OpenAI publica 722 manuscritos matemáticos escritos por IA; los matemáticos se oponen

La IA puede producir investigación matemática más rápido de lo que los humanos pueden verificarla con fiabilidad.

El cambio central no es que las matemáticas se hayan automatizado, sino que producir investigación verosímil a gran escala se está separando de validarla.

Qué significa. El 6 de octubre, OpenAI publicó 722 manuscritos agrupados en 372 familias de resultados, generados principalmente por un modelo interno no lanzado tras intentar aproximadamente 4,000 problemas. OpenAI estima que el resultado promedio consumió un cómputo equivalente a tres horas de razonamiento de ChatGPT Pro. El repositorio incluye formalizaciones en Lean para algunos resultados y resúmenes abreviados del razonamiento: openai.com y github.com.

El catálogo inicial ya había bajado a 719 manuscritos tras tres retiros el 7 de octubre. Un error de signo invalidó un argumento en un manuscrito y una construcción usada por dos manuscritos dependientes. OpenAI también informó que reparó otros 14 manuscritos: github.com. Esto demuestra tanto el potencial de la IA para la investigación como el peligro de tratar el volumen de publicaciones como descubrimientos verificados.

La verificación debe pasar a formar parte del resultado. Lean puede comprobar mecánicamente las demostraciones formalizadas, pero un manuscrito sin formalización sigue requiriendo escrutinio matemático; la verificación formal también depende de especificar correctamente el teorema y los supuestos pertinentes. La propia documentación del repositorio reconoce que algunos resultados no formalizados pueden contener problemas: github.com y lean-lang.org.

El independiente Advisory Group on Mathematics and Artificial Intelligence afirma explícitamente que la publicación inicia, y no completa, el proceso de incorporar el trabajo generado por IA al conocimiento matemático. También sostiene que los matemáticos deben conservar la libertad de formular sus propias preguntas y que el acceso a las herramientas de investigación y a los recursos computacionales importa: agmai.org.

Crédito e incentivos. El riesgo inmediato es que los investigadores dediquen meses a abordar por su cuenta problemas ya tratados en experimentos de IA inaccesibles, o que sus contribuciones se vuelvan difíciles de distinguir del trabajo generado por máquinas. La cobertura de la publicación describe preocupaciones por programas de investigación interrumpidos y por los matemáticos que inician su carrera: businessinsider.com. El crédito matemático debería distinguir quién formuló un problema, quién desarrolló el argumento, quién lo verificó y quién escribió o revisó la exposición. Los sistemas de IA no pueden asumir la responsabilidad académica en nombre de los autores humanos.

¿Qué debería ocurrir ahora?

• Matemáticos: Dar prioridad a la replicación independiente de los resultados relevantes, examinar las dependencias entre manuscritos, publicar las correcciones abiertamente y conservar registros fechados de las contribuciones. No suponer que un resultado es verdadero o falso solo porque lo produjo una IA.
• Estudiantes: Aprender a escribir demostraciones y verificación formal junto con la exploración asistida por IA. Tratar lo que produce el modelo como una conjetura o una demostración candidata hasta que se verifique.
• Revistas: Exigir declaraciones explícitas del uso de IA, autoría humana responsable, materiales de apoyo reproducibles y distinciones claras entre las afirmaciones verificadas formalmente y las revisadas de forma independiente. Establecer procedimientos rápidos de corrección para los resultados dependientes.
• Laboratorios de IA: Lanzar modelos accesibles o un acceso equivalente para la investigación, documentar las instrucciones y los métodos lo suficiente para permitir la replicación, etiquetar el estado de verificación artículo por artículo, publicar mapas de dependencias, financiar la verificación independiente y ofrecer historiales de versiones duraderos.

La necesidad de estas salvaguardas concuerda con las recomendaciones de septiembre del AGMAI, que piden explícitamente a los laboratorios de IA dejar de probar problemas matemáticos avanzados en modelos propietarios que no están disponibles para la comunidad científica en general: agmai.org.

¿Qué viene después? El resultado más probable a corto plazo es un flujo de investigación mixto: la IA genera resultados candidatos, los humanos determinan su importancia y su corrección, y los asistentes de demostración formal se encargan cada vez más de las partes verificables. La medida decisiva no será cuántos manuscritos escribe un modelo, sino cuántos sobreviven al escrutinio independiente y se convierten en conocimiento matemático útil.

1. openai.com
2. github.com
3. github.com
4. github.com
5. agmai.org
6. agmai.org
7. businessinsider.com
8. unite.ai
9. lean-lang.org
10. openai.com
11. developers.openai.com

Qué pasó. El 6 de octubre de 2026, OpenAI publicó 722 manuscritos en 372 familias en github.com/openai/math, bajo la licencia Apache-2.0 (unite.ai). Provenían de un modelo interno sin nombre al que se le plantearon unos 4,000 problemas. El resultado promedio usó unas tres horas de cómputo de nivel ChatGPT Pro (github.com). Alrededor del 42% de los resultados principales están formalizados en Lean (github.com), y cerca de la mitad se publicaron sin confirmar (retractionwatch.com). El 7 de octubre, OpenAI retiró tres artículos porque un +1 debía ser un -1. El error invalidó 'Algebraicity of Weil classes on split abelian eightfolds' y dos artículos que dependían de él. OpenAI también revisó otros 14 manuscritos (retractionwatch.com, implicator.ai). El catálogo ahora incluye 719 manuscritos (github.com).

Qué significa. 1) Lo difícil de las matemáticas ahora es verificar los resultados, no producirlos. Un lote de este tamaño supera la capacidad de arbitraje humano. Los retiros muestran que los resultados no verificados por computadora pueden fallar, y que las fe de erratas versionadas en GitHub pasan a formar parte del registro (github.com). Lean solo demuestra el enunciado tal como se escribió. Una persona todavía tiene que confirmar que el enunciado formal coincide con la conjetura real (letsdatascience.com). 2) Nadie de fuera puede reproducir el trabajo. Las instrucciones, el nombre del modelo y el cómputo por problema siguieron siendo privados (letsdatascience.com). Andrew Sutherland, del MIT, dijo que las afirmaciones de haber resuelto problemas al primer intento deben tratarse como no verificadas hasta que se lance el modelo (letsdatascience.com). 3) El crédito está en disputa. El README solo ofrece citas en BibTeX y no tiene una política de autoría (github.com). Ya hubo una disputa por el crédito tras la afirmación de OpenAI sobre Navier–Stokes en septiembre (letsdatascience.com). 4) La comunidad está dividida. El grupo asesor vinculado al IAS (AGMAI) pidió a los laboratorios depositar los resultados en archivos que ningún laboratorio controle, revelar las instrucciones, el tiempo y el costo, e informar los intentos fallidos. También dijo 'no respaldamos' las pruebas en modelos inaccesibles (unite.ai). La Association for Human Mathematics calificó la publicación de 'una demostración de poder' e instó a los matemáticos a dejar de trabajar con OpenAI (retractionwatch.com).

Qué viene. Habrá más fe de erratas, más demostraciones en Lean y probablemente más retiros. OpenAI prometió las tres cosas (retractionwatch.com). También dice que trabaja para 'lanzar responsablemente' el modelo, pero no ha dado fecha (unite.ai). Según informes, el modelo sigue en entrenamiento (aiweekly.co). Es probable que otros laboratorios hagan afirmaciones masivas similares y que las disputas sobre las reglas de publicación se intensifiquen.

Qué hacer ahora.

• Matemáticos: elija resultados de su propio campo y audítelos, o formalícelos en Lean. Cada resultado confirmado o refutado es un dato real. Dé crédito a las personas que corrigen o verifican una demostración. Muchos de estos problemas ahora están 'reclamados', no cerrados.
• Estudiantes: use el repositorio para aprender. Compruebe si cada enunciado de Lean coincide realmente con el teorema, lea los resúmenes del razonamiento y practique la detección de errores. Saber verificar demostraciones se ha vuelto una habilidad valiosa.
• Revistas y arXiv: exijan el nombre del modelo, las instrucciones, el cómputo y el estado de formalización de todo resultado producido por IA. Financien la verificación como una vía de arbitraje y mantengan visibles las versiones retiradas.
• Laboratorios de IA: sigan al AGMAI por completo. Eso significa un archivo neutral con DOI, instrucciones y cómputo por resultado, intentos fallidos y criterios de selección. Den acceso a investigadores independientes para que puedan replicar el trabajo y financien la verificación humana que generan sus publicaciones (unite.ai).

1. unite.ai
2. github.com
3. retractionwatch.com
4. implicator.ai
5. letsdatascience.com
6. aiweekly.co

La avalancha matemática de la IA pone a prueba la verificación, el crédito y las normas de la comunidad

El 6 de octubre de 2026, OpenAI publicó un repositorio público en GitHub (openai/math) con 722 manuscritos matemáticos (luego reducidos a 719) organizados en 372 familias de resultados, producidos por un único modelo interno de frontera no lanzado. Al modelo se le habían planteado unos 4,000 problemas; cada resultado aceptado usó, en promedio, el cómputo equivalente a unas tres horas de razonamiento de ChatGPT Pro. Solo una minoría de los resultados principales venía acompañada de formalizaciones en Lean (inicialmente ~162 manuscritos; luego se informó de ~42 % de los resultados principales). OpenAI advirtió que algunos resultados no formalizados podían contener problemas y se comprometió a corregirlos con rapidez. Un día después retiró tres manuscritos, luego de que un error de signo invalidara un argumento central y dos artículos dependientes, y revisó otros catorce. La publicación se presentó como un trabajo de evaluación del modelo, basado en consultas con el independiente Advisory Group on Mathematics and Artificial Intelligence (AGMAI), con sede en el Institute for Advanced Study, aunque el AGMAI declaró después que su papel no constituía un respaldo del proceso ni un juicio sobre el impacto de los resultados.

El episodio demuestra que los modelos de frontera pueden generar en poco tiempo grandes volúmenes de resultados candidatos sobre problemas abiertos de matemáticas, ciencias de la computación teóricas y campos afines. También deja al descubierto la brecha entre la generación y los procesos tradicionales de verificación, exposición, citación, contextualización y crédito. Lean ofrece garantías verificables por máquina para el subconjunto formalizado, pero incluso las demostraciones formalizadas requieren escrutinio humano para confirmar que el enunciado en Lean coincide con el resultado matemático afirmado y que la exposición que lo acompaña es inteligible. La rápida aparición de un error, la tasa incompleta de formalización y la enorme escala generaron una preocupación generalizada de que se le estaba pidiendo a la comunidad clasificar "basura" o que se estaba "inundando la zona". Los críticos, entre ellos la Association for Human Mathematics (cuyo comunicado difundió Terence Tao), describieron la publicación simultánea de más de 700 archivos como una demostración de poder y no de erudición, e instaron a los matemáticos a dejar de colaborar con OpenAI. El AGMAI y otros subrayaron que la publicación es solo un primer paso hacia la comprensión humana.

A corto plazo, la comunidad seguirá auditando el repositorio: aparecerán más formalizaciones en Lean, saldrán a la luz nuevos errores o revisiones, y algunos resultados se incorporarán o se descartarán. OpenAI ha dicho que financiará talleres y mejorará la exposición, las citas y la divulgación en el futuro. Las revistas, los servidores de preprints y los comités de contratación tendrán que decidir cómo tratar los manuscritos generados por IA que carecen de una autoría humana clara, de una formalización completa o del contexto bibliográfico convencional. Estudiantes e investigadores tendrán a la vez nuevas herramientas y nuevos riesgos de invertir esfuerzo en resultados que luego resulten defectuosos o ininterpretables.

Los matemáticos deberían dar prioridad a la verificación independiente de las afirmaciones de mayor valor, exigir datos transparentes sobre la selección de problemas y los fracasos, e insistir en que se etiqueten claramente el estado de formalización y la correspondencia entre el lenguaje natural y Lean. Los estudiantes deberían tratar los manuscritos como borradores sin verificar hasta que se forme un consenso en la comunidad. Las revistas deberían desarrollar políticas explícitas para el trabajo generado por IA (autoría, reproducibilidad, requisitos de formalización). Los laboratorios de IA deberían lanzar los modelos o suficientes herramientas para una reevaluación independiente, publicar los resultados negativos y ajustar sus protocolos de publicación a las pautas de la comunidad antes de generar nuevos lotes grandes.

1. github.com
2. openai.com
3. unite.ai
4. github.com
5. retractionwatch.com
6. nature.com
7. theverge.com
8. scientificamerican.com
9. agmai.org
10. ahmath.org
11. openai.com

El 6 de octubre de 2026, OpenAI publicó 722 manuscritos organizados en 372 familias en el repositorio público de GitHub openai/math, bajo Apache-2.0, producidos por un modelo interno de frontera no lanzado. Al modelo se le plantearon unos 4,000 problemas y cada resultado usó en promedio unas tres horas de cómputo de razonamiento de ChatGPT Pro. Muchos manuscritos tienen formalizaciones en Lean, pero solo 162 tenían sus resultados principales formalizados al momento de la publicación, y el README advierte que algunos resultados no formalizados podrían tener problemas y que la verificación se hace por etapas.

El 7 de octubre, el historial del repositorio registró tres retiros después de que un error de signo en 'Algebraicity of Weil classes on split abelian eightfolds' invalidara un argumento de cancelación de trazas de estabilización y la construcción usada por dos artículos dependientes. Esos tres están ahora retirados con avisos de laguna. Otros catorce manuscritos se revisaron con reparaciones de las demostraciones y 13 más se actualizaron para citar las ediciones revisadas; el catálogo ahora incluye 719 manuscritos en 372 familias, con cerca del 42% de los resultados principales formalizados (300/719).

Las reacciones fueron duras. La cobertura señala que los matemáticos se resistieron a la escala; una carta colectiva calificó la publicación simultánea de más de 700 archivos como 'no una demostración de erudición, sino una demostración de poder'. La Association for Human Mathematics (AHM), presidida por el medallista Fields Terence Tao, acusó a OpenAI de violar normas fundamentales e instó a los matemáticos a dejar de trabajar con la empresa, argumentando que los matemáticos no pidieron este trabajo y que la publicación masiva recarga la verificación.

Para las matemáticas, esto significa que la producción de teoremas se desliga de la comprensión humana por primera vez a gran escala. El recurso escaso pasa de resolver a verificar, explicar e integrar. Lean pasa de ser un complemento opcional a una infraestructura epistémica necesaria, y los resultados ahora existen en tres estados: verificados por máquina, legibles por humanos pero sin formalizar, y pistas de investigación.

Debe cambiar la forma en que se producen, verifican y acreditan los resultados. La producción ahora es curaduría automatizada: plantear miles de problemas y filtrarlos por importancia en familias. La verificación requiere un historial público versionado, identificadores persistentes y distintivos de estado por niveles, no una publicación binaria. El crédito no está claro: los bloques BibTeX mencionan el manuscrito, pero no la instrucción, el costo ni a los editores humanos. El Advisory Group on Mathematics and AI del IAS, consultado por OpenAI, recomendó que los laboratorios depositen en repositorios que ningún laboratorio controle; que publiquen el nombre del modelo, las instrucciones, un resumen de la cadena de razonamiento, el tiempo y el costo; que formalicen tanto como sea posible; que expliquen los criterios de selección y las tasas de fracaso; que no usen las publicaciones como marketing; y que financien talleres, escuelas de verano y libros divulgativos a través de organizaciones sin fines de lucro, con acceso equitativo a los modelos.

Lo probable a continuación: más retiros y revisiones, un esfuerzo intensivo de la comunidad para ampliar la cobertura en Lean, reescrituras explicativas al estilo humano, como en el caso del modelo de Anthropic, en el que se pagó a investigadores para traducir una idea clave de la IA, y los talleres financiados que OpenAI dice que organizará.

Qué hacer ahora: matemáticos — clasificar por familia y estado en Lean, evitar la carrera por reclamar resultados, organizar grupos de lectura para convertir demostraciones ajenas en ideas enseñables; estudiantes — aprender Lean 4 y a cuestionar los resúmenes del razonamiento, pero conservar la formación clásica para la intuición; revistas y arXiv — exigir que se declare la procedencia de IA, el cómputo y el nivel de verificación, mantener accesible el historial de versiones y protegerse contra la extracción masiva para entrenamiento; laboratorios de IA — seguir al AGMAI, publicar las instrucciones y el razonamiento abreviado, compartir un acceso equitativo, financiar el trabajo de comprensión, evitar las publicaciones sorpresa de 700 archivos y coordinar una divulgación responsable.

1. unite.ai
2. github.com
3. github.com
4. aiweekly.co
5. glonce.com
6. davidborish.com

La publicación masiva de manuscritos matemáticos generados por IA de OpenAI desata debates sobre verificación y equidad.

La publicación en GitHub de 722 manuscritos matemáticos generados por IA (organizados en 372 familias) por parte de OpenAI transforma la investigación matemática: pasa de ser una labor de creación al ritmo humano a enfrentar un enorme cuello de botella en la verificación. Como el trabajo lo produjo un modelo interno no lanzado y solo una parte está verificada en Lean, los matemáticos se enfrentan a un volumen sin precedentes de preprints sin verificar. Esto pone en cuestión las nociones tradicionales de crédito, revisión por pares y propiedad intelectual humana.

Para las matemáticas, esto significa una avalancha de posibles descubrimientos que amenaza con desbordar la capacidad humana de revisión, a menos que se acompañe de asistentes de demostración formal. En cuanto a la producción y el crédito, la atribución de autoría se vuelve confusa y surgen preguntas sobre cómo acreditar a un sistema propietario que no se ha lanzado.

Lo que ocurra a continuación probablemente incluirá una carrera de matemáticos independientes por verificar o refutar formalmente los preprints restantes, junto con una creciente resistencia institucional al control propietario del razonamiento matemático avanzado.

Los matemáticos y los estudiantes deberían aprovechar lenguajes de demostración formal como Lean para verificar de forma independiente lo que producen las máquinas. Las revistas deben endurecer sus normas para los envíos asistidos por IA y exigir verificación formal cuando sea posible. Los laboratorios de IA deberían adoptar prácticas de ciencia abierta, compartiendo los modelos subyacentes o colaborando de manera transparente antes de inundar los repositorios públicos con afirmaciones técnicas sin verificar.

1. unite.ai
2. github.com
3. retractionwatch.com