La solución de OpenAI para Navier-Stokes genera una afirmación histórica y una disputa por el crédito
OpenAI afirma que 10.000 agentes de IA produjeron una solución para Navier-Stokes en 88 horas, aunque solo comenzaron después de que circularan rumores sobre el avance de otro equipo. Ese calendario convirtió un logro matemático potencialmente histórico en una disputa inmediata sobre prioridad de investigación, datos privados y poder computacional concentrado.
El anuncio del 8 de septiembre se refiere a uno de los siete Problemas del Milenio establecidos por el Clay Mathematics Institute. OpenAI afirma que su modelo interno no publicado encontró una singularidad en tiempo finito, en la que la velocidad de un fluido matemático crece sin límite. GPT-6 Astra formalizó después el argumento en Lean, un asistente de demostración que comprueba si cada paso lógico se deriva de los supuestos establecidos.
Sin embargo, una demostración verificada por máquina no resuelve todas las cuestiones que rodean el resultado. Los matemáticos aún deben examinar sus definiciones, alcance, originalidad y relación con trabajos anteriores. La controversia también plantea una preocupación mayor: ¿qué sucede cuando un proveedor de IA compite con investigadores que utilizan sus sistemas?
Ese conflicto importa más allá de una sola ecuación. OpenAI controlaba el modelo, la infraestructura, los datos de producto y el proceso de anuncio en torno al resultado reivindicado. Matemáticos independientes aportaron gran parte del camino intelectual que hizo posible el ataque final.
Por lo tanto, la solución de OpenAI para Navier-Stokes representa dos acontecimientos a la vez. Es una afirmación extraordinaria sobre el razonamiento automatizado y una advertencia sobre cómo funciona la atribución cuando las herramientas científicas se convierten en competidores científicos.
Qué afirma realmente la solución de OpenAI para Navier-Stokes
OpenAI afirma haber dado una respuesta negativa completa a un problema que se ha resistido a los matemáticos durante aproximadamente 90 años.
Las ecuaciones de Navier-Stokes describen cómo se mueven los fluidos bajo fuerzas, presión y viscosidad. Los ingenieros utilizan versiones de estas ecuaciones para modelar aeronaves, el clima, las corrientes oceánicas y el flujo sanguíneo. El Problema del Milenio pregunta si las soluciones tridimensionales suaves permanecen siempre suaves bajo las condiciones especificadas.
OpenAI afirma que la respuesta es no. Su construcción propuesta comienza con un fluido inicialmente suave en reposo y aplica una fuerza externa suave. El movimiento resultante desarrolla una singularidad en tiempo finito, según la explicación técnica de la empresa.
Una singularidad es un punto en el que una cantidad matemática se vuelve no acotada. En este caso, OpenAI afirma que la velocidad del fluido crece sin límite mientras su energía total permanece finita. La construcción utiliza un vórtice que se encoge y se alarga, y que se vuelve progresivamente más rápido.
Este resultado se refiere a un fluido matemático idealizado, no a una predicción de que el agua o el aire físicos alcanzarán una velocidad infinita. Los fluidos reales están formados por moléculas, mientras que las ecuaciones tratan el fluido como un medio continuo. Una singularidad identificaría un límite dentro de esa descripción matemática.
OpenAI afirma que sus agentes probaron varias versiones oficiales del problema. Estas incluían rutas que establecerían regularidad y rutas que la refutarían. Según los informes, la demostración exitosa establece las afirmaciones C y D dentro de la formulación oficial.
El proyecto comenzó el 1 de septiembre. OpenAI asignó grupos de agentes a distintas rutas matemáticas y luego permitió que esos grupos intercambiaran hallazgos prometedores. Codex consolidó resultados intermedios útiles y los proporcionó a grupos de agentes posteriores.
OpenAI informa que el esfuerzo exitoso sobre Navier-Stokes involucró aproximadamente a 10.000 agentes concurrentes. Esos agentes intercambiaron 2,7 millones de mensajes y generaron alrededor de 130.000 millones de tokens de salida para este problema. Llegaron a la solución propuesta el 5 de septiembre.
GPT-6 Astra dedicó luego otras 17 horas a formalizar y comprobar la demostración en Lean. En todos los problemas de la evaluación más amplia, OpenAI informa de 4,9 millones de mensajes de agentes y aproximadamente 300.000 millones de tokens de salida.
La verificación con Lean es significativa porque puede detectar deducciones inválidas, dependencias ausentes e inconsistencias dentro de un argumento formalizado. Ofrece una garantía más sólida que pedirle a un modelo de lenguaje que revise prosa convencional.
No obstante, Lean comprueba el enunciado formal que recibe. Los expertos humanos aún deben determinar si ese enunciado coincide con el Problema del Milenio original y si cada supuesto importado es adecuado. También deben evaluar la novedad de la demostración y su linaje intelectual.
Esa distinción explica por qué una cobertura cuidadosa describe esto como una solución propuesta. OpenAI ha producido abundante material técnico, pero ni la revisión independiente ni el reconocimiento institucional ocurren el día del anuncio.
Por qué una demostración formal todavía no es una victoria del Premio del Milenio
La verificación por máquina puede establecer la corrección interna, pero la aceptación matemática también requiere interpretación, escrutinio y tiempo.
El Clay Mathematics Institute no acepta una solución propuesta directamente de su autor. Sus reglas del premio exigen la publicación en un medio que cumpla los requisitos, al menos dos años de examen y la aceptación general de la comunidad matemática mundial. Solo entonces el instituto puede iniciar su propia consideración detallada.
OpenAI afirma que no pretende reclamar el premio. Esa decisión elimina una cuestión financiera, pero no acorta el proceso de validación. El galardón de un millón de dólares es simbólico en comparación con el valor científico y comercial del resultado.
Los matemáticos independientes deben comprender primero la construcción propuesta. Una demostración de 165 páginas puede contener definiciones, reducciones y decisiones técnicas cuya importancia no es visible solo mediante la verificación formal. Los especialistas compararán esas decisiones con la formulación oficial y la literatura previa.
También examinarán si el enunciado formal de Lean recoge todas las condiciones requeridas. Un asistente de demostración confirma que un teorema se deriva dentro de su entorno codificado. No decide de forma independiente si los investigadores codificaron el teorema previsto.
Esto no es una debilidad exclusiva de la IA. Los matemáticos humanos también dependen de supuestos cuidadosamente formulados, lemas establecidos y definiciones aceptadas. La formalización hace más explícitas esas dependencias, lo que puede reforzar el proceso de revisión.
La diferencia reside en la velocidad y el volumen. Según los informes, el sistema de OpenAI exploró muchos enfoques a la vez, generó millones de mensajes y entregó un artefacto formal en cuestión de días. Los revisores humanos no pueden inspeccionar ese recorrido intelectual a la misma velocidad.
La demostración propuesta crea por tanto una asimetría inusual. La organización que la produce puede dedicar enormes recursos computacionales a generar y perfeccionar un resultado. La comunidad más amplia debe invertir entonces una atención experta escasa para validarlo.
Esa carga aumenta cuando el modelo subyacente sigue siendo privado. Los investigadores pueden inspeccionar la demostración final, pero no pueden reproducir el proceso completo de descubrimiento. No pueden probar el modelo en condiciones equivalentes ni examinar cada intervención que dio forma a su búsqueda.
OpenAI afirma que el modelo interno es significativamente más capaz que GPT-6 Astra y sigue en entrenamiento. Esa afirmación convierte el resultado en evidencia de un producto futuro, no simplemente en un artículo matemático autónomo.
En consecuencia, el anuncio cumple varias funciones. Informa de un teorema propuesto, promociona un modelo aún no lanzado y demuestra la capacidad de la empresa para coordinar grandes poblaciones de agentes. Cada función exige estándares de evidencia distintos.
La corrección matemática depende de la demostración. Las afirmaciones sobre las capacidades científicas del modelo requieren una evaluación más amplia. Las afirmaciones sobre una era próxima de descubrimientos automatizados requieren un rendimiento repetido en problemas no relacionados.
Un resultado exitoso, incluso uno excepcional, no puede establecer las tres conclusiones. La próxima revisión deberá separar el teorema de la narrativa de producto que lo rodea.
La disputa por el crédito cambió el significado del hito
El conflicto central ya no es humanos contra máquinas; es crédito científico abierto frente a infraestructura de investigación controlada de forma privada.
OpenAI reconoce que los rumores sobre el avance de otro equipo desencadenaron su esfuerzo del 1 de septiembre. Ese equipo estaba formado por el matemático de la Universidad de Nueva York Tristan Buckmaster y Levent Alpöge, investigador de Anthropic que trabajaba de forma independiente.
Buckmaster y Alpöge habían estado estudiando ecuaciones de fluidos relacionadas con varios sistemas de IA, incluido Codex de OpenAI. Su trabajo se basó en una vía analítica menos común desarrollada por Diego Córdoba y Luis Martínez-Zoroa.
Córdoba y Martínez-Zoroa habían construido singularidades mediante una cascada infinita de capas individualmente regulares. Su trabajo anterior no cumplía todas las condiciones del Problema del Milenio porque la función de forzamiento combinada carecía de la suavidad requerida.
El desafío restante era preservar esa cascada mientras se producía una fuerza suave aceptable. Esa fue la vía específica que siguieron tanto la colaboración independiente como los agentes de OpenAI.
Buckmaster anunció tres resultados relacionados poco antes de que OpenAI publicara su solución propuesta para Navier-Stokes. Dijo que la colaboración contaba con una demostración de Euler forzado verificada en Lean desde el 22 de agosto. Las ecuaciones de Euler describen fluidos sin viscosidad y están estrechamente relacionadas con Navier-Stokes.
Los dos equipos no demostraron finalmente enunciados idénticos. OpenAI reconoce la prioridad de Buckmaster y Alpöge sobre el resultado de Euler forzado. OpenAI reclama prioridad para su propio resultado de Euler no forzado y para la construcción completa de Navier-Stokes.
El conflicto se refiere a cómo entró OpenAI en la carrera y a si el trabajo privado influyó en su sistema. Buckmaster afirmó que la información sobre el progreso de su colaboración llegó a la empresa antes de la publicación. OpenAI confirma que el rumor motivó su ataque concentrado.
Buckmaster sostuvo que la ruta elegida era demasiado específica y poco común como para descartar el solapamiento a la ligera. Según su relato, muy pocos matemáticos seguían el enfoque pertinente de forzamiento suave.
También cuestionó si su amplio uso de Codex expuso investigación privada a los sistemas de OpenAI. Es importante señalar que Buckmaster no llegó a acusar a la empresa de apropiarse de su trabajo. Escribió que no sabía si sus datos se habían utilizado.
OpenAI afirma que sus investigadores y agentes no accedieron al trabajo de los colaboradores antes de su publicación. La empresa también sostiene que no se accedió a datos específicos de usuarios para resolver el problema.
Sin embargo, OpenAI dice que no puede descartar una posibilidad distinta. Datos desidentificados derivados del uso del producto por parte de los investigadores podrían haber contribuido a la mejora del modelo. Esa concesión se sitúa en el centro de la controversia reportada.
No hay evidencia pública que establezca que el material privado de Buckmaster apareciera en el modelo o en la demostración. La similitud entre líneas de investigación no puede establecer por sí sola el uso de datos. Ambos equipos también recurrieron a trabajo matemático documentado públicamente.
Aun así, la incertidumbre expone un problema estructural. Un investigador puede utilizar un servicio de IA como asistente privado mientras el proveedor del servicio desarrolla un investigador automatizado competidor.
Las herramientas científicas tradicionales normalmente no se convierten en autores rivales. Un fabricante de microscopios no observa muestras inéditas y compite con sus clientes por publicar. Un gestor de referencias no sintetiza borradores almacenados para formular un teorema competidor.
Las plataformas de IA de frontera ocupan una posición distinta. Procesan prompts, notas, código, intentos de demostración e ideas fallidas. Esos materiales pueden revelar qué líneas de investigación parecen prometedoras antes de que se haga público cualquier artículo.
Incluso controles de acceso sólidos no eliminan el problema de percepción. Los investigadores necesitan saber quién puede inspeccionar sus datos, si estos influyen en el entrenamiento y cómo se gestionan los conflictos. Las respuestas ambiguas pueden disuadir a los expertos de utilizar los sistemas más capaces.
Por tanto, la disputa redefine qué significa el éxito. OpenAI debe demostrar algo más que corrección matemática. Debe mostrar que los usuarios científicos pueden confiar en la infraestructura detrás del logro.
La capacidad de cómputo se ha convertido en una nueva clase de ventaja matemática
El resultado sugiere que una capacidad de cómputo concentrada puede convertir una señal de investigación en una demostración terminada antes de que equipos más pequeños puedan responder.
OpenAI no partió de un avance publicado por otro grupo. Partió de un rumor de que se habían resuelto problemas importantes. En cuestión de días, la empresa redirigió una enorme población de agentes hacia la vía más prometedora.
Los agentes no actuaron como un único matemático gigantesco. OpenAI los dividió en grupos, les asignó distintas versiones del problema y posteriormente difundió las ideas exitosas. Ese proceso se asemejaba a un laboratorio que coordina a miles de investigadores en paralelo.
La empresa informa de que casi 100 agentes dedicaron aproximadamente 50 horas a producir su resultado de Euler no forzado. Ese éxito llevó a OpenAI a destinar recursos adicionales a Navier-Stokes.
El grupo más grande trabajó entonces durante aproximadamente 88 horas antes de alcanzar la solución propuesta. El investigador de OpenAI Sébastien Bubeck estimó el coste computacional total en varios millones de dólares, según información independiente.
Esta escala cambia la economía de la prioridad. Una colaboración universitaria normalmente no puede convocar a 10.000 agentes tras enterarse de que un competidor está cerca. Un laboratorio de frontera puede concentrar infraestructura de inmediato.
El dinero por sí solo no produjo la demostración. Los agentes dependían de décadas de investigación matemática, una estrategia analítica prometedora, herramientas de verificación formal y la orientación de investigadores humanos. La capacidad de cómputo amplificó esos ingredientes.
Esa amplificación es el mecanismo importante. Una vez que se vuelve visible una vía creíble, un laboratorio de IA puede explorar variaciones, identificar lemas útiles, consolidar soluciones parciales y formalizar un resultado con una velocidad excepcional.
Por tanto, las futuras carreras matemáticas podrían convertirse en competiciones de dos etapas. Los investigadores académicos descubren líneas fértiles mediante años de trabajo especializado. Después, organizaciones mejor financiadas industrializan la búsqueda final una vez que una dirección resulta comprensible.
Ese resultado no es inevitable. La infraestructura compartida, los acuerdos de colaboración claros y la atribución temprana pueden distribuir los beneficios. La publicación abierta de prompts y rastros de demostración también puede ayudar a los investigadores independientes a evaluar las contribuciones.
OpenAI afirma que ofreció a Buckmaster y Alpöge acceso a sus prompts y, posteriormente, se ofreció a mostrarles la demostración. También propuso un anuncio simultáneo antes de saber que los equipos habían resuelto enunciados diferentes.
Estas acciones importan, pero ocurrieron después de que OpenAI completara su proyecto. No responden a cómo deberían gestionar las instituciones una carrera desencadenada por información filtrada sobre investigación no publicada.
Una política mejor abordaría el conflicto antes de que comience el cómputo. Un proveedor podría crear procedimientos de revisión independientes cuando los empleados conozcan investigación confidencial de clientes. Podría documentar los límites de los datos y divulgar intervenciones humanas relevantes.
Las organizaciones de investigación también necesitan prácticas más sólidas. Los científicos que utilizan modelos alojados deberían tratar los historiales de prompts, las notas cargadas y las demostraciones intermedias como registros sensibles de investigación. La configuración del producto merece la misma atención que los controles de acceso de un laboratorio.
Mantener un sistema personal de conocimiento claro también puede preservar fechas, fuentes y rutas de razonamiento. Esos registros no resolverán todas las disputas, pero pueden establecer una cronología de investigación creíble.
La capacidad de cómputo seguirá siendo una ventaja en las matemáticas automatizadas. La cuestión de política es si se convierte en un acelerador de ciencia compartida o en una herramienta para apropiarse de la prioridad.
Las matemáticas con IA aún dependen de una genealogía intelectual humana
Los agentes avanzaron más rápido que los equipos humanos, pero no partieron de una página intelectual en blanco.
La solución de OpenAI para Navier-Stokes prolonga una cadena de trabajo desarrollada durante muchos años. Esa cadena incluye avances en singularidades de Euler, ecuaciones forzadas, cascadas infinitas y verificación asistida por ordenador.
Thomas Hou y Guo Luo produjeron evidencia influyente relacionada con las ecuaciones de Euler en un entorno cilíndrico acotado. Investigadores posteriores refinaron técnicas analíticas y computacionales para estudiar la formación de singularidades.
El trabajo doctoral de Martínez-Zoroa desarrolló una estrategia analítica diferente. Más tarde, él y Córdoba utilizaron ideas relacionadas para producir singularidades de Euler forzadas. Su construcción de cascada se volvió central en la vía seguida por los resultados más recientes.
Buckmaster y Alpöge utilizaron modelos de IA para llevar más lejos ese programa. Los agentes de OpenAI produjeron después resultados distintos sobre Euler y Navier-Stokes a lo largo de una vía estrechamente relacionada.
Esta historia estratificada complica las afirmaciones simples de que una IA “resolvió” el problema por sí sola. Según el registro publicado, el modelo realizó un trabajo matemático sustancial. Sin embargo, el espacio de búsqueda ya había sido configurado por conjeturas humanas, intentos fallidos e innovaciones técnicas.
La misma cuestión aparece en toda la ciencia. Un descubrimiento puede ser nuevo y, al mismo tiempo, depender profundamente de métodos anteriores. Las prácticas de citación existen para hacer visible esa dependencia.
Los sistemas de IA dificultan rastrear la cadena. Miles de agentes pueden leer bibliografía almacenada en caché, generar afirmaciones intermedias e intercambiar conocimientos consolidados. La demostración final podría no revelar qué fuente redirigió la búsqueda.
La verificación formal preserva dependencias lógicas, no necesariamente intelectuales. Lean puede identificar teoremas y definiciones importados dentro del código. No puede explicar automáticamente qué artículo inspiró una construcción o qué investigador hizo plausible la vía.
Esto crea la necesidad de una procedencia que vaya más allá de las citas habituales. Los proyectos asistidos por IA deberían preservar prompts, fuentes recuperadas, comunicaciones entre agentes, intervenciones humanas y puntos de decisión principales. Los revisores independientes necesitan información suficiente para reconstruir el proceso de descubrimiento.
Publicar cada token crearía sus propios problemas. Solo el esfuerzo sobre Navier-Stokes generó aproximadamente 130.000 millones de tokens de salida, según OpenAI. La divulgación bruta a esa escala abrumaría a los revisores y expondría material irrelevante o sensible.
En su lugar, los investigadores necesitan registros estructurados. Estos podrían identificar ramas decisivas, recuperaciones de fuentes, orientación humana y el momento en que apareció cada lema central. Un registro con marca de tiempo criptográfica podría respaldar futuras disputas sobre prioridad.
La controversia también cuestiona la frontera habitual entre herramienta y autor. Una calculadora ejecuta operaciones prescritas, mientras que un agente autónomo propone estrategias y evalúa alternativas. Un sistema multiagente puede contribuir en varios niveles intelectuales.
Las normas de autoría deberán distinguir la producción del modelo de la responsabilidad institucional. Un sistema de IA no puede responder preguntas sobre acceso a datos, divulgación o ética de la investigación. La organización que lo opera debe seguir siendo responsable.
El crédito también debería reconocer a las personas que crearon la vía matemática. Charles Fefferman, quien redactó la descripción oficial del problema de Navier-Stokes, identificó a Córdoba y Martínez-Zoroa como figuras centrales de la historia.
Esa valoración no niega la contribución que OpenAI afirma haber realizado. Sitúa el resultado dentro de la estructura acumulativa de las matemáticas. Un descubrimiento más rápido debería fortalecer esa estructura, no borrarla.
El futuro de las matemáticas con IA dependerá de si las instituciones pueden documentar estas contribuciones estratificadas. Sin una procedencia creíble, cada resultado importante corre el riesgo de producir una segunda disputa sobre quién aportó la idea decisiva.
Lo que la controversia matemática de OpenAI significa para los investigadores
La prueba inmediata es si la comunidad matemática puede validar el resultado sin aceptar la narrativa más amplia de OpenAI sobre la confianza.
En primer lugar, los especialistas examinarán el artículo y la formalización en Lean. Deben confirmar que el teorema codificado coincide con el problema oficial y que cada supuesto clave cumple sus condiciones.
Un fallo grave debilitaría las afirmaciones sobre la fiabilidad matemática del modelo. Una aceptación amplia reforzaría la conclusión de que los sistemas de agentes ya pueden contribuir a la investigación del más alto nivel.
Ninguno de los dos resultados llegará rápidamente. El proceso oficial del premio prevé un examen sostenido, en lugar de un reconocimiento inmediato. La fecha del anuncio de OpenAI inicia un proceso de revisión, no el capítulo final.
En segundo lugar, los investigadores deberían estar atentos a la divulgación sobre procedencia y gestión de datos. La afirmación de OpenAI de que no se accedió a datos de usuarios específicos aborda la recuperación directa. No resuelve por completo si el uso desidentificado influyó en el desarrollo del modelo.
Una auditoría detallada, un cambio de política o una revisión independiente reforzarían la confianza en las herramientas de investigación alojadas. La ambigüedad continuada haría que los investigadores fueran más cautelosos al colocar trabajo no publicado dentro de modelos comerciales.
Esta señal importa incluso si los datos de Buckmaster no desempeñaron ningún papel. La confianza depende de límites verificables, no solo de garantías posteriores a la aparición de un conflicto. Los científicos necesitan reglas claras antes de enviar material sensible.
En tercer lugar, la próxima demostración importante generada por IA revelará si este resultado representa una capacidad repetible. OpenAI evaluó otros Problemas del Milenio durante la misma campaña, pero no ha establecido públicamente soluciones comparables.
Otro resultado validado de forma independiente en una vía matemática diferente respaldaría el argumento de una capacidad general de investigación. Un intervalo prolongado sugeriría que Navier-Stokes se benefició de un momento inusualmente favorable y de avances humanos previos.
Los competidores también importan. Anthropic y Google han informado de avances en razonamiento matemático, demostración formal y agentes científicos. Los sistemas accesibles de varios proveedores reducirían la dependencia de las afirmaciones y la infraestructura de un único laboratorio.
El cambio más trascendental podría producirse dentro de las universidades, más que en las empresas de IA. Los departamentos de matemáticas necesitarán políticas para prompts privados, autoría asistida por modelos, divulgación y preservación de registros de investigación.
Las revistas podrían solicitar más que un manuscrito final. Podrían exigir descripciones del uso de modelos, fuentes recuperadas, supervisión humana y verificación formal. Las conferencias podrían necesitar procedimientos para descubrimientos simultáneos que involucren plataformas de IA compartidas.
Los organismos de financiación también se enfrentan a una elección. Pueden dejar los experimentos de agentes a gran escala en manos de empresas adineradas, o financiar recursos computacionales compartidos para equipos académicos. Un acceso más amplio haría que las matemáticas automatizadas fueran más fáciles de reproducir y cuestionar.
Los desarrolladores y compradores empresariales deberían preocuparse por razones similares. Los mismos agentes que buscan estrategias de demostración pueden inspeccionar código, contratos, experimentos y planes internos. Las ganancias de productividad aumentan la importancia de la gobernanza de datos y de resultados trazables.
Los trabajadores del conocimiento deberían plantearse preguntas básicas antes de utilizar un sistema de IA para trabajo confidencial. ¿El uso contribuye al entrenamiento? ¿Pueden los administradores inspeccionarlo? ¿Se preservan las fuentes y los pasos intermedios? ¿Qué sucede si el proveedor desarrolla un producto competidor?
La solución de OpenAI para Navier-Stokes apunta hacia una abundancia de demostraciones, pero la abundancia por sí sola no garantizará una ciencia fiable. Una generación más rápida de teoremas puede aumentar las exigencias de verificación, las disputas de atribución y la presión sobre los revisores especializados.
Los próximos uno a tres meses deberían aportar indicios iniciales. Los matemáticos informarán si la construcción resiste un escrutinio detallado. OpenAI podría publicar más información sobre su procedencia, mientras que laboratorios rivales podrían demostrar sistemas comparables.
Siga estos acontecimientos en lugar de considerar el anuncio o la reacción adversa como un veredicto definitivo. Si la demostración se sostiene, las matemáticas habrán cruzado un umbral importante. Si la procedencia sigue sin estar clara, el problema de gobernanza seguirá siendo igual de importante.
Para los investigadores, la respuesta práctica no es abandonar las herramientas de IA. Es exigir evidencia reproducible, límites de datos explícitos y registros que preserven las contribuciones humanas. Siga las revisiones independientes, examine los artefactos formales y documente cómo intervienen los modelos en su propio trabajo. El futuro de las matemáticas estará determinado por máquinas capaces de buscar más rápido, pero también por instituciones que decidan qué cuenta como demostración, autoría y competencia científica justa.
