OpenAI GPT-6 Astra ayuda a resolver un problema matemático de 50 años sobre el Modelo Estándar en retícula
GPT-6 Astra de OpenAI colabora con el físico Nathaniel Craig en una demostración para corregir la fase de fermiones de solapamiento en retículas.

El modelo GPT-6 Astra de OpenAI participó en la elaboración de una demostración matemática orientada a resolver un obstáculo de 50 años en la física de partículas. El avance aborda la formulación completa del Modelo Estándar sobre una retícula computacional, un requisito clave para simular sus interacciones con precisión.
De acuerdo con un reporte de The Decoder, el físico Nathaniel Craig, de la Universidad de California en Santa Bárbara (UCSB) y actualmente científico visitante en OpenAI, presentó el enfoque en el blog de OpenAI y en un preprint publicado en arXiv. Craig dirige el grupo de teoría de partículas en la UCSB y es miembro permanente de su Instituto Kavli de Física Teórica.
El obstáculo de la asimetría en la fuerza nuclear débil
Los físicos ya logran simular fragmentos del Modelo Estándar —la teoría que describe todas las partículas conocidas y las fuerzas fundamentales— mediante una cuadrícula informática denominada retícula (lattice). Este método permitió hitos previos como calcular la masa del protón desde primeros principios.
Sin embargo, trasladar la teoría completa a una retícula había resultado imposible hasta ahora debido al comportamiento de la fuerza nuclear débil, responsable de ciertos tipos de desintegración radiactiva. Esta interacción trata de forma distinta a las partículas levógiras y dextrógiras, una asimetría que en retículas simples genera partículas fantasma no deseadas.
Para filtrarlas existen partículas especiales de retícula llamadas fermiones de solapamiento (overlap fermions), pero durante más de 25 años ningún investigador había logrado fijar correctamente su fase matemática.
Cómo GPT-6 Astra completó la demostración
Craig contaba con una estrategia para corregir esa fase comparando retículas progresivamente más finas, aunque no conseguía demostrar su validez en todos los casos requeridos. GPT-6 Astra transformó la idea inicial en una construcción funcional y asumió el liderazgo en la redacción de la prueba detallada.

Los teóricos de campos en retícula Maarten Golterman, Andreas Kronfeld y Yigal Shamir revisaron la demostración y plantearon cuestiones técnicas que, según Craig, ayudaron a consolidar la confianza en el resultado. El investigador describió el hallazgo como «mucho más un comienzo que un final» y advirtió que aún queda trabajo por delante antes de alcanzar simulaciones realistas.
Avances de la inteligencia artificial en matemáticas durante 2026
El trabajo en física teórica se suma a una serie de hitos matemáticos impulsados por sistemas de inteligencia artificial a lo largo de 2026. Tanto OpenAI como Google DeepMind han acumulado resultados relevantes en problemas abiertos, aunque varios de ellos siguen bajo escrutinio de la comunidad científica y despiertan reacciones divididas entre los matemáticos.
| Mes (2026) | Sistema / Entidad | Hito reportado | Estado o alcance |
|---|---|---|---|
| Enero | GPT-5.2 Pro (OpenAI) | Resolución de un problema de Erdős | Terence Tao destacó la velocidad por encima de la dificultad |
| Mayo | OpenAI | Refutación de la conjetura de distancia unitaria de Erdős | Primer resultado de IA considerado digno de la principal revista matemática |
| Mayo | AlphaProof Nexus (Google DeepMind) | Resolución de 9 de 353 problemas abiertos de Erdős | Ejecutado con un costo de unos cientos de dólares |
| Septiembre | OpenAI | Prueba de 166 páginas para el Problema del Milenio de Navier-Stokes | El Clay Mathematics Institute la consideró «aparentemente resuelta»; bajo revisión y debate sobre su comprensión |
| Octubre | AlphaProof Nexus (Google DeepMind) | Decenas de problemas matemáticos abiertos | Resultados aprobados mediante revisión por pares |
Fuente: The Decoder