El modelo Astra de OpenAI resuelve 10 problemas matemáticos sin resolver durante décadas por 2.000 dólares

El 1 de agosto de 2026, OpenAI anunció que una versión interna de su modelo de próxima generación, Astra, produjo diez nuevos resultados en matemáticas y ciencias de la computación teórica, resolviendo problemas que habían estado abiertos durante al menos una década, la mayoría durante mucho más tiempo . La compañía publicó un manuscrito de 249 páginas y certificados de prueba formales Lean 4 en GitHub bajo una licencia Apache 2.0 . OpenAI indicó que el costo en tokens para generar las diez soluciones fue de aproximadamente 2.000 dólares según las tarifas de la API Sol . El anuncio ha generado tanto entusiasmo por los resultados como escepticismo sobre su enfoque y limitaciones .

Los problemas específicos que resolvió Astra

Según el informe de OpenAI, los resultados abarcaron ocho campos e incluyeron pruebas, contraejemplos y cotas mejoradas :

• Grupos no sóficos — Primera construcción explícita que demuestra la existencia de grupos no sóficos, cerrando una pregunta central en teoría de grupos que había resistido el progreso desde que Mijaíl Gromov introdujo el concepto de soficidad en 1999 .
• Conjetura de rigidez de Connes — Refutó una conjetura de larga data en álgebras de von Neumann .
• Empaquetamiento de esferas en altas dimensiones — Nuevas cotas superiores para el empaquetamiento de esferas en dimensiones más allá de las ya resueltas .
• Tres problemas planteados por Paul Erdős — Resolvió tres problemas combinatorios abiertos del canon de Erdős, incluido el problema n.º 183 sobre números de Ramsey multicolores .
• Resultados adicionales — Nuevos resultados en repetición paralela cuántica, el problema del vector más cercano en criptografía de retículos, complejidad de circuitos aritméticos, códigos binarios y esféricos, y la conjetura de volumen de Ehrhart .

Cómo verificó OpenAI las soluciones

OpenAI no se basó únicamente en el resultado del modelo. Cada resultado fue acompañado de un certificado de prueba formal Lean 4, un archivo de prueba verificable por computadora que cualquier lector puede verificar de forma independiente en una computadora portátil . Lean es un asistente de pruebas que comprueba cada paso lógico desde los axiomas hasta la conclusión, detectando lagunas, errores de tipo e inconsistencias . OpenAI publicó todos los archivos Lean públicamente en GitHub, y el recuento de "sorry" del repositorio, que indica pasos no probados, es cero para las diez pruebas .

Sin embargo, varios comentaristas señalaron que la verificación formal tiene límites importantes: Lean puede confirmar que una declaración formal se sigue de sus definiciones formales, pero no puede certificar que un resumen de comunicado de prensa refleje con precisión el teorema formal, que las definiciones formales coincidan con el problema previsto por la comunidad matemática, o que la novedad y el encuadre histórico del resultado sean correctos . Los expertos aún deben auditar la fidelidad de las declaraciones, las definiciones, las reducciones y el puente entre lo informal y lo formal .

El costo: 2.000 dólares en tokens

OpenAI reveló que el costo total de cómputo para generar las diez soluciones fue de aproximadamente 2.000 dólares en costos de tokens según la tarifa de la API Sol . Esta cifra es un precio equivalente a la API solo para los tokens de búsqueda de soluciones; excluye los intentos fallidos, las ejecuciones de exploración paralela y el cómputo interno gastado en la búsqueda antes de llegar a un certificado . En comparación, el estipendio anual de un solo estudiante de doctorado en matemáticas en una universidad de primer nivel puede superar los 50.000 dólares, lo que convierte a la eficiencia de costos en el aspecto más sorprendente del anuncio para muchos observadores .

Críticas y escepticismo

La comunidad matemática y los investigadores de IA han planteado varios puntos de precaución:

• Comunidad matemática dividida — La evaluación de los resultados sigue siendo mixta. Algunos investigadores advierten que, si bien los certificados Lean prueban la corrección formal, no garantizan que los resultados sean significativos, sorprendentes o estén correctamente enmarcados como soluciones a los problemas abiertos previstos .
• Gary Marcus (científico cognitivo) argumentó que "el éxito en matemáticas es un caso especial" y que la experiencia en un dominio no implica una capacidad de razonamiento general. Enumeró ocho conceptos erróneos comunes, advirtiendo contra la generalización excesiva del resultado a toda la ciencia .
• "¿Quién verifica las pruebas de IA?" — Los observadores plantearon la cuestión abierta de cómo auditar las matemáticas generadas por IA cuando el razonamiento es opaco. No existe un método acordado para evaluar si el resultado de un modelo de caja negra es una reconstrucción no acreditada de un trabajo conocido .
• Falta de revisión por pares y transparencia — El anuncio se produjo justo después de la "Declaración de Leiden" en junio de 2026, en la que los matemáticos criticaron a las empresas de IA por eludir la revisión por pares con comunicados de prensa . OpenAI no ha publicado el modelo Astra públicamente, ni ha proporcionado una tarjeta del modelo, ni ha revelado la tasa de fracaso detrás de la cifra de 2.000 dólares .
• Comparación con Google DeepMind — Los escépticos señalaron que afirmaciones anteriores sobre IA en matemáticas (por ejemplo, AlphaGeometry de DeepMind) luego enfrentaron un escrutinio, e instaron a la precaución antes de declarar un cambio de paradigma .

Implicaciones más amplias

• Democratización de la investigación — El costo de 2.000 dólares sugiere un futuro en el que pequeños equipos o incluso individuos puedan usar la IA para hacer contribuciones de investigación genuinas que antes requerían años de experiencia humana .
• Crisis de la cultura de verificación — El campo ahora enfrenta una necesidad urgente de estándares acordados sobre cómo evaluar, atribuir y revisar por pares las pruebas generadas por IA cuando el modelo es una caja negra propietaria .
• Control comercial de las matemáticas — Si el descubrimiento matemático de vanguardia depende del acceso API a modelos propietarios, la infraestructura central de investigación se desplaza de las instituciones públicas a las empresas privadas .
• Nuevo punto de referencia para la capacidad de la IA — A diferencia de la resolución de problemas de competencia fijos (por ejemplo, la OMI o MATH), Astra produjo resultados genuinamente novedosos de problemas abiertos que avanzaron la frontera del conocimiento, elevando el listón de lo que significa "IA haciendo matemáticas" . Thomas Bloom, un matemático de la Universidad de Mánchester, calificó los resultados como "una gran noticia" y al mismo tiempo rechazó la idea de que la IA esté reemplazando a los matemáticos, señalando que la IA se basa en más de un siglo de teoría matemática y fue construida por matemáticos .