Infraestructura Científica Computacional
Puebla, Pue.- Durante los últimos tres años me he convertido, sin proponérmelo, en un aficionado del café. Diría primero por hábito y luego por sofisticación. Llegó un momento en que pagar por una taza de café todos los días dejó de ser práctico, así que compré una cafetera italiana y empecé a preparar el mío cada mañana. Con el tiempo, esa rutina en particular adquirió una emoción, la secuencia y el orden se convirtió en mi ritual. Moler el grano, escuchar la máquina, esperar el aroma, servirme la primera taza de expresso, y por ultimo, pasear a nuestro perro. Ahora sí, puedo arrancar mi día.
Dr. Michael Norton, Phd de la Universidad de Princeton y profesor de Harvard Business School, autor de del libro The Ritual Effect, distingue precisamente entre hábito y ritual: "el hábito busca eficiencia; el ritual añade significado a una acción repetida." Eso es, de alguna manera, lo que ocurre en mis mañanas. Y fue justamente en uno de esos rituales matutinos, mientras revolvía la taza y observaba cómo el líquido comenzaba a girar, cuando una escena absolutamente cotidiana me llevó a pensar en uno de los problemas matemáticos más difíciles de nuestra época. El café genera un vórtice, rota con fuerza y forma un pequeño remolino, se estira, poco a poco, el movimiento se estabiliza y desaparece. Sin embargo, si pudiéramos reducirnos hasta una escala microscópica y observar lo que sucede dentro de la taza, encontraríamos una coreografía extraordinariamente compleja: millones de partículas interactuando, transmitiendo energía, cambiando de dirección y formando estructuras que nacen y desaparecen en cuestión de instantes. Podemos imaginar esas partículas como danzantes invisibles. Ninguno se mueve completamente solo. Cada uno responde al movimiento de los otros, modifica su trayectoria, acelera, desacelera y participa en una dinámica colectiva.
Parece sencillo, pero detrás de esa danza se encuentran las ecuaciones de Navier–Stokes: las mismas reglas matemáticas que permiten describir no sólo el movimiento del café en una taza, sino también el aire alrededor de un avión, el agua de un río, el humo, las corrientes oceánicas y la turbulencia.
Navier-Stokes son un conjunto de ecuaciones diferenciales parciales que describen el movimiento de los fluidos viscosos. Son claves en la dinámica de fluidos, se utilizan para modelar una amplia variedad de fenómenos, desde los patrones meteorológicos hasta el flujo sanguíneo. Estas ecuaciones reciben su nombre de Claude-Louis Navier y George Gabriel Stokes, quienes contribuyeron a su formulación.
Durante casi dos siglos, las ecuaciones de Navier-Stokes han sido una de las herramientas matemáticas fundamentales para describir esa danza. Existe una pregunta que la matemática no había logrado responder con certeza:
¿Puede la danza volverse tan extrema que, en un tiempo finito, las propias ecuaciones dejen de comportarse de manera suave?
❌ Si la respuesta es no, los matemáticos deben demostrar que un flujo que comienza siendo suave permanece siempre suave.
✅ Si la respuesta es sí, deben construir un ejemplo matemáticamente válido en el que un flujo inicialmente suave desarrolle una singularidad: lo que los fisico matemáticos lo conocen como "blow-up" en tiempo finito.
En tres dimensiones, los fluidos pueden generar vórtices que se estiran, se comprimen y se intensifican. Imagine nuevamente a nuestros danzantes, pero ahora piense en uno de ellos girando mientras el espacio a su alrededor comienza a estirarlo verticalmente y, al mismo tiempo, otros movimientos lo empujan hacia el centro. Su giro podría intensificarse. Matemáticamente, este fenómeno se conoce como "estiramiento de vórtices" y constituye una de las razones por las cuales el comportamiento tridimensional de los fluidos es tan difícil de analizar.
Ese es el corazón del problema de existencia y regularidad de Navier-Stokes, uno de los siete Millennium Prize Problems establecidos por el Clay Mathematics Institute. Los Problemas del Premio del Milenio representan algunas de las preguntas más profundas en la frontera de las matemáticas. La cuestión si el movimiento fluido tridimensional suave puede romperse ha permanecido sin resolverse durante 90 años.
Ingeniería: Las ecuaciones de Navier-Stokes son esenciales para el diseño de aviones, automóviles, barcos y otros vehículos, así como para optimizar el flujo de fluidos en diversos procesos industriales.
Predicción meteorológica: Se utilizan en modelos de pronóstico del tiempo para simular las condiciones atmosféricas y predecir los patrones meteorológicos.
Aplicaciones médicas: Se emplean para estudiar el flujo sanguíneo en el sistema cardiovascular y para diseñar dispositivos médicos.
En septiembre de 2026, La empresa OpenAI anunció que uno de sus sistemas había producido una propuesta de solución acompañada por una formalización matemática en Lean. Si el argumento supera el escrutinio independiente de la comunidad matemática, estaríamos frente a uno de los resultados científicos más importantes de las últimas décadas. Sin embargo, la historia no resulta extraordinaria únicamente por el problema que aparentemente logró abordar. Lo verdaderamente revelador es la forma en que se llegó hasta allí.
Resulta difícil de creer que alguien genero un prompt y le pregunta a un LLM “resuelve Navier-Stokes” y que, unas horas después, el modelo respondió con una demostración.
El experimento comenzó explorando el problema con 10,000 Agentes de IA. Posteriormente, al detectarse diversas hipótesis y rutas prometedoras, el sistema escaló hasta trabajar aproximadamente 88 horas. El detalle esta en que cada Agente de IA podía explorar distintas partes del problema, probar estrategias alternativas, construir argumentos, buscar contradicciones, cuestionar resultados obtenidos por otros agentes y contribuir a refinar la demostración.
¿Qué significa? Imaginemos un estadio con 10,000 matemáticos trabajando simultáneamente sobre un mismo problema. Algunos investigan una posible demostración. Otros intentan destruirla. Un grupo busca errores. Otro reconstruye una parte del argumento desde cero. Algunos prueban caminos completamente distintos. Otros comparan resultados y descartan aquellas rutas que no funcionan.
Aquí aparece una cifra que ayuda a dimensionar la escala del experimento de Open AI. Si consideramos 10,000 agentes durante 88 horas, obtenemos:
10,000 x 88 = 880,000
Es decir, hasta 880,000 horas-agente potenciales de razonamiento. Esto no significa que todos los agentes hayan trabajado de manera uniforme durante cada minuto del experimento, pero la cifra resulta útil para comprender el orden de magnitud del esfuerzo. Lo que en términos humanos habría significado una enorme cantidad de jornadas de trabajo intelectual pudo comprimirse en menos de cuatro días gracias al paralelismo computacional de Open AI (Paper original).
Ese punto es crucial, porque permite entender que la innovación no consiste en tener un modelo más inteligente. Consiste en poder movilizar enormes cantidades de razonamiento sobre un único problema.
Durante décadas se midió la potencia de las computadoras principalmente por su velocidad de cálculo: cuántas operaciones podían realizar por segundo. Esa métrica seguirá siendo importante, pero la inteligencia artificial introduce una nueva dimensión. Hoy esa pregunta es obsoleta, y se debe replantear con cuánto razonamiento podemos asignar a una tarea determinada. Podríamos llamarlo un presupuesto de razonamiento.
Hasta ahora, una consulta cotidiana a un sistema de inteligencia artificial puede consumir apenas unos segundos de inferencia. Un problema complejo puede requerir minutos. Pero la experiencia de Navier-Stokes apunta hacia otra escala: miles de agentes, millones de interacciones y varios días de cómputo dedicados a una sola pregunta. Brutal, fuera de serie. Eso cambia radicalmente la lógica del descubrimiento científico.
En la ciencia computacional tradicional, el investigador define un problema, diseña un algoritmo y utiliza una supercomputadora para ejecutar enormes cantidades de cálculos. La máquina amplifica la capacidad de cálculo del investigador, pero la estructura intelectual de la búsqueda sigue estando ampliamente determinada por el humano.
La ciencia agéntica introduce algo diferente. Ahora la infraestructura puede participar en la exploración del espacio de soluciones. Los agentes pueden generar miles de hipótesis, comparar alternativas, cuestionarse y retar su lógica entre sí, elaborar contraejemplos, revisar a profundidad literatura, escribir código, construir demostraciones parciales y someterlas a sistemas de verificación.
La computadora deja de ser solamente una calculadora extremadamente poderosa y comienza a convertirse en un laboratorio de razonamiento.
Ahí aparece lo que Open AI llama una nueva "Infraestructura Científica Computacional." Ya no se trata únicamente de disponer de procesadores o supercomputadoras, eso es cosa del pasado. Se trata de combinar modelos avanzados, GPUs, agentes, datos, arquitecturas de orquestación y sistemas de verificación para ampliar la capacidad humana de descubrir. Le pedi a Chat GPT Alfa 6 que me ayude a formular una ruta y me propone esta:
{modelo potente} + {miles de agentes} + {gran presupuesto de inferencia} +
{verificación} + {nueva capacidad científica}
La diferencia con las revoluciones científicas anteriores es abismal. Ejemplo, el telescopio amplió nuestra capacidad para mirar más lejos. El microscopio nos permitió observar aquello que el ojo humano no podía ver. El acelerador de partículas del laboratorio CERNH nos permitió interrogar la estructura de la materia. Las supercomputadoras ampliaron nuestra capacidad para calcular.
Los sistemas de inteligencia artificial multiagente comienzan a ampliar otra cosa: nuestra capacidad para explorar espacios de razonamiento. Y esto abre una cuestión algo incómoda. Le pedí a la IA que me de una analogía para explicar ambos procesos cientificos y me dio esta joya:
Supongamos que dos universidades cuentan con científicos igualmente talentosos y llegan, de manera independiente, a una hipótesis prometedora. Una de ellas dispone únicamente de recursos para ejecutar cien agentes durante unas horas.
La otra puede desplegar diez mil agentes durante varios días, explorar millones de posibilidades, someter sus argumentos a críticas automáticas y formalizar sus conclusiones.
Las dos tienen la misma pregunta.
Quizá incluso tengan la misma intuición inicial.
Pero ya no tienen la misma capacidad de convertir esa intuición en descubrimiento.
Es aquí donde el cómputo deja de ser únicamente un recurso tecnológico y comienza a convertirse en un factor de poder científico, la brecha generada por la Súper IA, pues.
Hasta ahora hemos hablado de brecha digital para describir las desigualdades en acceso a computadoras, conectividad e información. Más recientemente comenzamos a hablar de brecha de IA. Sin embargo, podríamos estar aproximándonos a una desigualdad todavía más compleja, una brecha en la capacidad de descubrimiento.
No vamos a dividir al mundo entre quienes tienen acceso a IA y quienes no. La diferencia estaría entre quienes pueden utilizarla como consumidores y quienes pueden movilizar cantidades masivas de inteligencia computacional para producir conocimiento nuevo basado en la economia de token. Ese escenario obliga a pensar de otra manera la infraestructura científica.
Durante el siglo XX, los Estados comprendieron que ciertas formas de ciencia requerían inversiones que ningún investigador individual podía financiar. Con esta noticia reciente, estamos entrando en una etapa equivalente.
La infraestructura científica del siglo XXI no estará formada únicamente por edificios, laboratorios e instrumentos físicos. Estará compuesta por capacidad de cómputo, modelos fundacionales, sistemas multiagente, datos, orquestadores y mecanismos de verificación.
Por eso desde AURA BUAP proponemos avanzar hacia un concepto adicional: la Soberanía Computacional Científica. Entendemos por ella la capacidad de una universidad, una institución de educación superior o una nación para acceder, gobernar y asignar suficiente infraestructura computacional avanzada con el fin de producir conocimiento científico de frontera sin depender completamente de las prioridades, restricciones o intereses de terceros.
Significa que las universidades del futuro deben conservar capacidad de decisión sobre las preguntas que se investigan, los recursos computacionales que se destinan a ellas, los modelos y datos que se utilizan y los mecanismos mediante los cuales los resultados son verificados.
Una institución científicamente soberana no es aquella que posee más tecnología, sino aquella que tiene la capacidad de decidir cómo utilizarla para producir conocimiento.
En ese sentido, el episodio de Navier-Stokes puede terminar siendo recordado por una posible solución matemática, y a la vez, convertirse en un símbolo del momento en que comenzamos a comprender que el razonamiento mismo se estaba transformando en un recurso computacional que podía asignarse, multiplicarse y escalarse.
Durante siglos construimos instrumentos para observar y entender el mundo. Ahora, con este episodio, estamos comenzando a construir infraestructuras para pensar sobre él a una escala que antes resultaba imposible. La IA de frontera no debe ser privilegio de unos cuantos.
Infraestructura Científica Computacional. AURA BUAP no se va a limitar a enseñar a usar inteligencia artificial a los docentes de la BUAP. Queremos construir la capacidad pública para crearla, experimentarla y gobernarla. Ese es el camino hacia una verdadera democratización de la IA y, en el largo plazo, hacia nuestra Soberanía Computacional Científica.
Contamos con investigadores de prestigio y reconocimiento internacional e infraestructura para comenzar a transformar hipótesis en experimentos computacionales de alta complejidad. La pregunta estratégica es si estamos dispuestos a construir la capacidad de orquestación y verificación necesaria para competir en la nueva frontera de la ciencia.
Porque la siguiente gran división científica no se dará entre quienes posean o no posean inteligencia artificial. Se presentará entre aquellos que puedan consultarla y quienes sean capaces de utilizarla a gran escala para descubrir y resolver enigmas aún no resueltos en el mundo.
Comentarios