Noticias — 9 de septiembre de 2026

OpenAI publica una solución generada por IA al problema de Navier–Stokes, uno de los Millennium Prize Problems, acompañada de un documento explicativo y de una demostración formal en Lean. Lo técnicamente relevante es ese último punto: una prueba en Lean la puede comprobar un verificador mecánico línea a línea, así que la afirmación no depende de creer al laboratorio que la emite. Es la diferencia entre publicar un resultado y publicar algo que un tercero puede recorrer sin repetir el trabajo entero.

Un matemático de NYU acusa a OpenAI de haber jugado sucio en torno al mismo problema, el de existencia y suavidad de Navier–Stokes, sobre el que pende una recompensa de un millón de dólares para quien aporte primero una solución. La disputa no va de si el resultado es correcto —eso lo decide la verificación— sino del proceso: prioridad, atribución y quién estaba trabajando en qué cuando se publicó. Es el conflicto que aparece cuando un laboratorio con recursos de cómputo entra en un campo que reparte el crédito por orden de llegada.

El laboratorio francés Mistral cierra una Serie D de 3.000 millones de euros con una valoración de 21.000 millones, liderada por Samsung, Scaleup Europe y PSG Equity. La ronda pone precio a un argumento que hasta ahora era sobre todo político: que hay demanda dispuesta a pagar por modelos con proveedor y jurisdicción europeos. Para quien monta sistemas aquí, importa por lo prosaico —más opciones de proveedor que no obligan a razonar sobre transferencias internacionales en cada integración.

El thinktank medioambiental Verdant calcula que los centros de datos británicos emplearán a unos 10.400 trabajadores, frente a los 40.000 que estimaba el sector, y señala el consumo energético de esas instalaciones. La discrepancia es estructural, no un matiz de redondeo: un centro de datos es intensivo en capital y en energía, y muy poco en plantilla una vez construido. Cuando el empleo es el argumento con el que se justifica un permiso o un incentivo, conviene saber de qué cifra se está hablando.

Meta presenta Muse, un agente personal que pide acceso al correo, el calendario, los pagos y los servicios de salud del usuario, en la que es su mayor apuesta de IA de consumo hasta la fecha. El patrón técnico está claro: un agente sirve de poco sin permisos amplios, y esos permisos son exactamente lo que hace cara una brecha o un uso indebido. La pregunta que abre el artículo —si la gente sigue confiando sus datos a Meta— es la misma que se hace cualquiera antes de conectar un agente a su bandeja de entrada.

Un usuario de Claude detectó el mes pasado que su cuenta consumía tokens sin que él estuviera trabajando, y Anthropic ha avisado desde entonces a sus usuarios de que hay atacantes robando accesos. El detalle operativo importa: cuando lo que se roba es cuota de uso, no datos, el único síntoma es una factura o un contador que no cuadra con las horas trabajadas. Revisar el consumo de las suscripciones de IA con la misma rutina con la que se revisa un extracto bancario deja de ser manía.

DeepMind publica AlphaGenome Atlas, un mapa que predice los efectos moleculares de 9.000 millones de variantes de una sola letra del genoma humano. El cambio de forma es el interesante: en lugar de consultar un modelo variante a variante, se precalcula el espacio completo y se distribuye como una tabla que se consulta al instante. Es la misma decisión que se toma en cualquier sistema cuando el espacio de entradas es finito y la inferencia cara.