior, no recomendó entregar los resultados a un grupo selecto Física (QCD): el texto completo aún no se ha publicado
Procesado por IA desde The Verge; editado por Hamidun News
Menos de un mes después de la publicación masiva de cientos de manuscritos con "soluciones a problemas antiguos", OpenAI anunció tres nuevos "grandes" descubrimientos: en matemáticas, informática y física. El más comprensible para un ingeniero es la afirmación de que el modelo refutó la hipótesis del tiempo exponencial (ETH). Esta hipótesis se propuso en 1999 y muchos la consideraban correcta.
La novedad del anuncio es también que la compañía recurrió a expertos externos, a quienes llama "pastores" (shepherds): son ellos quienes dirigen la verificación. El problema que esto intenta resolver le resulta familiar a cualquiera que haya trabajado con LLM: el modelo produce un resultado largo y convincente más rápido de lo que las personas tardan en comprobar si es correcto.
Qué es la ETH y qué afirma OpenAI
Imagine un gestor de paquetes que debe elegir versiones compatibles de cientos de bibliotecas, o un planificador que asigna tareas según condiciones del tipo "si A, entonces no B". Este tipo de rompecabezas se reduce al problema clásico 3-SAT: hay que asignar valores de "sí/no" para que se cumpla un conjunto de condiciones lógicas. La ETH postula que, en el peor caso, no hay forma de evitar la búsqueda exhaustiva, cuyo tiempo crece exponencialmente con el tamaño del problema.
Según OpenAI, el modelo obtuvo un algoritmo determinista que cuenta con exactitud el número de asignaciones válidas para fórmulas CNF de ancho fijo. Funciona en tiempo subexponencial (es decir, notablemente más rápido que el crecimiento exponencial) y con memoria polinómica. En el caso de 3-SAT, la compañía sostiene que esto refuta la ETH. Si la conclusión se confirma, habrá que revisar también los trabajos que se construyeron sobre esa suposición.
Dos de los otros resultados parecen, por ahora, menos verificables. En matemáticas, según OpenAI, el modelo demostró la hipótesis de suavizado local para ondas en cada dimensión a partir de dos. De ella se derivan la conjetura de Kakeya y la conjetura de restricción de Stein. Cabe recordar que Hong Wang, de la Universidad de Nueva York, recibió hace unos meses la medalla Fields por resolver la conjetura de Kakeya en tres dimensiones. Aquí, la salida del modelo se publicó sin correcciones, igual que en el anuncio del 6 de octubre, y se pide a los investigadores que interpreten las explicaciones por su cuenta.
En física se habla de una "demostración matemáticamente rigurosa de existencia" de algunas teorías cuánticas de campos con campos de gauge y fermiones en cuatro dimensiones, incluida la cromodinámica cuántica (QCD) y la "terminación unificada" del Modelo Estándar. El texto completo no se ha publicado. El trabajo lo acompañará un grupo encabezado por David Gross, integrado por Michael Douglas, Arthur Jaffe, Igor Klebanov y Nikita Nekrasov.
Cómo funciona la verificación
Para la informática, OpenAI nombró a un grupo de trabajo independiente: Russell Impagliazzo y Ramamohan Paturi, de la Universidad de California en San Diego (ambos formaron parte del grupo que propuso la ETH), y el profesor del MIT Ryan Williams. A petición del grupo, el texto escrito por la IA y la demostración en Lean se publicaron de inmediato en GitHub. Lean es un sistema en el que la demostración se escribe de forma que un programa comprueba cada paso. Para un desarrollador, la lógica es familiar: el resultado de un modelo debe llegar acompañado de un artefacto verificable, como el código con sus pruebas, y no solo de un texto convincente.
Junto con el anuncio se publicó una carta abierta a la comunidad con tres preguntas:
- qué reglas deben aplicarse al acceso anticipado a los resultados de la IA, a la declaración de conflictos de interés y al uso de materiales no publicados;
- cómo reconocer las contribuciones, tanto al descubrimiento como a la verificación, la corrección, la simplificación y la explicación;
- cómo apoyar a estudiantes e investigadores para que conserven la capacidad de dudar de los resultados y de crear algo nuevo.
Dónde el enfoque es polémico
La propia compañía reconoce que la elección de los "pastores" puede generar problemas. El consejo de asesores matemáticos AGMAI, que la propia OpenAI reunió, escribió el día anterior: "recomendamos a las empresas de IA no aplicar" la práctica de entregar los resultados primero a personas concretas. Las razones: acceso desigual, reputación prestada y selección sesgada. El consejo propuso otro orden: publicar los resultados en repositorios científicos con demostraciones en Lean, indicar cómo se eligieron los problemas y financiar a quienes analicen los resultados.
así, OpenAI utiliza un formato que sus propios asesores acaban de desaconsejar. Esto no significa que los resultados sean incorrectos, pero considerarlos confirmados todavía es prematuro: existen las afirmaciones de la compañía, los archivos en GitHub y la verificación prometida por grupos independientes. En física ni siquiera hay texto completo.
Qué debe tener en cuenta quien trabaja en la práctica
Para quienes desarrollan productos con IA, la lección es sencilla: el cuello de botella se ha desplazado de la generación a la verificación. Si el modelo produce resultados más rápido de lo que las personas pueden comprobarlos, el principal coste pasa a ser la verificación. El artículo no ofrece datos sobre el coste de cómputo, así que no es posible evaluar la economía de estos descubrimientos. Lo más sensato es seguir la historia de la ETH: la demostración está escrita en Lean y constituye la primera prueba seria de si un resultado de IA resiste un análisis externo.
- 21 nov 2026Las vacantes de FDE se multiplicaron por 4,6 en un año: qué hace un ingeniero en el cliente
- 21 nov 2026Capitana de un equipo de natación automatizó con ChatGPT tres tareas programadas y recortó la rutina varias veces
- 21 nov 2026GPT-6 Cyber encontró unos 35 fallos en iPhone, Mac y otros dispositivos de Apple
- 21 nov 202622 agentes de Claude pasaron seis semanas buscando respuestas sobre agujeros negros, y resolvieron dos problemas
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué es la ETH y qué afirma OpenAI?
Imagine un gestor de paquetes que debe elegir versiones compatibles de cientos de bibliotecas, o un planificador que asigna tareas según condiciones del tipo "si A, entonces no B". Este tipo de rompecabezas se reduce al problema clásico 3-SAT: hay que asignar valores de "sí/no" para que se cumpla un conjunto de condiciones lógicas. La ETH postula que, en el peor caso, no hay forma de evitar la búsqueda exhaustiva, cuyo tiempo crece exponencialmente con el tamaño del problema.
Cómo funciona la verificación?
Para la informática, OpenAI nombró a un grupo de trabajo independiente: Russell Impagliazzo y Ramamohan Paturi, de la Universidad de California en San Diego (ambos formaron parte del grupo que propuso la ETH), y el profesor del MIT Ryan Williams. A petición del grupo, el texto escrito por la IA y la demostración en Lean se publicaron de inmediato en GitHub. Lean es un sistema en el que la demostración se escribe de forma que un programa comprueba cada paso.
Dónde el enfoque es polémico?
La propia compañía reconoce que la elección de los "pastores" puede generar problemas. El consejo de asesores matemáticos AGMAI, que la propia OpenAI reunió, escribió el día anterior: "recomendamos a las empresas de IA no aplicar" la práctica de entregar los resultados primero a personas concretas. Las razones: acceso desigual, reputación prestada y selección sesgada.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.