Investigación de IA: las afirmaciones de OpenAI sobre Navier-Stokes y de Anthropic sobre Enzima desatan disputas de prioridad con científicos

El 8 de septiembre, OpenAI dijo que un modelo interno había producido una prueba de que las ecuaciones tridimensionales Navier-Stokes pueden desarrollar una singularidad de tiempo finito bajo una fuerza externa suave.El 23 de septiembre, Anthropic dijo que aproximadamente 950 agentes de Claude habían identificado un sistema de enzimas previamente no caracterizado -transcriptases reversas asociadas a la matriz, o ARTs - en virus que infectan bacterias.

Tristan Buckmaster, un matemático de la Universidad de Nueva York, había pasado aproximadamente un año con Levent Alpöge, un matemático antropófono, empujando un programa de dinámica de fluidos relacionado hacia el mismo problema de premio.Mario Rodríguez Mestre, un doctorado en biología computacional en la Universidad de Copenhague, dice que su grupo ha estudiado las enzimas Antropic llamadas ARTs desde 2022, llamándolas “jumbotrons”.

Ningún investigador ha producido pruebas de que una empresa lea diseños o conversaciones específicas.Las disputas son sobre la prioridad y la procedencia, y sobre lo que “descubrimiento independiente” puede incluso significar cuando la herramienta y el competidor son la misma organización.

Una prueba, un premio y una llamada telefónica

Las ecuaciones de Navier-Stokes describen cómo se mueven los fluidos, y desde el trabajo fundacional de Jean Leray en 1934, los matemáticos han preguntado si el flujo tridimensional inicialmente suave puede explotar a una velocidad infinita en tiempo finito.El Instituto de Matemáticas de Clay puso un premio de 1 millón de dólares en la cuestión en 2000.El resultado de OpenAI es más estrecho que los primeros títulos sugirieron: la compañía demostró un golpe en tiempo finito para la variante forzada del problema - declaraciones de cloro C y D - donde se permite que una fuerza externa suave mueva el fluido.

OpenAI dijo que alrededor de 10.000 agentes simultáneos trabajaron durante aproximadamente 88 horas y generaron alrededor de 130 mil millones de tokens de salida, y que un pase separado con GPT-6 Astra pasó 17 horas comprobando el argumento en el asistente de prueba Lean. Una estimación externa, del ingeniero de la Universidad de Michigan Karthik Duraisamy, colocó computación comparable en alrededor de US$ 6 millones a tasas minoristas - varias veces el premio OpenAI dice que no reclamará.

Buckmaster y Alpöge, trabajando como una colaboración personal sin apoyo institucional, habían hecho lo que Buckmaster llamó "progreso real" el 15 de agosto y lo verificaron en Lean el 22 de agosto, utilizando un enfoque de nicho construido en el trabajo de Diego Córdoba y Luis Martínez-Zoroa. Publicaron sus préstamos, con formalizaciones Lean, el 7 de septiembre -el día anterior al anuncio de OpenAI- cubriendo la ecuación porosa incomprensible de los medios, el sistema de Boussinesq bidimensional y las ecuaciones de Euler tridimensionales, con un cuarto resultado en el hipo-disipativo Navier-Stokes, que se mantuvo con su cheque Lean. El 3 de septiembre envió un correo electrónico a OpenAI. El 6 de septiembre, por

El director de investigación Mark Chen dijo que ninguna persona o agente buscó datos de usuarios para resolver el problema.La propia declaración de la compañía contiene la frase que mantiene el argumento vivo: aunque poco probable, “no puede descartar que los datos desidentificados derivados de su uso de nuestros productos ayudan a mejorar nuestros modelos”.Terence Tao, escribiendo en Mastodon, llamó el trabajo de Buckmaster-Alpöge “un logro notable” y dijo que no vio ningún obstáculo fundamental para extender su enfoque hacia el problema completo de Navier-Stokes.

La enzima reivindica, y una cabeza de cuatro años comienza

La preimpresión del 23 de septiembre de Anthropic describió una búsqueda que comenzó con una única prompt de alto nivel: encontró transcriptases reversas inusuales —enzimas que copian el RNA en ADN— en una base de datos de aproximadamente 1.9 mil millones de clusters de proteínas. Alrededor de 950 agentes corrieron durante aproximadamente 21 horas y consumieron alrededor de 210 millones de tokens. El swarm recopiló más de 200.000 transcriptases reversas, las redujo a aproximadamente 3.500 sistemas candidatos, y envió alrededor de 20 de las más prometedoras para la revisión humana.

Lo que hace ART es desconocido. La actividad de la enzima no se ha demostrado, y no se ha demostrado ni el papel de la proteína asociada ni ninguna función de edición de genes. Antropic mismo dijo que la transcripción inversa subyacente había aparecido en estudios anteriores de un fago de jumbo; su afirmación es que Claude fue el primero en reconocer la matriz repetida y una proteína vecina como un sistema. Un reanálisis de los datos publicados de una infección por fago de Staphylococcus lentus mostró que las transcripciones de la matriz constituyeron hasta el 8% del RNA del fago 15 minutos después de la infección - evidencia de la actividad, no de la función. Feng Zhang, un pionero de CRISPR en el MIT y el Broad Institute, llamó el hallazgo "generalmente

Entonces el maestro habló.El New York Timessu grupo de Copenhague había estado estudiando las mismas enzimas desde 2022 y había compartido diseños y material de tesis con Claude a lo largo de tres años de uso. Él es un co-inventor en una patente 2023 ReNegade Therapeutics que cubre las transcriptases reversas relacionadas. “La pregunta más importante no es ‘¿Las ART ya se conocen? ‘, dijo. La pregunta, añadió, es si Claude razonó su camino al resultado o se guió en parte por su propio trabajo. Anthropic respondió que Claude “no había sido entrenado en ninguna transcripción de usuario” y que su equipo de biología molecular no tenía ese acceso, y dijo que no tenía conocimiento del trabajo publicado previamente describiendo el sistema ART.

Lo que cambiaron las reediciones

Los matemáticos ahora tienen alrededor de seis semanas con el papel de OpenAI, y la imagen cambió.Científico estadounidenseEn el informe del 13 de octubre, varios grupos trabajando a través de la prueba concluyeron que no sigue, después de todo, el programa Córdoba-Martínez-Zoroa que Buckmaster y Alpöge persiguieron.Gonzalo Cao-Labora, un matemático de la EPFL en Lausana, lo puso claramente: “Cuando se va a los detalles, es un enfoque diferente”.

Eso no resuelve la cuestión de la procedencia; lo mueve. El resultado todavía depende de una fuerza no física, finamente ajustada que agita el fluido en una explosión, por lo que el problema no forzado permanece abierto. Una preocupación separada surgió en el lado de la verificación: una auditoría de octubre publicada por investigadores como Alexander Bastounis argumentó que el repositorio Lean de OpenAI no coincide fielmente con el manuscrito escrito, citando un mal ajuste derivado en Lemma 8.6 y una desigualdad diferente en un argumento de singularidad. Camillo De Lellis, del Instituto para Estudios Avanzados, dijo a Scientific American: “Honestamente no veo una resolución factual de esto”.

El campo responde

El 11 de septiembre, 25 Fields Medalists publicó una carta abierta, “Una grave desalineación de la IA en matemáticas”, argumentando que los objetivos de las compañías de IA y la comunidad matemática están “severamente desalineados”, y que presionar problemas famosos como puntos de referencia del modelo es “destruyente para la ciencia de las matemáticas”. La imagen de Hugo Duminil-Copin – caer al aire a alguien en la cumbre del Everest no es lo mismo que escalarlo – capturó la objeción. El punto más agudo de la carta fue que los recursos más valiosos de la profesión son estudiantes e ideas. OpenAI respondió convocando un grupo consultivo independiente sobre matemáticas y IA, para ser alojado en el Instituto para Estudios Avanzados, con miembros iniciales como Timothy Gowers,

La preocupación se ha extendido más allá de las matemáticas.La Sociedad Matemática Francesa emitió una declaración que marca lo que llamaba saqueo bibliográfico y costos energéticos, junto con “rumores de coerción”.Un editorial del 16 de septiembre en Nature instó a las empresas de IA y a la comunidad científica a acordar formas fiables y transparentes de reconocer la contribución.En biología, la disputa de Copenhague empujó a los investigadores a cambiar sus hábitos, comoNaturalezaSandra Laurentino de la Universidad de Münster ahora renombró las variables antes de pegar el código en un modelo, y Samuel Mehr de la Universidad de Auckland escribió una política de laboratorio que prohíbe a los estudiantes subir material protegido a herramientas comerciales.Bienvenido, un comunicado firmado por el Grupo de Política de Fundadores de Investigación del Reino Unido, prohíbe a los revisores introducir solicitudes de subvención confidenciales en la IA generativa, y informó en junio que alrededor de una cuarta parte de los solicitantes a sus premios de carrera temprana fueron revelados usando la IA generativa.

¿Qué significa esto para tu laboratorio?

En cinco semanas, dos investigadores dijeron que el resultado anunciado de una compañía parecía un trabajo que ya habían compartido con la herramienta de esa empresa; en ningún caso nadie ha mostrado que una conversación o un proyecto específico se leía o se usaba directamente.La excepción es lo que las empresas se conceden: OpenAI dice que no puede descartar que el uso desidentificado ayudó a mejorar sus modelos, y la propia nota de Anthropic muestra que el agente swarm perdió el array de repeticiones en diez ejecuciones repetidas.

Esa asimetría -no se puede probar lo que ocurrió dentro del modelo, y el vendedor no puede desmentir completamente la influencia indirecta- es lo queNuevas normas de procedencia¿Por qué? es por eso que los periódicos siguen apretando susPolíticas generative-AI para la revisión por pares, ya que los revisores mantienen el mismo material confidencial que los investigadores hacen. Para un laboratorio de trabajo, los pasos prácticos son menos dramáticos que los encabezados. Un postdoc con el que trabajo - llame a su Dr. R - dejó de pegar cifras no publicadas en una ventana de chat de consumidores la semana en que se rompió la disputa de Copenhague.

• Utilice niveles de empresa o API, que generalmente excluyen las entradas de la capacitación por defecto, y confirme esto por escrito.
• Compruebe si una exclusión tiene una excepción de retroalimentación que todavía puede dirigir una conversación a la formación.
• Mantenga registros locales de prompts, archivos cargados, versiones de modelos y salidas - la pista de auditoría que los dashboards no le dan.
• Renombrar las variables y los identificadores de cinta antes de que nada toque un modelo, como lo hace Laurentino.

El siguiente paso

Antes de su siguiente ciclo de subvención o presentación de manuscritos, siéntese con las cuentas de IA de su laboratorio y obtenga cuatro respuestas por escrito: si las entradas entrenan modelos, si el opt-out tiene una excepción de retroalimentación, cuánto tiempo se conservan las solicitudes y quién dentro del vendedor puede revisar las conversaciones almacenadas.

Photo by Brecht Corbeel on Unsplash