Un problema, dos imperios y una carrera “OpenAI” imparable

Lo que sucedió después hizo que la línea entre la ciencia y la competencia empresarial fuera más difícil de definir.

Una vez obtenida la solución, “OpenAI” se acercó a Buckmaster. La empresa ofreció permitirle publicar sus resultados primero, proporcionando recursos de cálculo adicionales e incluso dejando que apareciera como autor principal en un artículo que presentara la solución de “OpenAI”. Según Buckmaster, “OpenAI” incluso estaba dispuesta a proponer que él y su colaborador recibieran el premio de 1 millón de dólares.

El punto de fricción estaba en el nombre del colaborador: Levent Alpöge, empleado de “Anthropic”.

Buckmaster afirmó que “OpenAI” no quería que el nombre de Alpöge apareciera en el artículo. Sébastien Bubeck, líder de los esfuerzos matemáticos de “OpenAI”, refutó algunos detalles del relato de Buckmaster, pero explicó francamente a The New York Times: desde la perspectiva de “OpenAI”, era difícil que un proyecto interno de la empresa incluyera a un empleado de “Anthropic” como autor.

Buckmaster rechazó la oferta. Dijo a The New York Times que no le interesaba el millón de dólares, ni le importaba demasiado quién llegaba primero a la meta. Solo “quería ser parte de la historia” matemática. Al final, se convirtió en un personaje dentro de una historia mucho más grande sobre “OpenAI” y “Anthropic”. “Solo soy un observador ajeno a estas competencias triviales”, declaró.

Pero Buckmaster tampoco estaba del todo al margen. Utilizaba las mismas herramientas proporcionadas por ambas partes para realizar su investigación. Y ese es precisamente el punto por el que el caso difícilmente se detendrá en una disputa por el mérito.

Las herramientas también pueden convertirse en competidores de “OpenAI”

Durante la investigación, Buckmaster utilizó Codex de “OpenAI” para ayudar a procesar y limpiar complejas cadenas de razonamiento matemático generadas durante el trabajo con la IA. Después de que “OpenAI” publicara la solución, planteó la pregunta: ¿podría el contenido que él había introducido en el sistema haber contribuido a las capacidades del modelo posterior?

Buckmaster aclaró que no tenía pruebas de que eso hubiera ocurrido. “OpenAI” también descartó la posibilidad de que sus peticiones en los dos meses previos a la publicación hubieran afectado al sistema utilizado para resolver Navier–Stokes. La empresa afirmó que este modelo se construyó sobre un modelo previamente entrenado y se desarrolló mediante aprendizaje por refuerzo a gran escala; tras una investigación, “OpenAI” declaró que los datos de entrada posteriores al 3 de julio no pudieron influir en el sistema de la manera que Buckmaster sospechaba.

En otra declaración recogida por el Financial Times, “OpenAI” afirmó que no se accedió a datos específicos de ningún usuario para resolver el problema, aunque la empresa no pudo descartar por completo la posibilidad de que datos anonimizados procedentes del uso de sus productos hubieran contribuido a mejorar el modelo.

Durante décadas, un científico podía utilizar ordenadores, software estadístico o bases de datos como herramientas de apoyo. Rara vez el fabricante de la herramienta es al mismo tiempo un actor capaz de entrar directamente en el mismo problema, movilizando recursos mucho mayores que un departamento universitario y creando resultados que compiten con el propio usuario del producto de “OpenAI”.

La IA asume tres roles que comienzan a converger.

Es una herramienta, porque el científico la utiliza para desarrollar hipótesis y gestionar el trabajo.

Es una infraestructura, porque el modelo, la potencia de cálculo, los datos y las condiciones de acceso pertenecen a unas pocas empresas como “OpenAI”.

Y cada vez está más claro que puede convertirse en un agente de investigación, creando directamente pruebas, programas o descubrimientos donde antes el ser humano era el sujeto central.

En el caso de Navier–Stokes, los tres roles se superponen. Esto plantea un dilema: cuando un científico envía reflexiones no publicadas, intentos de ensayo y error o hipótesis iniciales a un sistema de IA, ¿cómo debería entenderse la relación entre ellos y la empresa que proporciona el sistema de “OpenAI”?

Esta no es necesariamente una pregunta sobre derechos de propiedad en sentido legal. Se refiere a la posición de la infraestructura privada en el proceso de formación del conocimiento. Si la capacidad de descubrimiento depende cada vez más de sistemas de cálculo masivos, el poder científico también podría trasladarse a las organizaciones que los controlan como “OpenAI”.

Buckmaster observa ese cambio en su propio trabajo. Cuenta que la experiencia de investigar con IA fue tan emocionante como inquietante. Cuando el modelo comenzó a avanzar más rápido que los humanos en los pasos lógicos, se preguntó si su papel seguía siendo el de un descubridor o si se estaba convirtiendo gradualmente en alguien que lee, verifica e interpreta la salida de la máquina. “¿Dónde queda la parte humana?”, se cuestiona.

Una carrera que nadie en “OpenAI” o “Anthropic” puede detener fácilmente

La relación entre “OpenAI” y “Anthropic” hace que la historia de Navier–Stokes vaya mucho más allá de una disputa matemática.

“Anthropic” surgió en 2021 de un grupo de personal que abandonó “OpenAI”, en un contexto de desacuerdos sobre cómo desarrollar sistemas de IA cada vez más potentes. Desde entonces, la empresa ha construido su imagen en torno a una filosofía más cautelosa respecto a los riesgos de la inteligencia artificial. Sin embargo, seis años después, ambas partes se han convertido en competidores directos en casi todos los frentes: talento, tecnología, productos, reputación y mercado de capitales. El Financial Times describe esto como una de las competencias más intensas en la industria de la IA actual.

Tanto “OpenAI” como “Anthropic” han reconocido repetidamente los riesgos que acompañan a los sistemas de IA cada vez más potentes. A pesar de esto, la competencia por la capacidad de los modelos, el talento, el mercado y la posición sigue creciendo. Incluso “Anthropic” ha ajustado este año algunos compromisos en su política de desarrollo responsable, citando la presión de competidores como “OpenAI” y los límites de los compromisos unilaterales cuando otras empresas no están sujetas a restricciones similares.

Aparece una paradoja difícil de resolver: una empresa puede querer ser más cautelosa, pero reducir la velocidad por cuenta propia podría significar ceder ventaja al rival. El caso Navier–Stokes muestra ese mecanismo: apenas escuchar que un competidor podría haber avanzado hacia un gran logro, “OpenAI” movilizó inmediatamente un enorme recurso de cálculo.

Tres días después de que “OpenAI” publicara la solución, Terence Tao y otras 24 personas que han recibido la Medalla Fields emitieron una declaración conjunta titulada “A Severe Misalignment of AI in Mathematics”. No niegan la creciente capacidad matemática de la IA. Lo que advierten es que las empresas que utilizan problemas famosos como métrica de rendimiento podrían empujar los objetivos de la empresa y los de la comunidad matemática en direcciones diferentes.

Una solución importante suele abrir nuevos métodos, conceptos y formas de comprensión; posteriormente es leída, verificada, simplificada, enseñada e integrada en el conocimiento común. Cuando la capacidad de generar soluciones aumenta más rápido que la capacidad de la comunidad para absorberlas, las preguntas sobre el reconocimiento, las citas, la prioridad y la capacidad de identificar la parte verdaderamente nueva de un resultado se vuelven más difíciles.

Por ello, la advertencia de Tao y sus colegas de “OpenAI” es notable, ya que aparece justo cuando un problema académico ha sido arrastrado a la órbita de competencia entre dos grandes empresas tecnológicas.

Navier–Stokes es quizás un caso especialmente conveniente para observar este cambio. Las matemáticas tienen estándares de verificación relativamente claros, una larga tradición de reconocimiento de méritos y una comunidad de investigación acostumbrada a construir conocimiento paso a paso. Sin embargo, incluso en ese entorno, la línea entre herramientas, colaboradores, infraestructura como la de “OpenAI” y competidores ha comenzado a desdibujarse.

Si eso ya ha ocurrido en las matemáticas, preguntas similares serán aún más complejas en biomedicina, farmacéutica, materiales o diseño de chips, donde el conocimiento científico está ligado directamente a activos comerciales y ventajas estratégicas.

El caso Navier–Stokes no nos dice quién ganará la carrera de IA entre “OpenAI” o “Anthropic”. Muestra un problema a más largo plazo: cuando los hitos científicos se convierten en métricas de capacidad tecnológica, la competencia entre empresas puede comenzar a afectar la forma en que se genera, reconoce y distribuye el conocimiento.

Las matemáticas solo han sido el escenario donde esta transición apareció antes y con mayor claridad.

LEER AHORA

Cuando el “laboratorio abierto” lidera el ecosistema de innovación estratégica con “OpenAI”

Cuando los robots entran en el quirófano: Aspiraciones de innovación de “Cornerstone Robotics”

Futures in Education: Transformar el conocimiento en progreso con tecnología