La entrada del blog relata cómo el hijo de 9 años de Scott Aaronson bromeó con su esposa, la teórica de la complejidad Dana Moshkovitz, diciendo que un robot había resuelto el problema matemático en el que ella había trabajado toda su carrera. Aaronson escribe que ayer fue “seguramente uno de los días más importantes en la historia de las matemáticas” porque OpenAI publicó 372 resultados importantes, entre ellos una demostración de la Conjectura de Juegos Únicos de Subhash Khot (UGC). La UGC implica que muchos problemas de optimización son NP‑duros incluso para aproximaciones mejores que las obtenibles mediante programación semidefinida, una herramienta central en la teoría de aproximaciones. Además de la UGC, el anuncio incluyó resultados como L=BPL (espacio logarítmico probabilístico igual a espacio logarítmico determinístico), multiplicación de enteros y la Transformada de Fourier en menos de O(n log n) tiempo, una solución positiva al Problema de Síntesis Unitaria, y que la Paridad no pertenece a QAC0. Otras afirmaciones incluyen una separación casi de cuarta potencia entre complejidad de consulta aleatoria y cuántica para funciones booleanas totales, una separación supercuadrática entre sensibilidad y sensibilidad por bloques, una ley de área para hamiltonianos 2D con gap, multiplicación de matrices en tiempo n^{9/4+o(1)}, una cota inferior de Ω(n^3) para la complejidad determinantal del permanente, y algoritmos aleatorios para aproximar el conteo de emparejamientos perfectos y encontrar emparejamientos máximos en grafos generales.
El blog destaca que, aunque muchos de los resultados vienen acompañados de certificados Lean, los papeles son extraordinariamente difíciles de leer. Dana Moshkovitz le dijo a Aaronson que los papeles se sienten “como algo escrito por alguien que está bajo psicodélicos”, con argumentos poco claros, excesivas menciones de nombres sin justificación, y que son “imposibles de leer … sin ayuda de IA.” Señala que la carrera para comprender estas pruebas acaba de comenzar y que los humanos aún no han comprendido a fondo ninguno de ellos. Esto ilustra la barrera inmediata: aunque la IA afirma haber resuelto problemas abiertos de larga data, la comunidad matemática aún no puede verificar ni construir sobre esas demostraciones sin una explicación sustancial asistida por IA.
Aaronson también habla del aspecto práctico de este auge impulsado por IA: el modelo aparentemente usó alrededor de tres horas de cómputo de nivel GPT‑Pro por problema, y se probó en aproximadamente 8,000 problemas, resolviendo alrededor del 5 % de las preguntas abiertas de larga data que se le plantearon. Esto da un costo aproximado de unos 810 dólares por problema resuelto bajo los precios actuales de la API. Contrasta dos modelos emergentes para los avances matemáticos generados por IA: el “modelo OpenAI” que vierte demostraciones desordenadas y obliga a los humanos a una competencia agotadora y agradecida para digerirlas, frente al “modelo Anthropic” que selecciona a matemáticos específicos para que actúen como emisarios del trabajo de la IA, como lo ilustran los resultados de Williams‑Alman que resolvieron 3SUM y el Problema de Ruta Más Corta entre Todos los Pares el día antes del vertido de OpenAI. Concluye que, pese al torrente, el santuario íntimo de la creatividad humana permanece intacto, y que la comunidad matemática ahora enfrenta la tarea de disipar la niebla y descubrir los caminos usando la IA como guía, mientras sigue confiando en la colaboración y la intuición humana.